JPWO2010016110A1 - 重回帰分析による予測モデルの作成方法、作成システムおよび作成プログラム - Google Patents
重回帰分析による予測モデルの作成方法、作成システムおよび作成プログラム Download PDFInfo
- Publication number
- JPWO2010016110A1 JPWO2010016110A1 JP2010523669A JP2010523669A JPWO2010016110A1 JP WO2010016110 A1 JPWO2010016110 A1 JP WO2010016110A1 JP 2010523669 A JP2010523669 A JP 2010523669A JP 2010523669 A JP2010523669 A JP 2010523669A JP WO2010016110 A1 JPWO2010016110 A1 JP WO2010016110A1
- Authority
- JP
- Japan
- Prior art keywords
- sample
- multiple regression
- sample set
- value
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000611 regression analysis Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims description 79
- 150000001875 compounds Chemical class 0.000 claims description 42
- 238000004458 analytical method Methods 0.000 claims description 26
- 231100000419 toxicity Toxicity 0.000 claims description 13
- 230000001988 toxicity Effects 0.000 claims description 13
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 8
- 231100000693 bioaccumulation Toxicity 0.000 claims description 3
- 230000013016 learning Effects 0.000 description 97
- 238000007405 data analysis Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000011160 research Methods 0.000 description 14
- 238000000605 extraction Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000033228 biological regulation Effects 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 238000005556 structure-activity relationship Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 125000004429 atom Chemical group 0.000 description 2
- 125000001246 bromo group Chemical group Br* 0.000 description 2
- 125000004432 carbon atom Chemical group C* 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 125000004430 oxygen atom Chemical group O* 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000035502 ADME Effects 0.000 description 1
- 241000251468 Actinopterygii Species 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- KWHWFTSHDPJOTG-UHFFFAOYSA-N Deazaflavin Chemical class C1=CC=C2C=C(C(=O)NC(=O)N3)C3=NC2=C1 KWHWFTSHDPJOTG-UHFFFAOYSA-N 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- PXGOKWXKJXAPGV-UHFFFAOYSA-N Fluorine Chemical compound FF PXGOKWXKJXAPGV-UHFFFAOYSA-N 0.000 description 1
- AUNGANRZJHBGPY-SCRDCRAPSA-N Riboflavin Chemical compound OC[C@@H](O)[C@@H](O)[C@@H](O)CN1C=2C=C(C)C(C)=CC=2N=C2C1=NC(=O)NC2=O AUNGANRZJHBGPY-SCRDCRAPSA-N 0.000 description 1
- 206010070835 Skin sensitisation Diseases 0.000 description 1
