（日文之後為英文）
標題：利用 JMP 的機器學習功能開發高精度毒性預測方法
明治藥科大學副教授上澤義弘
近年來，隨著人們環境意識的增強，全球範圍內全面研究日常生活中所有化學物質的有害影響的勢頭日益增強。然而，由於可用的化學物質數量龐大，因此在時間、預算和動物試驗倫理方面，實驗研究變得不切實際。在此背景下，「計算毒理學」這一學科領域正受到關注，該學科旨在根據迄今為止積累的已知信息，透過統計和計算來預測化學物質的毒性。 2014年，美國國立衛生研究院舉辦了“2014 Tox21數據挑戰賽”，這是一項使用10,000種化合物的毒性相關數據的大規模計算毒理學競賽。本次比賽共有來自18個國家的100多支隊伍報名參賽，演講嘉賓利用JMP Pro內建的機器學習功能Bootstrap Forest，對從化學結構中獲得的多樣化資訊模式進行分析，最終在預測女性激素類物質類別中脫穎而出。在本次演講中，我將介紹如何利用比賽中所使用的JMP的靈活功能來選擇最優的引導森林模型。
相關網站： http://www.my-pharm.ac.jp/news/info_detail.html?id =599
使用 JMP ®機器學習功能開發高精度毒性預測方法
使用 JMP ®機器學習功能開發高精度毒性預測方法
近年來，隨著人們環保意識的增強，全球範圍內對我們身邊所有危險化學物質進行徹底調查的勢頭正在增強。然而，化學物質的種類繁多，這意味著從時間角度、預算角度或道德角度（動物試驗）來看，實驗研究並不切實際。計算毒理學領域因能夠利用統計學和計算機科學，基於已累積的現有資訊預測化學物質的毒性而備受關注。 2014年，美國國立衛生研究院舉辦了2014年Tox21數據挑戰賽，這是一項雄心勃勃的計算毒理學競賽，使用10,000種化合物的毒性相關數據。本次比賽吸引了來自18個國家的100多支隊伍參賽，參賽者使用JMP Pro中的機器學習功能之一引導森林，對從化學結構中獲取的各種資訊模式進行分析。這導致了與女性激素類物質預測相關的部門勝利。在本次演講中，我將討論如何根據比賽期間使用的 JMP 中的靈活功能來選擇最佳引導森林模型。
相關網址：http://http: //www.my-pharm.ac.jp/news/info_detail.html? id=599
