Применимость инструмента для анализа временных рядов StatFaRmer при цифровом фенотипировании сои (Glycine max)

Современные исследования в области агробиотехнологий все чаще опираются на методы автоматизированной фиксации и интерпретации морфофизиологических и спектральных характеристик растений – направление, известное как цифровое фенотипирование. Этот подход направлен на обнаружение устойчивых различий между генотипами, культивируемыми в неидентичных условиях среды. Ранее был предложен StatFaRmer – инструмент с открытым кодом, совершенствующийся в рамках настоящей работы для комплексного анализа временных фенотипических наборов данных, преимущественно ориентированный на изучение сельскохозяйственных культур, таких как соя (Glycine max). Разработанный инструмент реализует автоматизированные процедуры предобработки данных, включая синхронизацию временны’ х меток между образцами и устранение шумовых артефактов и выбросов. Эти функции особенно актуальны для многомесячных экспериментов, связанных с оценкой параметров роста, колебаний площади фотосинтетического аппарата или других биометрических показателей. Поддержка стандартизированных форматов данных (XLSX, CSV) обеспечивает совместимость с распространенными системами фенотипирования, упрощая кроссплатформенную интеграцию. Таким образом, инструмент может поддерживать интеграцию с популярными HTPP-платформами (например, Traitmill, HyperAIxpert, Plant Accelerator), что позволяет использовать данные, полученные из различных источников, в едином аналитическом конвейере. Для экспериментов с соей StatFaRmer предоставляет настраиваемый дисперсионный анализ (ANOVA) с визуализацией диагностических параметров (нормальность распределения, гомогенность дисперсий) и оценкой значимости эффектов между пользовательскими группами. Пример применения включает сравнение параметров роста 20 сортов сои в условиях контролируемого стресса: инструмент автоматически агрегировал данные с неравномерной частотой измерений (от 1 часа до 3  суток), идентифицировал аномалии в динамике удлинения гипокотиля и рассчитал статистическую значимость различий между группами (p < 0.01). Инструмент протестирован на масштабных наборах данных (более 2000 измерений на эксперимент). StatFaRmer реализован в виде веб-приложения на платформе Shiny с пошаговыми инструкциями для установки и запуска в ОС Windows и Linux. Все этапы обработки – от первичных данных до итоговых графиков – документируются, что обеспечивает прозрачность анализа и соответствие требованиям воспроизводимости исследований. Таким образом, StatFaRmer предлагает специализированное решение для статистической верификации гипотез в цифровом фенотипировании сои, сокращая время на подготовку данных и минимизируя риски ошибок при работе с нестационарными временными рядами.

1. Abebe A.M., Kim Y., Kim J., Kim S.L., Baek J. Image-based highthroughput phenotyping in horticultural crops. Plants. 2023;12(10): 2061. doi 10.3390/plants12102061

2. Anand K.J., Nagre S.P., Shrivastava M.K., Amrate P.K., Patel T., Katara V.K. Enhancing crop improvement through synergistic integration of advanced plant breeding and proximal remote sensing techniques: a review. Int J Plant Soil Sci. 2023;35(19):121-138. doi 10.9734/ijpss/2023/v35i193533

3. Atefi A., Ge Y., Pitla S., Schnable J. Robotic technologies for highthroughput plant phenotyping: contemporary reviews and future perspectives. Front Plant Sci. 2021;12:611940. doi 10.3389/fpls.2021.611940

4. Buelvas R.M., Adamchuk V.I., Lan J., Hoyos-Villegas V., Whitmore A., Stromvik M.V. Development of a quick-install rapid phenotyping system. Sensors (Basel). 2023;23(9):4253. doi 10.3390/s23094253

5. Coppens F., Wuyts N., Inzé D., Dhondt S. Unlocking the potential of plant phenotyping data through integration and data-driven approaches. Curr Opin Syst Biol. 2017;4:58-63. doi 10.1016/j.coisb.2017.07.002

6. Danilevicz M.F., Bayer P.E., Nestor B.J., Bennamoun M., Edwards D. Resources for image-based high-throughput phenotyping in crops and data sharing challenges. Plant Physiol. 2021;187(2):699-715. doi 10.1093/plphys/kiab301

7. Fasoula D., Ioannides I., Omirou M. Phenotyping and plant breeding: overcoming the barriers. Front Plant Sci. 2020;10:1713. doi 10.3389/fpls.2019.01713

8. Gill T., Gill S.K., Saini D., Chopra Y., de Koff J.P., Sandhu K. A comprehensive review of high throughput phenotyping and machine learning for plant stress phenotyping. Phenomics. 2022;2(3):156-183. doi 10.1007/s43657-022-00048-z

9. Gonzalez E.M., Zarei A., Hendler N., Simmons T., Zarei A., Demieville J., Strand R., … Swetnam T.L., Merchant N., Michelmore R.W., Lyons E., Pauli D. PhytoOracle: scalable, modular phenomics data processing pipelines. Front Plant Sci. 2023;14:1112973. doi 10.3389/fpls.2023.1112973