- 206010059516 Skin toxicity Diseases 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000010171 animal model Methods 0.000 description 1
- 230000000259 anti-tumor effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 125000001309 chloro group Chemical group Cl* 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 231100000584 environmental toxicity Toxicity 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 229930182480 glucuronide Natural products 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 231100000086 high toxicity Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 231100000053 low toxicity Toxicity 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 125000004433 nitrogen atom Chemical group N* 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 231100000191 repeated dose toxicity Toxicity 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 231100000370 skin sensitisation Toxicity 0.000 description 1
- 231100000438 skin toxicity Toxicity 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 125000004434 sulfur atom Chemical group 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 231100000167 toxic agent Toxicity 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 231100000820 toxicity test Toxicity 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
c)前記重回帰式に基づいて各サンプルの残差値を計算し、d)前記残差値に基づいて前記重回帰式にフィットするサンプルを特定し、e)前記特定したサンプルを前記初期サンプルセットから取り除いて新たなサンプルセットを構築し、f)前記新たなサンプルセットを前記初期サンプルセットに設定して、前記ステップa)からe)を繰り返し、g)前記繰り返しの各段階で獲得される前記重回帰式と前記取り除くサンプルとの組合せを、前記目的変数が未知のサンプルの予測モデルとして設定する、各ステップを有する。
5、6 残差値の大きいサンプル
10、20 残差値の小さいサンプルの存在領域
200 予測モデル作成装置
210 入力装置
220 出力装置
300 記憶装置
400 解析部
M1、M2、M3、Mn 重回帰線
本発明の実施形態を説明する前に、まず、本発明の原理について説明する。
M1=±a1・x1±a2・x2±・・・±an・xn±C1 (1)
式(1)において、M1は各サンプルの目的変数の計算値を示し、x1、x2・・・xnは説明変数(パラメータ)の値を、a1、a2・・・anは係数を、C1は定数をそれぞれ示している。各サンプルについて、説明変数の値を式(1)に入力することによって、各サンプルの目的変数Yの値が算出される。式(1)に基づいて算出した目的変数M1の値がサンプルの実測値と一致した場合、サンプルSは図1の回帰線M1上に乗る。したがって、サンプルが回帰線M1の周りに密集して分布すればするほど、その回帰式は良好(精度の高い)な回帰式であると言える。重回帰式の精度は、上述したように、相関係数Rあるいは決定係数R2によって決定される。相関係数Rが1の場合、全サンプルは回帰線上に載る。図1では、相関係数Rが0.7の場合を示している。
以下に、第1の実施形態について説明する。
M1=a1・x1+a2・x2+・・・+an・xn+C1 (1)
ここで、a1、a2・・・anは各パラメータx1、x2・・・xnに対する係数であり、C1は定数である。このようにして第1回目の重回帰式M1が形成されると、ステップS7で個々の学習サンプルについて重回帰式M1に基づく目的変数の値(予測値)が計算される。個々の学習サンプルについての目的変数の計算値は、式(1)に、例えば、図7に示すような各サンプルのパラメータ値を代入することによって求められる。
以下に、第2の実施形態を図13Aおよび図13Bを参照して説明する。本実施形態は、学習サンプルセットを用いた予測モデルの作成と未知サンプルの予測とを並行して行う実施形態である。EUでREACH規則の運用が開始されており、その運用に伴って化合物の毒性に関する大量のデータの蓄積が進むものと考えられる。通常、予測モデルは、目的変数が既知のサンプルを集め、これを学習サンプルセットとして作成される。学習サンプルセットに含まれるサンプル数が多いほど、予測精度の高い予測モデルを作成することができる。したがって、一旦作成された予測モデルであっても、学習サンプルとして使用可能な新たなデータが蓄積されると、そのデータを加えた新たな学習サンプルセットで新たな予測モデルを作成することが望まれる。
