植物系统生物学:集成的系统研究,阐明生物过程的中心功能

在过去的几十年里,随着和泛化的高通量方法允许科学家解决生物问题的系统。因此,综合特征的植物反应可以进行,包括信息从转录组、蛋白质组和代谢组的概要文件。同时,信息化资源已经进化到满足科学家的要求分析和集成数据。在这种情况下,系统生物学已经成为学科集成方面在大规模的数据生成和分析。植物科学领域的系统性研究正在致力于了解植物如何在给定条件下的行为或情况。例如,在发育事件、应激反应、集成环境线索,或后果的突变分析。最近,大量的可用数据集社区允许基于人工智能的实现模型,训练模型来预测植物如何响应根据现有的知识。

尽管系统的实现技术研究植物生物学过程、巨大潜力提供系统性的解释还没有完全探索在大多数情况下。在这方面,系统生物学包括通用的策略整合复杂的数据集从co-expression和或co-regulation网络预测模型,有助于从整体视角和预测轨迹生成知识分子反应。重要的是,因为这些方法都是基于生物系统包括相互关联的事件的相互作用,影响当地的重新配置需要在整个植物体内平衡网络可以阐明。这一点是至关重要的在翻译时从模型植物作物生物技术策略,以避免潜在的权衡。

因此,采用高通量数据的系统性分析和建模是必要的适当的调查的植物生物反应频繁的环境因素或挑战,考虑到整个有机体。

本研究课题旨在为植物生物学家提供一系列的模范和高质量的研究,解决相关问题领域的植物生物学;使用多学科和先进的高通量分析方法和系统分析提供一般解释分子反应。

我们欢迎关注的贡献,但不限于,如下:

——反应物种间的比较分析
-解释的进化力量通过co-expression或粘住的事件
——示范的奇异重新组合压力反应相比,个人的压力
——说明大规模蛋白质相互作用的地图
——机器学习模型的精化或预测算法/机器学习应用程序

关键字:植物系统生物学、生物技术、高通量方法、转录组、蛋白质组、代谢组

重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。