(Englisch folgt Japanisch)
Japanischer Titel: Entwicklung eines hochpräzisen Toxizitätsvorhersageverfahrens unter Verwendung der Machine Learning-Funktion von JMP
Professor an der Meiji Pharmaceutical University, Yoshihiro Uzawa
Mit dem jüngsten Bewusstsein für das Umweltbewusstsein steigt der Impuls, die Schädlichkeit aller chemischen Substanzen in unserer Umgebung umfassend zu untersuchen.Da die Arten von chemischen Substanzen jedoch enorm sind, sind experimentelle Untersuchungen aus Sicht von Zeit, Budget und Tierversuchsethik unrealistisch.Vor diesem Hintergrund zieht die "Computational Toxicology", ein akademisches Feld, das statistische und computerwissenschaftliche Toxizität von chemischen Substanzen basierend auf bisher gesammelten Informationen vorhersagen soll, die Aufmerksamkeit auf sich.Im Jahr 2014 veranstaltete das US-amerikanische NIH einen großangelegten computertoxikologischen Wettbewerb "Tox 21 Data Challenge 2014", bei dem Daten über die Toxizität von 10.000 Verbindungen verwendet wurden.In diesem Wettbewerb, an dem mehr als 100 Teams aus 18 Ländern teilnahmen und sich registrierten, analysierte der Performer das Muster der verschiedenen Informationen, die aus der chemischen Struktur erhalten wurden, unter Verwendung von Bootstrap Forest, einer der in JMP Pro installierten maschinellen Lernfunktionen Wir konnten die Division in Bezug auf die Vorhersage weiblicher hormonähnlicher Substanzen gewinnen.In dieser Präsentation möchte ich Ihnen die optimale Auswahl der Bootstrap-Forest-Modelle auf der Grundlage der flexiblen Funktion von JMP vorstellen, die der Performer für den Wettbewerb verwendet hat.
Verwandte Seiten: http://www.my-pharm.ac.jp/news/info_detail.html?id=599
Die Entwicklung hochpräziser Toxizitätsvorhersageverfahren unter Verwendung des JMP ® Maschinelle Lernfunktion
Die Entwicklung hochpräziser Toxizitätsvorhersageverfahren unter Verwendung des JMP ® Maschinelle Lernfunktion
Neben dem zunehmenden Umweltbewusstsein in den letzten Jahren gewinnt die umfassende Untersuchung aller gefährlichen chemischen Substanzen um uns herum immer mehr an Bedeutung. Es gibt jedoch eine große Anzahl verschiedener Arten chemischer Substanzen, was bedeutet, dass experimentelle Untersuchungen weder aus Sicht des Haushalts noch aus Sicht des Haushalts oder aus ethischer Sicht (Tierversuche) praktisch sind. Das akademische Feld der Computational Toxicology macht auf sich aufmerksam, da es in der Lage ist, die Toxizität chemischer Substanzen auf der Grundlage der gesammelten Informationen statistisch und computergestützt vorherzusagen. Im Jahr 2014 veranstalteten National Institutes of Health in den Vereinigten Staaten die Tox 21 Data Challenge 2014, einen ehrgeizigen Wettbewerb im Bereich der Computertoxikologie, bei dem Daten zur Toxizität von 10.000 Verbindungen verwendet wurden. Bei diesem Wettbewerb, an dem über 100 teilnehmende Teams aus 18 Ländern teilnahmen, nutzten die Teilnehmer Bootstrap Forest, eine der Machine Learning-Funktionen in JMP Pro, um verschiedene Informationsmuster aus chemischen Strukturen zu analysieren. Dies führte zu einem Abteilungssieg, der sich auf die Vorhersage weiblicher hormonähnlicher Substanzen bezog. In dieser Präsentation werde ich die Auswahl des optimalen Bootstrap-Forest-Modells basierend auf den flexiblen Funktionen in JMP, die während des Wettbewerbs verwendet wurden, besprechen.
Zugehörige Seite: http: // http://www.my-pharm.ac.jp/news/info_detail.html?id=599
