“基因编辑 AI育种”，两大前沿技术融合能将作物育种成本降低90%(3)

细胞分子的数据往往可以用“组学”的数据来描述，比如基因组学、表观基因组学、蛋白质组学、转录组学、代谢组学等。
这些数据的规模非常大，并且十分复杂。因此，机器学习经常被研究人员用于这些数据的分析和解释，它在提高我们对植物生物学的理解方面的作用日益突出。

细胞生化的相关数据可以通过各类“组学”（基因组学、转录组学、蛋白质组学、代谢组学）方式来表述，AI可以用于分析这些不同层次和不同目标的数据
从宏观表现上来看，机器学习又能做什么？
以前，在宏观尺度上收集表型数据主要是借助人力，需要研究人员来测量不同的表型，但是人工测量的速度和精确度有限，这严重影响了实验数据的数量和质量。
目前，传感器可以测量一些环境参数和植物形状参数，比如重量、温度、水分、光照、湿度和气体浓度等。
但传感器只能测量空间上的一个点的数据，并不能描述植物表型中的形态特征，而这些特征对研究植物表型非常重要。
此外，虽然人工设计的图像处理方法已经被开发出来，并取得了一些成功。但想要测量更复杂的形态性状，就突破了人工方法能达到的极限，尤其是遇到植物比较复杂或存在噪声的情况，人工的方法十分困难。
这时候就需要AI出马了。
不同的宏观水平数据可以适用不同的传感器进行成像，研究人员借助AI可以对这些成像数据进行系统、全面的分析。

利用不同类型的传感器可以描述植物表型，观察到宏观上不同层面的植物形状。机器学习可以用于处理处理传感器成像数据，分析各种层面的植物表型特征