前記第1および第2の実施形態は、プログラムとして構築され、パソコン、並列コンピュータシステムあるいはスーパーコンピュータに実装されて実施される。あるいは、前記第1、第2の実施形態に基づいて、予測モデル作成装置として構成することも可能である。
2)バイオ関連研究
3)蛋白質関連研究
4)医療関連研究
5)食品関連研究
6)経済関連研究
7)工学関連研究
8)生産歩留まり向上等を目的としたデータ解析
9)環境関連研究
1)の化学データ解析分野では、より詳細には、下記のような研究に適用できる。
(1)構造−活性/ADME/毒性/物性相関の研究
(2)構造−スペクトル相関研究
(3)メタボノミクス関連研究
(4)ケモメトリクス研究
Claims (20)
- a)目的変数の実測値が既知のサンプルによって初期サンプルセットを構築し、
b)前記初期サンプルセットを重回帰分析して重回帰式を獲得し、
c)前記重回帰式に基づいて各サンプルの残差値を計算し、
d)前記残差値に基づいて前記重回帰式にフィットするサンプルを特定し、
e)前記特定したサンプルを前記初期サンプルセットから取り除いて新たなサンプルセットを構築し、
f)前記新たなサンプルセットを前記初期サンプルセットに設定して、前記ステップa)からe)を繰り返し、
g)前記繰り返しの各段階で獲得される前記重回帰式と前記取り除くサンプルとの組合せを、前記目的変数が未知のサンプルの予測モデルとして設定する、各ステップを備える、重回帰分析に基づいた予測モデルの作成方法。 - 請求項1に記載の方法において、前記ステップd)では、前記残差値が小さいものから予め定めた一定の個数のサンプルを取り除くサンプルとして特定する、重回帰分析に基づいた予測モデルの作成方法。
- 請求項1に記載の方法において、前記ステップd)では、あらかじめ定めた閾値以下の残差値を有するサンプルを取り除くサンプルとして特定する、重回帰分析に基づいた予測モデルの作成方法。
- 請求項1に記載の方法において、前記ステップf)における前記繰り返しは、前記新たなサンプルセットにおいて、サンプルの総数が予め定めた数以下になった場合、サンプルの最小残差値が予め定めた値を超えた場合、サンプル数と重回帰分析に使用するパラメータ数との比が予め定めた一定値以下となった場合、あるいは前記繰り返しの回数が予め定めた一定回数を超えた場合の何れかで停止される、重回帰分析に基づいた予測モデルの作成方法。
- 請求項1に記載の方法において、更に、前記目的変数が未知のサンプルを用意し、当該サンプルに最も構造類似するサンプルを前記初期サンプルセット中で特定するステップを設け、前記ステップf)における繰り返しは、前記取り除かれるサンプル中に前記最も構造類似するサンプルが含まれた段階で停止される、重回帰分析に基づいた予測モデルの作成方法。
- a)目的変数の実測値が既知のサンプルによって初期サンプルセットを構築する手順、
b)前記初期サンプルセットを重回帰分析して重回帰式を獲得する手順、
c)前記重回帰式に基づいて各サンプルの残差値を計算する手順、
d)前記残差値に基づいて前記重回帰式にフィットするサンプルを特定する手順、
e)前記特定したサンプルを前記初期サンプルセットから取り除いて新たなサンプルセットを構築する手順、
f)前記新たなサンプルセットを前記初期サンプルセットに設定して、前記ステップa)からe)を繰り返す手順、
g)前記繰り返しの各段階で獲得される前記重回帰式と前記取り除くサンプルとの組合せを、前記目的変数が未知のサンプルの予測モデルとして設定する手順、をコンピュータに実行させるための、重回帰分析に基づいた予測モデルの作成プログラム。 - 請求項6に記載のプログラムにおいて、前記ステップd)では、前記残差値が小さいものから予め定めた一定の個数のサンプルを取り除くサンプルとして特定する、重回帰分析に基づいた予測モデルの作成プログラム。
- 請求項6に記載のプログラムにおいて、前記ステップd)では、あらかじめ定めた閾値以下の残差値を有するサンプルを取り除くサンプルとして特定する、重回帰分析に基づいた予測モデルの作成プログラム。
- 請求項6に記載のプログラムにおいて、前記ステップf)における前記繰り返しは、前記新たなサンプルセットにおいて、サンプルの総数が予め定めた数以下になった場合、サンプルの最小残差値が予め定めた値を超えた場合、サンプル数と重回帰分析に使用するパラメータ数との比が予め定めた一定値以下となった場合、あるいは前記繰り返しの回数が予め定めた一定回数を超えた場合の何れかで、停止される、重回帰分析に基づいた予測モデルの作成プログラム。
- 請求項6に記載のプログラムにおいて、更に、前記目的変数が未知のサンプルを用意し、当該サンプルに最も構造類似するサンプルを前記初期サンプルセット中で特定する手順を設け、前記ステップf)における繰り返しは、前記取り除かれるサンプル中に前記最も構造類似するサンプルが含まれた段階で停止される、重回帰分析に基づいた予測モデルの作成プログラム。
- a)化合物の任意の毒性を目的変数とする時、当該目的変数の実測値が既知の化合物によって初期サンプルセットを構築し、
b)前記初期サンプルセットを重回帰分析して重回帰式を獲得し、
c)前記重回帰式に基づいて前記化合物の残差値を計算し、
d)前記残差値に基づいて、前記重回帰式にフィットするサンプルを特定し、
e)前記特定した化合物を前記初期サンプルセットから取り除いて新たなサンプルセットを構築し、
f)前記新たなサンプルセットを前記初期サンプルセットに設定して、前記ステップa)からe)を繰り返し、
