（英語跟日語）
日文標題：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Yoshihiro Uzawa副教授
隨著最近對環境意識的認識，全面調查對我們周圍所有化學物質的危害的勢頭正在全球範圍內增加。然而，由於化學物質的類型是巨大的，從時間，預算和動物實驗倫理的角度來看，實驗研究是不現實的。鑑於這種背景，“計算毒理學”是一個學術領域，旨在根據迄今為止積累的已知信息在統計上和計算機科學地預測化學物質的毒性，引起了人們的注意。2014年，美國國立衛生研究院利用10,000種化合物的毒性相關數據舉辦了大規模計算毒理學競賽“Tox 21 Data Challenge 2014”。在來自18個國家的100多個團隊參與和註冊的比賽中，表演者使用自助森林分析了從化學結構獲得的各種信息的模式，這是JMP Pro中安裝的機器學習功能之一。，我們能夠在預測女性激素類物質方面贏得分裂。在本演示中，我想介紹一下基於JMP靈活功能的最佳引導森林模型選擇，該功能是表演者用於比賽的。
相關網站： http://www.my-pharm.ac.jp/news/info_detail.html?id=599
利用JMP開發高精度毒性預測方法 ® 機器學習功能
利用JMP開發高精度毒性預測方法 ® 機器學習功能
隨著近年來環境意識的增強，對我們周圍所有有害化學物質的詳盡調查正在全球範圍內獲得動力。然而，存在大量不同類型的化學物質，這意味著從視角，預算角度或道德角度（動物測試）來看，實驗研究是不實際的。計算毒理學的學術領域因其能夠根據已積累的現有信息，在統計學上和計算機科學中預測化學物質的毒性而引起人們的關注。2014年，美國國立衛生研究院舉辦了2014年Tox 21數據挑戰賽，這是一項雄心勃勃的計算毒理學競賽，利用有關10,000種化合物的毒性相關數據。在本次比賽中，來自18個國家的100多個參賽隊伍參賽，競爭對手使用自助森林（JMP Pro中的機器學習功能之一）來分析從化學結構中獲取的各種信息模式。這導致部門勝利與女性激素樣物質的預測有關。在本演示中，我將討論基於競賽期間使用的JMP中的靈活功能選擇最佳引導林模型。
相關網站：http：// http://www.my-pharm.ac.jp/news/info_detail.html?id=599
