Plant Journal | 中国农业大学王向峰发表非监督机器学习算法综述

近日，中国农业大学分子设计育种前沿科学中心、国家玉米改良中心王向峰教授课题组在植物学国际主流学术期刊《The Plant Journal》在线发表了题为“Unsupervised and semi-supervised learning: the next frontier in machine learning for plant systems biology”的综述文章，对非监督机器学习算法的基本概念和类型、及其在植物系统生物学中的最新应用和进展进行了介绍。

机器学习是大数据和人工智能时代的核心技术。机器学习可以简单地划分为监督学习和非监督学习两大类。这里的非监督学指区分于监督学习的其它种类，包括无监督学习、半监督学习、自监督学习、迁移学习和强化学习等类型。监督学习需要依赖于大量的标注样本进行模型训练。然而，在很多时候，标注样本的获取成本高昂，甚至样本的标注根本无法获得。在这些情况下，训练机器学习模型则需要依赖于非监督学习算法。深度学习是机器学习的一个重要分支，同样可以分为监督学习和非监督学习类型，其中非监督学习尤其以自监督学习、迁移学习和强化学习等为代表。

图1 机器学习/非监督学习算法的主要类型

在植物系统生物学研究中，非监督学习算法已广泛用于多组学数据聚类、降维和可视化、分子调控网络推断、跨物种预测、单细胞组学研究和植物表型组学图像分析等领域。论文围绕上述各研究领域，对最新的非监督学习算法及其应用展开了系统综述，为植物研究领域不同应用场景中，在机器学习方法的选择方面提供了有价值的信息和参考。

图2 非监督学习算法在植物系统生物学中的应用

论文通讯作者为王向峰教授，第一作者为中国农业大学博士后闫军。工作得到了国家重点研发计划项目、海南崖州湾种子实验室、中央高校基本科研经费和中国农业大学2115人才培养计划等的资助。

作者简介：

王向峰教授主要应用人工智能与机器学习技术开发玉米全基因组选择辅助育种模型、基因组优化设计育种模型、基因型与环境互作模型；开发玉米田间数据统计分析与育种信息管理系统，以及各种大数据驱动的育种智能决策软件；开发玉米多组学数据关联分析算法、大规模种质资源基因挖掘工具，以及各类生物信息软件与数据库。研究方向主要利用组学大数据从事玉米杂交育种理论、玉米杂种优势遗传互作机制、玉米基因组驯化、玉米适应性演化机制等方面的工作。曾在Genome Biology, Science Bulletin, Briefings in Bioinformatics, Plant Cell, PNAS, Trends in Plant Science, Plant Journal, Molecular Plant等国际知名期刊发表论文60余篇。实验室网址：https://ibreeding.org/。

闫军博士主要从事生物信息学交叉学科研究。近年来，主要围绕植物系统生物学中的若干问题，通过机器学习、人工智能和多组学数据分析等手段开展大规模作物种质资源挖掘、全基因组选择模型和多组学数据分析方法和工具的研究。在Genome Biology, Molecular Plant, Bioinformatics, Plant Journal, GPB等期刊发表论文10余篇。

科研服务（合作招商）

植物科学最前沿，专注于植物科学前沿进展、资讯、招聘信息的发布及方法软件共享等。投稿及招聘请后台回复“投稿”，均为无偿；商务合作请联系微信ID：zwkxqy ；

​Plant Journal | 中国农业大学王向峰发表非监督机器学习算法综述

Plant Journal | 中国农业大学王向峰发表非监督机器学习算法综述