СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В работе обсуждаются действия при подготовке экспериментальных данных, полученных при исследовании биопотенциалов проростков пшеницы сорта «Новосибирская 41» при воздействии на них повышенной и пониженной температуры, для последующего фенотипирования этих растений c использованием кластерного анализа. Отмечено, что такая подготовка необходима при длительных экспериментальных исследованиях (до 10 дней и более), в течение которых происходят метаболические изменения образцов проростков, влияющие на величину их биопотенциалов. Работа основана на экспериментальных данных, полученных в 2020 и 2022 годах, и их регрессионном анализе. Кратко описаны результаты мониторинга изменения биопотенциалов проростков в зависимости от их возраста и приведен алгоритм расчета корректирующих величин биопотенциалов для каждого возраста исследуемых объектов. Сформированы два блока данных для оценки фенотипа объектов: исходный, полученный в результате первичной обработки реализаций изменения биопотенциалов проростков при воздействии повышенной и пониженной температуры, и откорректированный относительно параметра ?_max?ц максимального фильтрованного центрированного значения cf биопотенциалов проростков пшеницы при этих воздействиях. Проведено фенотипирование растений на основе этих блоков данных с применением оригинальной программы Eclaster, реализующей метод спектральной кластеризации из библиотеки sklearn.cluster среды программирования Python. Представленные результаты кластеризации в виде диаграмм рассеивания показывают более качественное разделение по кластерам для откорректированных данных.

Чубукова А. Data Mining. – М.: ИНТУИТ, 2016. – 470 с. – ISBN 978-5-94774-819-2.

Феномика растений: фундаментальные основы, программно-аппаратные платформы и методы машинного обучения / В.В. Демидчик, А.Ю. Шашко, В.Ю. Бондаренко и др. // Физиология растений. – 2020. – Т. 67, № 3. – С. 227–245.

Crop phenomics and high?throughput phenotyping: past decades, current challenges and future perspectives / W. Yang, H. Feng, X. Zhang, J. Zhang, J.H. Doonan, W.D. Batchelor, L. Xiong, J. Yan // Molecular Plant. – 2020. – Vol. 13. – P. 187?214. – DOI: 10.1016/j.molp.2020.01.008.

Development of a novel aluminum tolerance phenotyping platform used for comparisons of cereal aluminum tolerance and investigations into rice aluminum tolerance mechanisms / A.N. Famoso, R.T. Clark, J.E. Shaff, E. Craft, S.R. McCouch, L.V. Kochian // Plant Physiology. – 2010. – Vol. 153. – P. 1678–1691.

Chernoff H. The use of faces to represent points in k-dimensional space graphically // Journal of the American Statistical Association. – 1973. – Vol. 68 (342). – P. 361–368.

Thyssen A., Cubedo-Ruiz E., Winkler R. Improved representation of biological information by using correlation as a distance function for cluster analysis of a heat map // American Journal of Plant Sciences. – 2017. – Vol. 8. – P. 502–516. – DOI: 10.4236/ajps.2017.83035.

OPTIMAS-DW: A comprehensive transcriptomics, metabolomics, ionomics, proteomics and phenomics data resource for maize / C. Colmsee, M. Mascher, T. Czauderna, A. Hartmann, U. Schlüter, N. Zellerhoff, et al. // BMC Plant Biology. – 2012. – Vol. 12. – P. 245. – DOI: 10.1186/1471-2229-12-245.

Schauer N., Fernie A.R. Plant metabolomics: towards biological function and mechanism // Trends in Plant Science. – 2006. – Vol. 11. – P. 508–516. – DOI: 10.1016/j.tplants.2006.08.007.

PENDISC: A simple method for constructing a mathematical model from time-series data of metabolite concentrations / K. Sriyudthsak, M. Iwata, M.Y. Hirai, F. Shiraishi // Bulletin of Mathematical Biology. – 2014. – Vol. 76. – P. 1333–1351. – DOI: 10.1007/s11538-014-9960-8.

Бережной В.А., Иващук О.А., Семенов Д.С. Обзор методов и алгоритмов автоматизированных систем фенотипирования растений // Современные наукоемкие технологии. – 2021. – № 4. – С. 111–116. – DOI: 10.17513/snt.38624.

New phenotyping methods for screening wheat and barley for beneficial responses to water deficit / R. Munns, R.A. James, X.R.R. Sirault, R.T. Furbank, H.G. Jones // Journal of Experimental Botany. – 2010. – Vol. 61. – P. 3499–3507.

Furbank R.T., Tester M. Phenomics – technologies to relieve the phenotyping bottleneck // Trends in Plant Science. – 2011. – Vol. 16 (12). – P. 635?644. – DOI: 10.1016/j.tplants.2011.09.005.

Сероклинов Г.В., Гунько А.В. Посуточный мониторинг биопотенциала проростков пшеницы как средство повышения качества оценки стрессоустойчивости растений // Сибирский вестник сельскохозяйственной науки. – 2024. – Т. 54, № 6. – С. 112–120.

Программа фенотипирования злаковых растений на платформе оценки биопотенциалов проростков «Eklaster»: свидетельство о гос. регистрации программы для ЭВМ № 2025688079: № 2025687303: заявл. 07.10.2025: опубл. 16.10.2025, Бюл. № 10 / Сероклинов Г.В., Гунько А.В.; Сибирский федеральный научный центр агробиотехнологий Российской академии наук. – 1 с.

Seroklinov G.V., Gunko A.V. Evaluation of the effectiveness of data preparation in phenotyping wheat seedlings of various varieties // IEEE 3rd International Conference on Problems of Informatics, Electronics and Radio Engineering (PIERE-2024): proceedings, Novosibirsk, 15–17 Nov. 2024. – IEEE, 2024. – P. 630–633.

Seroklinov G.V., Gunko A.V. Assessment of stress resistance of wheat varieties based on the cluster analysis of biopotential parameters // IOP Conference Series: Earth and Environmental Science. – 2021. – Vol. 848 (1). – P. 012183.

Application of data mining technologies for processing results of experimental studies / A.V. Goonko, G.V. Seroklinov, E.S. Devyatkin, F.S. Golubkov // 16 International Scientific and Technical Conference Actual Problems of Electronic Instrument Engineering (APEIE-2023): proceedings, Novosibirsk, 10–12 Nov. 2023. – IEEE, 2023. – P. 860–863. – DOI: 10.1109/APEIE59731.2023.10347609.