g)前記繰り返しの各段階で獲得される前記重回帰式と前記取り除く化合物との組合せを、前記目的変数が未知の化合物の前記目的変数を求めるための予測モデルとして設定する、各ステップを備える、重回帰分析に基づいた化合物の毒性予測モデルの作成方法。 - 請求項11に記載の方法において、前記任意の毒性は、化合物の生分解性、生体蓄積性、半数阻害濃度、半数影響濃度、半数阻害濃度、半数致死濃度のいずれか一つである、重回帰分析に基づいた化合物の毒性予測モデルの作成方法。
- 請求項11に記載の方法において、前記ステップd)では、前記残差値が小さいものから予め定めた一定の個数のサンプルを取り除くサンプルとして特定する、重回帰分析に基づいた化合物の毒性予測モデルの作成方法。
- 請求項11に記載の方法において、前記ステップd)では、あらかじめ定めた閾値以下の残差値を有するサンプルを取り除くサンプルとして特定する、重回帰分析に基づいた化合物の毒性予測モデルの作成方法。
- 請求項11に記載の方法において、前記ステップf)における前記繰り返しは、前記新たなサンプルセットにおいて、サンプルの総数が予め定めた数以下になった場合、サンプルの最小残差値が予め定めた値を超えた場合、サンプル数と重回帰分析に使用するパラメータ数との比が予め定めた一定値以下となった場合、あるいは前記繰り返しの回数が予め定めた一定回数を超えた場合の何れかで、停止される、重回帰分析に基づいた化合物の毒性予測モデルの作成方法。
- 請求項11に記載の方法において、更に、前記目的変数が未知のサンプルを用意し、当該サンプルに最も構造類似するサンプルを前記初期サンプルセット中で特定するステップを設け、前記ステップf)における繰り返しは、前記取り除かれるサンプル中に前記最も構造類似するサンプルが含まれた段階で停止される、重回帰分析に基づいた化合物の毒性予測モデルの作成方法。
- 目的変数の実測値が既知のサンプルによって初期サンプルセットを構築する第1の手段と、
前記初期サンプルセットを重回帰分析して重回帰式を獲得する第2の手段と、
前記重回帰式に基づく各サンプルの残差値を計算する第3の手段と、
前記残差値に基づいて、前記重回帰式にフィットするサンプルを特定する第4の手段と、
前記特定したサンプルを前記初期サンプルセットから取り除いて新たなサンプルセットを構築する第5の手段と、
前記新たなサンプルセットを前記初期サンプルセットに設定して、前記ステップa)からe)を繰り返す第6の手段と、
前記新たなサンプルセットにおいて、サンプルの総数が予め定めた数以下になった場合、サンプルの最小残差値が予め定めた値を超えた場合、サンプル数と重回帰分析に使用するパラメータ数との比が予め定めた一定値以下となった場合、あるいは前記繰り返しの回数が予め定めた一定回数を超えた場合の何れかを検出して、前記第6の手段における繰り返しを停止させる第7の手段と、を備える、予測モデルの作成システム。 - 請求項17に記載のシステムにおいて、更に、前記目的変数が未知のサンプルを入力する第8の手段と、前記未知のサンプルに最も構造類似するサンプルを前記初期サンプルセット中で特定する第9の手段と、前記第4の手段によって特定された前記取り除くサンプル中に前記最も構造類似するサンプルが含まれる場合、前記第6の手段の前記繰り返しを停止させる第10の手段、とを有する、予測モデルの作成システム。
- 請求項17に記載のシステムにおいて、前記サンプルは化合物であり、前記目的変数は、前記化合物の生分解性、生体蓄積性、半数阻害濃度、半数影響濃度、半数阻害濃度、半数致死濃度のいずれか一つである、予測モデルの作成システム。
- 目的変数が未知のサンプルについて前記目的変数を予測するための複数の予測モデルを準備する第1のステップであって、前記複数の予測モデルは、
a)目的変数の実測値が既知のサンプルによって初期サンプルセットを構築し、
b)前記初期サンプルセットを重回帰分析して重回帰式を獲得し、
c)前記重回帰式に基づいて各サンプルの残差値を計算し、
d)前記残差値に基づいて、前記重回帰式にフィットするサンプルを特定し、
e)前記特定したサンプルを前記初期サンプルセットから取り除いて新たなサンプルセットを構築し、
f)前記新たなサンプルセットを前記初期サンプルセットに設定して、前記ステップa)からe)を繰り返す、各ステップを実行することにより形成した、前記重回帰式と前記取り除くサンプルとを含む複数のセットにより形成される、前記第1のステップと、
前記目的変数が未知のサンプルと前記初期サンプルセット中の個々のサンプルとの構造の類似度を算出する第2のステップと、
前記算出された類似度に基づいて、前記未知サンプルに最も近い構造を有するサンプルを特定する第3のステップと、
前記複数の予測モデルのうち、前記特定されたサンプルとセットとされる前記重回帰式に基づいて、前記未知サンプルの目的変数を算出する第4のステップ、とを備える、未知サンプルの目的変数予測方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2008/064061 WO2010016110A1 (ja) | 2008-08-05 | 2008-08-05 | 重回帰分析による予測モデルの作成方法、作成システムおよび作成プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2010016110A1 true JPWO2010016110A1 (ja) | 2012-01-12 |
JP5293739B2 JP5293739B2 (ja) | 2013-09-18 |
Family
