欧亚国际

SPECIAL ISSUE:

Statistics, Bioinformatics, and Machine Learning Methods in Phenomics

表型组学中的统计学、生物信息学和机器学习方法

如今，现代化的植物表型应用正给我们目前已有的统计和计算分析方法带来挑战。因此我们需要一些新的分析方法，以整合多种类型的数据或在观测数据时提供更适当的实验设计，且这样的需求会随着成像、测序和传感器技术的发展而愈发迫切。对深度学习和人工智能算法的重视是朝着上述方向的一个最新进展。但截至目前，为了更适用于表型分析场景，大多数的人工智能程序都需要进一步的开发，这可能涉及到优化、定制算法，使其能够结合物理学和生物学方面的限制或是降低对训练数据量的需求。统计学、生物信息学和机器学习方面的进步将使植物表型研究社区能够应对紧迫的社会挑战，例如负责任的生态管理、可持续提高作物生产力等。这些文章介绍了新颖的分析方法论及其应用，包括实践标准、实验设计、软件、科学评论、定位文章等。

Guest Editors

Jennifer Clarke，美国内布拉斯加大学林肯分校

James Schnable，美国内布拉斯加大学林肯分校

Table of Contents

The Use of High-Throughput Phenotyping for Assessment of Heat Stress-Induced Changes in Arabidopsis

Plant Phenomics, vol. 2020, Article ID 3723916, 14 pages, 2020.

Ge Gao, Mark A. Tester, and Magdalena M. Julkowska

文章介绍

Plant Phenomics | 使用高通量表型技术评估拟南芥中热应激诱导造成的变化

A High-Throughput Phenotyping Pipeline for Image Processing and Functional Growth Curve Analysis

Plant Phenomics, vol. 2020, Article ID 7481687, 8 pages, 2020.

Ronghao Wang, Yumou Qiu, Yuzhen Zhou, Zhikai Liang, and James C. Schnable

文章介绍

Plant Phenomics | 一种用于图像处理和函数型数据分析的高通量表型方法

Computing on Phenotypic Descriptions for Candidate Gene Discovery and Crop Improvement

Plant Phenomics, vol. 2020, Article ID 1963251, 4 pages, 2020.

Ian R. Braun, Colleen F. Yanarella, and Carolyn J. Lawrence-Dill

文章介绍

Plant Phenomics  | 候选基因发现和作物改良表型描述的计算

Semantic Segmentation of Sorghum Using Hyperspectral Data Identifies Genetic Associations

Plant Phenomics, vol. 2020, Article ID 4216373, 11 pages, 2020.

Chenyong Miao, Alejandro Pages, Zheng Xu, Eric Rodene, Jinliang Yang, and James C. Schnable

文章介绍

Plant Phenomics | 利用高光谱数据对高粱进行语义分割可识别遗传关联

Generalized Linear Model with Elastic Net Regularization and Convolutional Neural Network for evalsuating Aphanomyces Root Rot Severity in Lentil

Plant Phenomics, vol. 2020, Article ID 2393062, 11 pages, 2020.

Afef Marzougui, Yu Ma, Rebecca J. McGee, Lav R. Khot, and Sindhuja Sankaran

文章介绍

Plant Phenomics | 利用弹性网正则化或卷积神经网络构建评估扁豆丝囊菌根腐病的广义线性模型

About Plant Phenomics