Background Plants, like all living organisms, metamorphose their bodies during their lifetime. All the developmental and growth events in a plant's life are connected to specific points in time, be it seed germination, seedling emergence, the appearance of the first leaf, heading, flowering, fruit ripening, wilting, or death. The onset of automated phenotyping methods has brought an explosion of such time-to-event data. Unfortunately, it has not been matched by an explosion of adequate data analysis methods. Results and discussion In this paper, we introduce the Bayesian approach towards time-to-event data in plant biology. As a model example, we use seedling emergence data of maize under control and stress conditions but the Bayesian approach is suitable for any time-to-event data (see the examples above). In the proposed framework, we are able to answer key questions regarding plant emergence such as these: (1) Do seedlings treated with compound A emerge earlier than the control seedlings? (2) What is the probability of compound A increasing seedling emergence by at least 5 percent? Conclusion Proper data analysis is a fundamental task of general interest in life sciences. Here, we present a novel method for the analysis of time-to-event data which is applicable to many plant developmental parameters measured in field or in laboratory conditions. In contrast to recent and classical approaches, our Bayesian computational method properly handles uncertainty in time-to-event data and it is capable to reliably answer questions that are difficult to address by classical methods.

中文翻译：

---

用于分析植物生物学中事件时间数据的贝叶斯方法。

背景与所有生物一样，植物在其一生中都会变形其身体。植物生命中的所有发育和生长事件都与特定的时间点相关，无论是种子发芽、出苗、第一片叶子的出现、抽穗、开花、果实成熟、枯萎或死亡。自动表型分析方法的出现带来了此类事件发生时间数据的爆炸式增长。不幸的是，它并没有与大量的数据分析方法相匹配。结果与讨论 在本文中，我们介绍了植物生物学中事件时间数据的贝叶斯方法。作为一个模型示例，我们使用玉米在控制和胁迫条件下的出苗数据，但贝叶斯方法适用于任何事件发生时间的数据（参见上面的示例）。在提议的框架中，我们能够回答有关植物出苗的关键问题，例如： (1) 用化合物 A 处理的幼苗是否比对照幼苗出苗早？(2) 化合物 A 使出苗率至少增加 5% 的概率是多少？结论 适当的数据分析是生命科学中普遍感兴趣的一项基本任务。在这里，我们提出了一种分析事件时间数据的新方法，该方法适用于在田间或实验室条件下测量的许多植物发育参数。与最近的和经典的方法相比，我们的贝叶斯计算方法可以正确处理事件时间数据中的不确定性，并且能够可靠地回答经典方法难以解决的问题。(1) 用化合物A处理的幼苗是否比对照幼苗出苗早？(2) 化合物 A 使出苗率至少增加 5% 的概率是多少？结论 适当的数据分析是生命科学中普遍感兴趣的一项基本任务。在这里，我们提出了一种分析事件时间数据的新方法，该方法适用于在田间或实验室条件下测量的许多植物发育参数。与最近的和经典的方法相比，我们的贝叶斯计算方法可以正确处理事件时间数据的不确定性，并且能够可靠地回答经典方法难以解决的问题。(1) 用化合物A处理的幼苗是否比对照幼苗出苗早？(2) 化合物 A 使出苗率至少增加 5% 的概率是多少？结论 适当的数据分析是生命科学中普遍感兴趣的一项基本任务。在这里，我们提出了一种分析事件时间数据的新方法，该方法适用于在田间或实验室条件下测量的许多植物发育参数。与最近的和经典的方法相比，我们的贝叶斯计算方法可以正确处理事件时间数据中的不确定性，并且能够可靠地回答经典方法难以解决的问题。