TOP 7
● 動態根系生長和結構在養分限制條件下的反應
（Biotechnol. Adv. ,2014）
通過簡單介紹現有和正在開發的從實驗室到田間的根表型定量分析技術，從田間部分根剖面的量化到整個根系的三維重建。 最后，此文討論這些方法如何能夠并且應該與建模緊密相關以探索根本的現象。
不同植物根系的量化分析與三維重建
TOP 6
● 全基因組關聯分析和高分辨率表型分析：將水稻穗性狀與多性狀特異性QTL簇聯系起來
（Nat Commun,2016）
水稻穗結構是產量和品質育種的重要選擇目標。然而，由于與開花和亞群結構的相關性，穗表型難以測量，并且在遺傳作圖期間容易混淆。此文利用成像平臺PANorama量化了242個熱帶水稻種質中的49個穗型表型。這是第一個使用高分辨率表型分析平臺來評估田間種植材料的花序表型的研究。在此，作者為馴化的水稻建立了一個基因模型，提出了一個復雜的遺傳模型，以解釋穗特性，并證明穗粒大小和產量表現之間的微妙聯系。
PANorama表型分析平臺對水稻穗的分割
穗相關表型參數間的相關性分析
TOP 5
● 植物高通量脅迫表型的機器學習研究
（Trends Plant Sci,2016）
自動化和高通量成像技術的進步已經導致了植物高分辨率圖像和傳感器數據的大量涌現。 然而，從這個龐大的數據庫中提取模式和特征，需要使用機器學習（ML）工具來進行數據同化和特征識別以進行脅迫表型分析。
植物脅迫表型和植物育種活動的四個階段可以部署不同的ML方法即（i）識別，（ii）分類，（iii）量化和（iv）預測（ICQP），此文提供了ML工具的綜合概述和用戶友好的分類，使植物群體能夠正確、輕松地應用適當的ML工具，以及成為各種生物和非生物脅迫性狀的最佳實踐指南。