(Inglés sigue japonés)
Título japonés: Desarrollo del método de predicción de toxicidad de alta precisión mediante la función de aprendizaje automático de JMP
Profesor Asociado de la Universidad Farmacéutica Meiji Yoshihiro Uzawa
Junto con la reciente conciencia de la conciencia ambiental, el impulso para investigar exhaustivamente la nocividad para todas las sustancias químicas que nos rodean está aumentando en todo el mundo.Sin embargo, dado que los tipos de sustancias químicas son enormes, las investigaciones experimentales no son realistas desde el punto de vista del tiempo, el presupuesto y la ética animal experimental.En vista de estos antecedentes, la "toxicología computacional", que es un campo académico destinado a predecir la toxicidad de las sustancias químicas estadística y computacionalmente basada en información conocida acumulada hasta ahora, atrae la atención.En 2014, el US NIH realizó una competencia de toxicología computacional a gran escala "Tox 21 Data Challenge 2014" utilizando datos relacionados con la toxicidad de 10,000 compuestos.En esta competencia en la que participaron y registraron más de 100 equipos de 18 países, el artista analizó el patrón de diversas informaciones obtenidas de la estructura química utilizando el bosque de arranque, que es una de las funciones de aprendizaje automático instaladas en JMP Pro. Pudimos ganar la división en términos de predecir sustancias similares a las hormonas femeninas.En esta presentación, me gustaría presentarles sobre la selección óptima del modelo de bosque de arranque basado en la función flexible de JMP que el ejecutante utilizó para la competencia.
Sitios relacionados: http://www.my-pharm.ac.jp/news/info_detail.html?id=599
El desarrollo de métodos de predicción de toxicidad altamente precisos utilizando el JMP ® Función de aprendizaje automático
El desarrollo de métodos de predicción de toxicidad altamente precisos utilizando el JMP ® Función de aprendizaje automático
Junto con el aumento de la conciencia ambiental en los últimos años, la investigación exhaustiva de todas las sustancias químicas peligrosas que nos rodean está cobrando impulso en todo el mundo. Sin embargo, hay una gran cantidad de diferentes tipos de sustancias químicas, lo que significa que las investigaciones experimentales no son prácticas desde una perspectiva, una perspectiva de presupuesto o una perspectiva ética (pruebas con animales). El campo académico de la toxicología computacional está atrayendo atención por su capacidad para predecir, estadísticamente y con la informática, la toxicidad de las sustancias químicas basadas en la información existente que se ha acumulado. En 2014, los Institutos Nacionales de la Salud en los Estados Unidos celebraron el Tox 21 Data Challenge 2014, una ambiciosa competencia de toxicología computacional que utiliza datos relacionados con la toxicidad de 10,000 compuestos. En esta competencia, que contó con más de 100 equipos participantes de 18 países, los competidores utilizaron el bootstrap forest, una de las funciones de aprendizaje automático en JMP Pro, para analizar una variedad de patrones de información adquiridos a partir de estructuras químicas. Esto dio lugar a una victoria departamental relacionada con la predicción de sustancias similares a las hormonas femeninas. En esta presentación, discutiré la selección del modelo de bosque de arranque óptimo basado en las funciones flexibles en JMP que se usaron durante la competencia.
Sitio relacionado: http: // http://www.my-pharm.ac.jp/news/info_detail.html?id=599