ID=41663340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010523669A Expired - Fee Related JP5293739B2 (ja) | 2008-08-05 | 2008-08-05 | 重回帰分析による予測モデルの作成方法、作成システムおよび作成プログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20110208495A1 (ja) |
EP (1) | EP2323081A1 (ja) |
JP (1) | JP5293739B2 (ja) |
WO (1) | WO2010016110A1 (ja) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5714269B2 (ja) * | 2010-08-30 | 2015-05-07 | 株式会社Kri | 化学物質の溶解パラメータ予測方法 |
JP5877542B2 (ja) * | 2012-04-16 | 2016-03-08 | 一般財団法人電力中央研究所 | 硫黄放出量の推算式の生成方法、推算方法および推算システム |
JP5930225B2 (ja) * | 2014-01-27 | 2016-06-08 | 横河電機株式会社 | エネルギー効率評価支援装置、コンピュータプログラムおよびエネルギー効率評価支援方法 |
JP6216294B2 (ja) * | 2014-07-30 | 2017-10-18 | 日本電信電話株式会社 | 重回帰分析装置および重回帰分析方法 |
JP6505534B2 (ja) * | 2015-07-22 | 2019-04-24 | 株式会社平間理化研究所 | 現像液の管理方法及び装置 |
US11443015B2 (en) * | 2015-10-21 | 2022-09-13 | Adobe Inc. | Generating prediction models in accordance with any specific data sets |
US10353008B2 (en) * | 2016-10-06 | 2019-07-16 | Mitsubishi Electric Research Laboratories, Inc. | Hybrid battery state sensor |
JP6736087B2 (ja) * | 2017-01-23 | 2020-08-05 | 株式会社平間理化研究所 | 現像液の濃度監視装置、及び現像液管理装置 |
JP2018120893A (ja) * | 2017-01-23 | 2018-08-02 | 株式会社平間理化研究所 | 現像液の成分濃度測定装置、及び現像液管理装置 |
CN107167617B (zh) * | 2017-05-26 | 2018-09-25 | 山东师范大学 | 鉴定ic50剂量维生素c对raw264.7和k562细胞差异标志物的方法 |
US11537610B2 (en) * | 2017-12-09 | 2022-12-27 | AtScale, Inc. | Data statement chunking |
JP6954082B2 (ja) * | 2017-12-15 | 2021-10-27 | 富士通株式会社 | 学習プログラム、予測プログラム、学習方法、予測方法、学習装置および予測装置 |
CN108805980B (zh) * | 2018-07-17 | 2022-06-03 | 新疆农业大学 | 一种基于3d的马体尺测量系统及数据修正方法 |
CN109284320B (zh) * | 2018-08-15 | 2021-10-26 | 上海派拉软件股份有限公司 | 大数据平台上的自动回归诊断方法 |
JP7056497B2 (ja) * | 2018-10-03 | 2022-04-19 | トヨタ自動車株式会社 | 重回帰分析装置及び重回帰分析方法 |
JP7202973B2 (ja) | 2019-05-29 | 2023-01-12 | 株式会社日立製作所 | データ分析装置、データ分析方法、およびデータ分析プログラム |
CN110648014B (zh) * | 2019-08-28 | 2022-04-15 | 山东大学 | 一种基于时空分位数回归的区域风电预测方法及系统 |
US11188412B2 (en) * | 2019-12-03 | 2021-11-30 | Dell Products L.P. | System and method for improving server usage based on anomaly detection |
CN111126685B (zh) * | 2019-12-16 | 2023-02-03 | 武汉材料保护研究所有限公司 | 一种发动机润滑油质量预测模型建立方法 |
CN111091244B (zh) * | 2019-12-16 | 2023-02-03 | 武汉材料保护研究所有限公司 | 一种发动机润滑油换油周期预测方法 |
CN111028896A (zh) * | 2019-12-27 | 2020-04-17 | 华电淄博热电有限公司 | 一种根据指标相关性自主建立回归方程的煤质化验研究方法 |
JP2021196778A (ja) * | 2020-06-11 | 2021-12-27 | パナソニックIpマネジメント株式会社 | 生成方法、推定方法、生成装置、および推定装置 |
CN112509643B (zh) * | 2021-02-03 | 2021-07-09 | 蓝星安迪苏南京有限公司 | 一种定量分析模型构建方法、定量分析方法、装置及系统 |
CN113035287B (zh) * | 2021-03-09 | 2022-11-04 | 清华大学 | 一种蒸汽热裂解过程的预测方法 |