10. Gyan F., Cudjoe D., Sadeghi-Tehran P., Virlet N., Riche A., Castle M., Greche L., Mohareb F., Simms D., Mhada M., Hawkesford M. Machine learning methods for automatic segmentation of images of field- and glasshouse-based plants for high-throughput phenotyping. Plants. 2023;12(10):2035. doi 10.3390/plants12102035

11. Hartmann A., Czauderna T., Hoffmann R., Stein N., Schreiber F. HTPheno: an image analysis pipeline for high-throughput plant phenotyping. BMC Bioinformatics. 2011;12:148. doi 10.1186/1471-2105-12-148

12. HortControl – Plant Data Management Software. PHENOSPEX. URL: https://www.phenospex.com/products/plant-phenotyping/sciencehortcontrol-data-management-software/ (accessed 8.28.25)

13. Li D., Quan C., Song Z., Li X., Yu G., Li C., Muhammad A. Highthroughput plant phenotyping platform (HT3P) as a novel tool for estimating agronomic traits from the lab to the field. Front Bioeng Biotechnol. 2021;8:623705. doi 10.3389/fbioe.2020.623705

14. Li L., Hassan M.A., Song J., Xie Y., Rasheed A., Yang S., Li H., Liu P., Xia X., He Z., Xiao Y. UAV-based RGB imagery and ground measurements for high-throughput phenotyping of senescence and QTL mapping in bread wheat. Crop Sci. 2023;63(6):3292-3309. doi 10.1002/csc2.21086

15. Lu Y., Wang J., Fu L., Yu L., Liu Q. High-throughput and separatingfree phenotyping method for on-panicle rice grains based on deep learning. Front Plant Sci. 2023;14:1219584. doi 10.3389/fpls.2023.1219584

16. Morota G., Jarquín D., Campbell M.T., Iwata H. Statistical methods for the quantitative genetic analysis of high-throughput phenotyping data. In: Lorence A., Medina Jimenez K. (Eds) High-Throughput Plant Phenotyping. Methods in Molecular Biology. Vol. 2539. Humana, New York, 2019;269-296. doi 10.1007/978-1-0716-2537-8_21

17. Najafabadi M.Y., Heidari A., Rajcan I. AllInOne pre-processing: a comprehensive preprocessing framework in plant field phenotyping. SoftwareX. 2023;23:101464. doi 10.1016/j.softx.2023.101464

18. Ninomiya S. High-throughput field crop phenotyping: current status and challenges. Breed Sci. 2022;72(1):3-18. doi 10.1270/jsbbs.21069

19. Patel T., Babbar A., Behera K., Katara V.K., Anand K.J., Vyshnavi R.G., Pachori S., Bichewar N. Exploring the potential of proximal remote sensing in plant stress phenotyping: a comprehensive review. Int J Environ Clim Change. 2023;13(9):2602-2621. doi 10.9734/ijecc/2023/v13i92511

20. Rahaman M., Chen D., Gillani Z., Klukas C., Chen M. Advanced phenotyping and phenotype data analysis for the study of plant growth and development. Front Plant Sci. 2015;6:619. doi 10.3389/fpls.2015.00619

21. Sumner J. Longitudinal Growth Modeling Options [WWW Document]. 2025. URL: https://cran.r-project.org/web/packages/pcvr/vignettes/longitudinal.html (accessed 28.08.25)

22. Thrash T., Lee H., Baker R.L. A low‐cost high‐throughput phenotyping system for automatically quantifying foliar area and greenness. Appl Plant Sci. 2022;10(6):e11502. doi 10.1002/aps3.11502

23. Ubbens J., Stavness I., Pound M.P., Guo W. Deep learning in plant phenotyping: the first ten years. Plant Phenomics. 2025;7(4):100062. doi 10.1016/j.plaphe.2025.100062

24. Ulyanov D.S., Ulyanova A.A., Litvinov D., Kocheshkova A., Kroupina A.Yu., Syedina N.M., Voronezhskaya V.S., Vasilyev A.V., Karlov G.I., Divashuk M. StatFaRmer: cultivating insights with an advanced R shiny dashboard for digital phenotyping data analysis. Front Plant Sci. 2025;16:1475057. doi 10.3389/fpls.2025.1475057

25. Wang Z., Hao J., Shi X., Wang Q., Zhang W., Li F., Mur L.A.J., Han Y., Hou S., Han J., Sun Z. Integrating dynamic high-throughput phenotyping and genetic analysis to monitor growth variation in foxtail millet. Plant Methods. 2024;20(1):168. doi 10.1186/s13007-024-01295-z

26. Yang W., Feng H., Zhang X., Zhang J., Doonan J., Batchelor W., Xiong L., Yan J. Crop phenomics and high-throughput phenotyping: past decades, current challenges and future perspectives. Mol Plant. 2020;13(2):187-214. doi 10.1016/j.molp.2020.01.008

27. Yuan H., Song M., Liu Y., Xie Q., Cao W., Zhu Y., Ni J. Field phenotyping monitoring systems for high-throughput: a survey of enabling technologies, equipment, and research challenges. Agronomy. 2023; 13(11):2832. doi 10.3390/agronomy13112832