CN113642142B (zh) * | 2021-06-08 | 2023-11-17 | 天津大学 | 一种基于海面热通量计算水体层化开始时刻的方法 |
JP7219374B1 (ja) * | 2021-06-23 | 2023-02-07 | 昭和電工株式会社 | 物性予測装置、物性予測方法、及びプログラム |
CN113553712B (zh) * | 2021-07-22 | 2023-05-26 | 华侨大学 | 基于多元回归的粉末冶金混合材料配方建模及控制方法 |
KR102647054B1 (ko) * | 2021-07-27 | 2024-03-13 | 한국전자통신연구원 | 통신 시스템에서 응용 서비스 응답 시간 예측 방법 및 장치 |
CN114566292B (zh) * | 2022-01-29 | 2022-11-11 | 浙江大学医学院附属第一医院 | 应用内源性物质预测肾移植药物剂量的模型的构建方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS56168742A (en) * | 1980-05-29 | 1981-12-25 | Tokiwa Kagaku Kikai Kk | Tester for inhaled virulence |
JPH07218496A (ja) * | 1994-02-01 | 1995-08-18 | Sumitomo Chem Co Ltd | 溶解パラメータを用いた化学物質の哺乳動物に対する急性毒性の予測システム |
JPH08123781A (ja) * | 1994-10-20 | 1996-05-17 | Fujitsu Ltd | 3次元化合物構造式の周辺空間情報を数値データへ変換する方法、並びに、3次元化合物構造式とその周辺空間との相互作用を数値データへ変換する方法 |
US6087662A (en) * | 1998-05-22 | 2000-07-11 | Marathon Ashland Petroleum Llc | Process for analysis of asphaltene content in hydrocarbon mixtures by middle infrared spectroscopy |
US7044604B1 (en) * | 2001-07-11 | 2006-05-16 | Arrowsmith Peter N | Method for determining the power of an intraocular lens used for the treatment of myopia |
US20030065409A1 (en) * | 2001-09-28 | 2003-04-03 | Raeth Peter G. | Adaptively detecting an event of interest |
CN1921535A (zh) | 2005-08-26 | 2007-02-28 | 株式会社理光 | 图像检索装置,图像处理装置,图像检索方法,以及图像处理方法 |
KR101232945B1 (ko) * | 2006-11-13 | 2013-02-13 | 후지쯔 가부시끼가이샤 | 2클래스 분류 예측 모델의 작성 방법, 분류 예측 모델 작성을 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 2클래스 분류 예측 모델의 작성 장치 |
-
2008
- 2008-08-05 WO PCT/JP2008/064061 patent/WO2010016110A1/ja active Application Filing
- 2008-08-05 JP JP2010523669A patent/JP5293739B2/ja not_active Expired - Fee Related
- 2008-08-05 EP EP08792228A patent/EP2323081A1/en not_active Withdrawn
-
2011
- 2011-02-02 US US13/019,641 patent/US20110208495A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
JP5293739B2 (ja) | 2013-09-18 |
EP2323081A1 (en) | 2011-05-18 |
US20110208495A1 (en) | 2011-08-25 |
WO2010016110A1 (ja) | 2010-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5293739B2 (ja) | 重回帰分析による予測モデルの作成方法、作成システムおよび作成プログラム | |
Tomaschek et al. | Strategies for addressing collinearity in multivariate linguistic data | |
JPWO2008126209A1 (ja) | 重回帰分析による予測モデルの作成方法、作成装置、作成プログラム | |
Baumann et al. | Reliable estimation of prediction errors for QSAR models under model uncertainty using double cross-validation | |
Zanghellini et al. | Elementary flux modes in a nutshell: properties, calculation and applications | |
Li et al. | A multi-task learning formulation for survival analysis | |
Schuster‐Böckler et al. | An introduction to hidden Markov models | |
JP2008003920A (ja) | 時系列データの予測・診断装置およびそのプログラム | |
Fu et al. | Survival trees for left-truncated and right-censored data, with application to time-varying covariate data | |
Peltola et al. | Hierarchical Bayesian Survival Analysis and Projective Covariate Selection in Cardiovascular Event Risk Prediction. | |
Gritsenko et al. | Unbiased quantitative models of protein translation derived from ribosome profiling data | |
WO2010029627A1 (ja) | 重回帰分析による予測モデルの作成方法、作成プログラム、作成装置 | |
Arcari et al. | Modeling mean stress relaxation in variable amplitude loading for 7075-T6511 and 7249-T76511 high strength aluminum alloys | |
Parag et al. | Exact Bayesian inference for phylogenetic birth-death models | |
Majumdar et al. | Beware of naïve q2, use true q2: Some comments on QSAR model building and cross validation | |
Van Dijck et al. | Genetic algorithm for informative basis function selection from the wavelet packet decomposition with application to corrosion identification using acoustic emission | |
Héberger et al. | Which performance parameters are best suited to assess the predictive ability of models? | |
Heuclin et al. | Bayesian varying coefficient model with selection: An application to functional mapping | |
JP2020139914A (ja) | 物質構造分析装置、方法及びプログラム | |
Gebert et al. | Identifying genes of gene regulatory networks using formal concept analysis | |
Jie et al. | Chaos game representation (CGR)-walk model for DNA sequences | |
Cappello et al. | Bayesian Change Point Detection with Spike-and-Slab Priors | |
Zhang et al. | Mitigating bias in scientific data: a materials science case study | |
Malusare et al. | Understanding the Natural Language of DNA using Encoder-Decoder Foundation Models with Byte-level Precision | |
JP2019191634A (ja) | データ分析方法、データ分析プログラムおよびデータ分析システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20121002 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121203 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20130108 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130408 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20130419 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130514 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130527 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5293739 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |