Характеристики лж ж3: Обзор смартфона LG G3

LG G3: обзор смартфона (видео и фото), параметры и технические характеристики

Я могу назвать себя таким старым, что я помню, когда у LG по части смартфонов все было очень средненько, а сейчас все прям радужно и перспективно. И это не случилось в одно мгновение, этому предшествовали многие удачные модели. Дело в том, что даже у производителя, который делает очень посредственные устройства, время от времени получается что-то дельное. Но, чаще всего, на этом все заканчивается. LG же начали расти, как мне кажется, с модели Nexus 4. В тот момент многие отнеслись скептически к смене производителя эталонной линейки смартфонов на Android, но Nexus 4 вышел очень хорошим и он до сих пор невероятно стильный.

После него были Optimus G, Optimus G Pro, G2, G Pro 2, удачная линейка L и другие. В общем, стратегия была выбрана верно и сегодня, после старта продаж нового флагманского смартфона G3, в некоторых странах он продается лучше, чем самые сильные этого рынка. А все потому, что LG не старается балансировать на грани, выпуская вроде бы и флагманы, но не стараясь сделать что-то необычное.

LG хотели и сделали, как G2, так и G3 во многом уникальными. В этом случае мы получили 2К-дисплей (QHD), причем, LG выпустили смартфон с ним первыми, среди A-брендов. Кому это нужно – это уже второй вопрос. Также, существенно изменилась система фокусировки, в новинке не просто софтверные улучшения, а ИК-датчик, который фокусируется практически мгновенно. А еще, G3 – один из, вроде бы, трех смартфонов на рынке, которые можно приобрести с 3 ГБ ОЗУ.

Дизайн и эргономичность

Начну с корпуса. Он, как и во втором поколении, пластиковый. Не знаю, зачем, но производитель делает акцент на том, что пластик тут имитирует метал. Поверх обычного пластика нанесено несколько слоев, включая последний – ребристый. Но, по факту, это именно пластик, а всякого рода имитации мы видим постоянно, так что я не совсем понял, зачем заострять внимание на такой мелочи. Единственное – именно эта фактура пластика заставила многих рассуждать, будет ли смартфон металлическим, после того, как в интернете засветились его первые фотографии.

Корпус теперь разбирается, хотя, если постараться, разобрать можно и G2. Однако, несмотря на это, сборка, как мне кажется, стала даже более качественной. Мой G2 был монолитным и претензий к нему не было вообще, однако, многие жаловались на скрипы и люфты. В G3 этого нет. Я крутил смартфон, сдавливал и испытывал на жесткость и ничего плохого сказать не могу. В отличие от того же монолитного Z2 от Sony, G3 не гнется при аналогичных усилиях. Также радует, что пластик не такой глянцевый, как в предшественнике и не так собирает отпечатки пальцев. Держать в руках его намного приятнее.

LG едва ли не единственные продолжили тенденцию уменьшения рамок вокруг дисплея. В этом году SGS5 и HTC One M8 поднабрали, что некоторым не понравилось. В G3 площадь дисплея занимает 72% лицевой стороны, что много. Рамок по бокам практически нет и это бросается в глаза. Как и ранее, такого результата удалось добиться переносом клавиш управления громкостью и блокировкой дисплея с боковых сторон на заднюю.

Сзади, как и в G2, размещена клавиша регулировки громкости, внутри которой кнопка блокировки дисплея с светодиодом. Зажатие нижней запускает камеру из заблокированного состояния, верхней – QuickMemo. Радует, что есть возможность перенастроить эту клавишу. Также сзади 13 МП основная камера, вспышка и ИК-датчик для быстрой фокусировки. Внизу задней крышки есть прорезь для динамика, который звучит весьма средненько на фоне конкурентов. Особенно, если сравнивать с Sony Xperia Z2 и HTC One первого и второго поколений.

Под задней крышкой разместился аккумулятор, слот для карты памяти и для СИМ-карты. К слову, в задней крышке G3 встроен модуль беспроводной зарядки Qi-стандарта, а смартфон при этом весьма тонкий – 8,8 мм.

Кстати да, в новом поколении, в отличие от G2, вы можете заменить аккумулятор на ходу, добавить памяти, если встроенной не хватает и заменить крышку, если она поцарапалась. Практично.

На лицевой стороне – 5,5″ дисплей, разговорный динамик, фронтальная 2,1 МП камера и логотип производителя снизу.

На верхней грани – ИК-порт и микрофон для шумоподавления, на нижней – разъемы для гарнитуры и для кабеля MicroUSB.

В корпусе меня порадовало практически все: дизайн привлекательный, сборка качественная, никуда не делся ИК-порт для управления техникой, к тому же, теперь можно вставить карту памяти. К сожалению, G3 не обзавелся разве что защитой от влаги, как SGS5 и Z2, это было бы очень кстати.

Дисплей

По сравнению с G2 дисплей вырос, с 5,2″ до 5,46″. Кроме этого, возросло и разрешение – до QHD (2560х1440). При таких диагонали и разрешении, плотность пикселей составляет невероятные 538 ppi. И теперь, внимание, вопрос: «Зачем?» Не то, что бы я был старомоден или боялся изменений, но я не вижу ни одного повода делать разрешение более, чем Full HD на такой диагонали. Для планшетов оно более, чем понятное, но в смартфоне, мне кажется, это только удорожание и увеличение потребления энергии. На презентации LG показывали, как пиксели становятся различимы при увеличении конкретного участка экрана, но ведь человеческий глаз не способен зумировать картинку, а при рассмотрении изображения с максимально близкого расстояния, пикселей не видно и при плотности в 440 точек на дюйм.

Ну да лано, главное, что LG сделали такой дисплей первыми, среди A-брендов.

Но для меня главным было другое, как дисплей ведет себя под различными углами. И, к счастью, он не перенял проблем G2 и Nexus 5 – черный стал намного более насыщенным, а углы обзора практически максимальными. Исключая AMOLED-матрицы, у которых они априори таковые, лучше только у HTC One. То есть, по всем параметрам, которые отчетливо видны на глаз и влияют на впечатления от использования, дисплей G3 стал качественно лучше. Говоря про яркость, она не самая максимальная, среди конкурентов, но для пользования устройством даже в солнечный день хватает – информация различима. А вот неприятный момент – излишняя программная резкость текста, которая выражается в светлых контурах вокруг шрифтов, мне она не мешала читать с дисплея, однако кажется, что с матрицей что-то не так. Хорошо, что такой эффект наблюдается только в тексте, возможно, его уберут.

Камера

Матрица изменилась не существенно, разрешение осталось прежним – 13 МП, а размер – 1/3.

06”. И фронтальная, и основная камеры произведены Sony. Светосила обоих далеко не лучшая в классе – 2,4. А теперь о хорошем. Для начала, модуль оптической стабилизации усовершенствовали и назвали OIS+. Теперь изображение стабилизируется на 20% лучше. На глаз не сказал бы, что заметно. А вот то, что заметно сразу – улучшенная фокусировка. Заявленное время фокусировки сопоставимо с некоторыми другими смартфонами на рынке – 0,267 сек. Однако, тут этот показатель максимально соответствует действительности, потому что фокусировка производится при помощи ИК-сенсора, размещенного возле камеры.

Когда вы находитесь в режиме камеры, вы то и дело видите, как срабатывают точки фокуса на различных объектах. Такое впечатление, что это происходит мгновенно. А для получения снимка нужно просто дотронуться до экрана. Но важна не столько скорость фокусировки, сколько ее безошибочность – фокус никогда не промахивается.

Качество получаемых снимков очень приличное. Не могу сказать, что лучшее, но с SGS5 практически на одном уровне. А при недостаточном освещении G3 ведет себя даже лучше, причем, как с качеством изображения, так и с фокусировкой.

Примеры фото

Видео пишется в максимальном разрешении 4К (3840х2160 точек) с частотой кадров 30 в секунду. Есть возможность записывать SloMo-ролики в HD разрешении с частотой 120 кадров в секунду. К сожалению, складывается впечатление, что последний режим работает не совсем корректно, потому что реальное разрешение меньше, хотя в свойствах и отображается 1280х720 точек. Надеюсь, поправят.

Примеры видео

720p, 120 fps

1080p

4k

В целом, камерой я остался доволен. Единственное, что не порадует павер-юзеров, в интерфейсе камеры поубавилось всевозможных ручных настроек, теперь тут все максимально просто. Прям, как в iPhone. Ну, почти.

Технические характеристики и ПО

Если в G2 все было в порядке по части железа, а софт нередко подводил, то в новинке поправили все. Немного апгрейднули хардвер и сильно допилили все ПО. Многие ждали, что процессор в новинке будет новый — Snapdragon 805, однако, тут установлен, хоть и тоже свежий, но 801-й c 330 Adreno. Чем это плохо? Вроде ничем. В теории казалось, что процессор будет поднапрягаться в тяжелых играх, типа MC4, ведь разрешение дисплея огромное, но этоuо не произошло. Интерфейс также работает быстро, в целом, вопросов не возникало. Единственное – нагрев, его никуда не дели. Смартфон до сих пор зачастую не дает поднять яркость дисплея на максимум по причине перегрева.

Внешне это не так заметно, но смартфону виднее. Оперативной памяти – 2 ГБ, если в смартфоне 16 ГБ накопителя, и 3 ГБ, если в нем 32. Есть слот для карты памяти Micro SD.

Емкость аккумулятора — 3000 мАч. Автономность в смартфоне хорошая, если говорить в общем, но по факту, смартфона с хорошей автономностью на рынке нет. Или почти нет, я таких не видел. Последние несколько дней я много передвигаюсь пешком и планирую маршрут в Google Maps, ни одно устройство, даже включая iPad, не проживает дня. Однако, если использовать его как телефон: звонить, писать сообщения и почту, иногда перечитывать социалки, делать несколько фото/фидео в день и такое прочее, он продержится целый день и к вечеру останется еще процентов 30 заряда.

• Размеры: 146,3 х 74,6 х 8,95 мм.
• Вес: 150 г.
• Операционная система: Android 4.4.2 KitKat.
• Процессор: четырехъядерный, Qualcomm Snapdragon 801 (MSM8974), 2,5 ГГц
• Графика: Adreno 330.
• Дисплей: IPS, 5,5″, 2560 × 1440 точек, 538 ppi
• Память: 16/32 ГБ флеш, слот для карт памяти MicroSD
• ОЗУ: 2/3 ГБ.
• Камера: основная — 13 МП, запись видео до 4k, 30 к/с, фронтальная — 2,1 МП.
• Беспроводные технологии: Wi-Fi, Bluetooth 4,0.
• Интерфейсные разъёмы: 3,5-мм гнездо для наушников, Micro USB.
• Аккумулятор: Li-Pol аккумулятор 3000 мАч.

Как я и говорил, софт доработали. Тут установлена практически самая свежая версия ОС Android – 4.4.2, поверх которого фирменный интерфейс LG, который стал более плоским. Его дизайн стал куда более приятным, видно, что над ним, по крайней мере, трудился дизайнер. Все выдержанно в одном стиле, нет явно выбивающихся из дизайна менюшек или стандартных приложений. Более того, есть определенные концепции, соблюденные во всех предустановленных приложениях. К примеру, все они имеют разные цветовые темы, сделано это для того, чтобы, спустя время, пользователь визуально ориентировался, в каком приложении он находится. Сохранились фирменные фишки, как Knock Code, LG Backup, помощник по безопасности и другое. Но появились и новые решения. К примеру, клавиатура имеет умные предугадывания и создана таким образом, чтобы вам не приходилось отрывать большие пальцы от поля ввода. Также вы можете менять высоту клавиатурного блока. Появилось несколько новых сервисов, как Smart Notice, который будет оповещать вас обо всяких событиях, как Google Now, есть LG Health, Smart Tips, который дает умные советы, при использовании и другое. Минус в этом всем только один – подлагивания до сих пор случаются. К примеру, в приложении звонилки, иногда при простом скроллинге и так далее.

 

Вывод

Несмотря на то, что у многих гиков ожидания от G3 были немного завышенными, его ждали с процессором Snapdragon 805 и графикой Adreno 420, с бОльшим аккумулятором, ходили слухи, что и в защищенном от влаги корпусе. Тем не менее, G3 в том виде, котором выпущен, по многим параметрам опережает конкурирующие решения, а производительности, как я понял за время использования, ему хватает. Чего действительно хотелось бы – большей емкости АКБ и защиту ip67. Но G3 сегодня один из лучших смартфонов на рынке. Не даром теперь и презентацию нового флагмана LG ждут, обсуждают слухи, а после анонса ходит столько положительных отзывов.

Видеообзор LG G3

Обзор смартфона LG G3 — ITC.ua

LG G3 – новый флагман производителя и первый глобальный смартфон с QHD-экраном. Следуя мировым тенденциям, смартфон получил дисплей большей диагонали, новую аппаратную платформу, обновленный интерфейс, камеру со сверхбыстрой фокусировкой и оптической стабилизацией, а также фирменные черты в виде блока клавиш на тыльной стороне корпуса, необычную фактуру пластика и функцию разблокировки экрана Knock Code. На прилавках магазинов смартфон появится на следующей неделе по цене 7999 грн, а пока продажи не начались, мы предлагаем нашим читателям ознакомиться с обзором новинки и понять, насколько она оправдывает ваши ожидания, а также узнать, какие у нее есть плюсы и минусы.

Оглавление

• 1 Комплектация
• 2 Дизайн и эргономичность
• 3 Операционная система и оболочка
• 4 Аппаратная платформа
  • • • • 4.0.0.0.1 В режиме чтения отключены все беспроводные коммуникации, включая передачу данных в мобильной сети, а яркость дисплея установлена на 200 кд/м2. При прослушивании музыки работала автоматическая синхронизация данных, передача данных. Громкость звука в наушниках на 12 из 15 возможных уровней. Все музыкальные файлы в формате MP3, битрейт 320 Кбит/с. Навигация включает в себя прокладку маршрута в приложении Google Навигация. Яркость выставлена на 200 кд/м2, все коммуникационные модули передачи данных отключены. При воспроизведении видео активна передача данных в мобильной сети, яркость дисплея установлена на 200 кд/м2, громкость звука в наушниках на 12 уровне из возможных 15. Формат видеофайла MKV, разрешение 1024х432 точек, частота кадров 24. Воспроизведение видео с Youtube сопровождалось не только работой в сети Wi-Fi, но и активной передачей данных. Яркость дисплея установлена на 200 кд/м2, громкость звука в наушниках на 12 из 15 возможных уровней. * — данные полученные а аналогичных условиях, но при яркости установленной на 50% и возможных Ознакомиться с методикой тестирования можно в этом материале
• 5 Дисплей
• 6 Камеры
• 7 Итоги

Комплектация

Смартфон поставляется в небольшой картонной упаковке. Без лишней скромности производитель указывает на награды полученные смартфоном от международных ассоциаций, по достоинству оценивших дизайн LG G3.

На тыльной стороне присутствуют основные технические характеристики устройства.

Цвет обозреваемого смартфона называется Titan. Внутри упаковки мы обнаружили сетевое зарядное устройство на 1,8А, USB-кабель, аккумулятор на 3000 мА*ч и инструкцию. Напомним, что компания LG уже несколько лет не комплектует свои устройства гарнитурами.

Дизайн и эргономичность

Вопреки здравому смыслу, гонка производительности затрагивает теперь не только аппаратную платформу, количество мегапикселей, но и диагональ экрана. Не стал исключением и флагман LG. Новинка получила 5,46-дюймовый экран с разрешением QHD (2560х1440 точек). После LG G2, LG G3 вполне ожидаемо выглядит и ощущается больше. Казалось бы какие-то миллиметры, а ощущения совершенно другие. Когда после G3 берешь в руки G2, последний кажется миниатюрным. Тем не менее, эргономичность G3 продумана до мельчайших деталей. Тыльная сторона по мере приближения к боковинам закругляется, что делает корпус более обтекаемым и удобным. К тому же ширина корпуса все ещё находится в рамках допустимой, позволяя управлять смартфоном одной рукой. Например, набрать номер телефона или текстовое сообщение можно не перехватывая корпус. Чтобы получить представление о габаритах новинки, предлагаем взглянуть на сравнительную таблицу.

Сравнение габаритов смартфонов с 5,2-5,5-дюймовыми экранами
Параметр/Устройство	LG G3	LG Optimus G Pro	LG G2	Lenovo Vibe Z	Huawei Honor 3X
Экран, диагональ	5,46″	5,5″	5,2″	5,5″	5,5″
Аккумулятор, мА*ч	3000	3140	3000	3050	3000
Длина, мм	146,3	150,2	138,5	149	150
Ширина, мм	74,6	76,1	70,9	77	77
Толщина, мм	8,9	9,4	8,9	7,9	9
Вес, г	149	172	143	147	162

Как видим, LG G3 обладает самым компактным корпусом, даже на фоне LG Optimus G Pro, который в свое время тоже был одним из самых компактных устройств в данном форм-факторе. Производителю удалось не только максимально уменьшить габариты, но и удержать вес в символических «до 150 г». С ним тоже возникают определенные ассоциации. Когда берешь в руки Lenovo Vibe Z, кажется, что в нем нет аккумулятора. С LG G3 таких ощущений нет, хотя разница между устройствами в несущественные 2 г.

Еще один мировой тренд – использование в качестве материала для тыльной части корпуса особого пластика и/или узора/фактуры. В LG все начиналось с переливающихся узоров, а дошло до имитации металла. Стоит заметить, что фактура под шлифованный алюминий нисколько не портит впечатления от G3, скорее наоборот. Во-первых, это делает корпус не таким глянцевым, как у LG G2. Во-вторых, пластик намного практичней – он гибкий и более устойчивый к механическим повреждениям. В-третьих, он обладает более низкой теплопроводностью, из-за чего при нагрузке корпус не ощущается таким горячим, как в случае с металлом.

После всего выше написанного перейдем к описанию управляющих элементов смартфона. Фронтальная часть защищена закаленным стеклом Gorilla Glass 3. Слева от сетки динамика расположены датчики приближения и освещения, 2 Мп камера и индикатор событий. Под экраном можно увидеть тисненый логотип производителя, нанесенный на фактурный пластик с центрическими кругами. Боковая рамка слегка возвышается над стеклом. Для придания корпусу обтекаемой формы, рамка сужается по мере приближения к стеклу.

Переднюю и тыльную стороны разделяет пластиковая рамка немного более светлая, нежели остальные части корпуса. По бокам ее толщина минимальная, тогда как на торцах она увеличивается. Именно на ней находятся прорези под разъемы и отверстия. Среди таковых на верхнем торце – глазок ИК-передатчика и микрофон, на нижнем торце – разъем Micro-USB, гнездо для наушников и основной микрофон.

О дизайне и материале, из которого изготовлена тыльная часть корпуса мы уже говорили. Теперь расскажем о том, что расположено на ней. По центру красуется еще один логотип производителя, внизу можно увидеть отверстие динамика, а вверху – блок клавиш Rear Keys, объектив камеры, ИК-подсветку автофокуса и двойную вспышку. Объектив имеет поляризационный фильтр, что хорошо видно при взгляде под углом, когда из прозрачного он приобретает фиолетовый оттенок.

Смартфон LG G3 получил разборный корпус, чего не было во флагманах производителя со времен LG Optimus 4x HD. Под съемной крышкой находятся слоты для карт памяти и SIM, а также аккумулятор. На внутренней стороне крышки расположена NFC-антенна и индукционная катушка для беспроводной зарядки стандарта Qi.

Качество сборки высокое. Корпус не скрипит и не поддается кручению даже при прикладывании значительного усилия. Создается впечатление монолитности конструкции, что на руку смартфону, ведь новинка не из дешевых.

Операционная система и оболочка

Смартфон работает на знакомой по другим моделям LG операционной системе Android 4.4.2 с обновленной фирменной оболочкой. Похоже, название новой оболочке пока не придумали.

Графический интерфейс был практически полностью переработан, чему не в последнюю очередь способствовал еще один мировой тренд – мода на все плоское, выполненное в спокойных тонах. Чтобы понять, о чем идет речь, предлагаем посмотреть ролик.

С одной стороны может показаться, что в новой оболочке изменения коснулись исключительно дизайна графических элементов, на самом же деле это не так, изменения более глубокие и чтобы заметить их, нужно сравнить с LG G2.

 

В новом GUI (Graphic User Interface) заменили эффекты при разблокировке экрана, фоновые заставки, перерисовали переключатели в панели уведомлений, изменили меню с настройками, добавили несколько новых пунктов, упростили интерфейс видоискателя и многое другое. Оценивая изменения в общем, нельзя не заметить положительную тенденцию в уходе от броских и «тяжелых» графических элементов в сторону более спокойных и легких. К сожалению, это не сделало оболочку более легкой в плане занимаемого объема оперативной памяти и в плане плавности анимации. Довольно часто при листании окон рабочего стола можно заметить подтормаживания. По всей видимости, сказывается недостаточная оптимизация со стороны программистов, что, по идее, должно быть устранено с выходом обновлений ПО.

Аппаратная платформа

Смартфон базируется на актуальной (на момент выхода на рынок) аппаратной платформе компании Qualcomm семейства Snapdragon 801 – MSM8974AC. Изготовленная по 28-нм техпроцессу однокристальная система содержит четыре ядра Krait 400 работающих на тактовой частоте от 300 МГц до 2,46 ГГц, и графическое ядро Adreno 330 работающее на частоте 578 МГц. Рассматриваемый смартфон (LG D855) поддерживает следующие частоты: четыре диапазона GSM и WCDMA частот, а также LTE-сети 700/800/900/1800/2100/2300 и 2600 МГц. Кроме того, наша модель получила 2 ГБ оперативной и 16 ГБ постоянной памяти. Существует еще одна комплектация с 3 ГБ ОЗУ и 32 ПЗУ. Обе имеют слот для карт памяти microSD (максимальный поддерживаемый объем памяти равен 128 ГБ).

Компания LG пока не имеет конкретных планов по продаже второй версии смартфона в Украине, но как показывает практика (например, LG G2, который сначала появился с 16 ГБ накопителем, а позже стала доступна 32 ГБ версия), это почти наверняка произойдет через несколько месяцев после начала продаж текущей версии. Кстати, продажи начнутся уже через неделю, что на месяц раньше чем ожидалось.

Производительность Snapdragon 801 выше Snapdragon 800 лишь за счет более высокой тактовой частоты процессорных и графических ядер, поэтому можно было ожидать небольшого прироста в синтетических тестах. На деле все оказалось иначе, и виной тому почти вдвое более высокое разрешение экрана LG G3 чем, например, у того же LG G Pro 2 или LG G2. Стоит ли расстраиваться по этому поводу? Наверняка, если вы гик, гоняющийся за показателями в бенмарках. Для тех, кто не обращает на них внимания или вообще не знает, для чего они нужны, можно жить спокойно – смартфон без заминки справляется с любой задачей, будь-то игра или видео высокого качества. У нас пока не было возможности проверить отличия в производительности между 2 ГБ и 3 ГБ версиями, но по имеющейся информации, ее должно быть достаточно для первой из упомянутых категорий потенциальных покупателей G3 – гиков, разница составляет около 10%, что можно считать весьма существенным отличием.

С проигрыванием видео все как обычно для смартфонов LG, то есть, поддерживаются все тестовые файлы, включая звук AC3. Дорожки DTS плеер не воспроизводит, для этого придется использовать сторонний плеер. Файловая система позволяет загружать видео размером более 4 ГБ. В новой оболочке убрали отдельное приложение для просмотра видео, теперь для этого используется «Галерея», в которой нужно выбрать соответствующую закладку. При просмотре доступна регулировка яркости, включение субтитров, выбор звуковой дорожки, скорость проигрывания. Смотреть видео можно как из смартфона, так и экрана телевизора. Для этого G3 наделили поддержкой SlimPort, Miracast и DLNA. Громкость звука высокая, хотя на максимуме не возникает дискомфорта или желания её снизить. Качество должно удовлетворить большинство пользователей.

Воспроизведение видеофайлов

Кодек\Название	UltraHD4K.mp4	Neudergimie.mkv	GranTurismo. mp4	Spartacus.mkv	ParallelUniverse.avi
Видео	MPEG4 Video (h364) 3840×2160 29.92fps, 19,4 Mbit/s	MPEG4 Video (h364) 1920×816 23.98fps, 10,1Mbit/s	MPEG4 Video (h364) 1920×1080 60fps, 19,7Mbit/s, 20 Mbit/s	MPEG4 Video (h364) 1280×720 29.97fps, 1,8 Mbit/s	MPEG4 Video (h364) 1280×536 24.00fps 2,8 Mbit/s
Аудио	AAC 44100Hz stereo 124kbps	MPEG Audio Layer 3 44100Hz stereo	AAC 48000Hz stereo 48kbps	Dolby AC3 44100Hz stereo	MPEG Audio Layer 3 44100Hz stereo 256kbps

Плеер\MXVideoPlayer	UltraHD4K.mp4	Neudergimie.mkv	GranTurismo.mp4	Spartacus.mkv	ParallelUniverse.avi
Видео	Да/Да	Да/Да	Да/Да	Да/Да	Да/Да
Аудио	Да/Да	Да/Да	Да/Да	Да/Да	Да/Да

Музыкальный проигрыватель остался без изменений. В нем все так же можно воспроизводить всю медиатеку или выбирать по жанрам, альбомам, папкам. В настройках присутствует несколько предустановленных эквалайзеров и возможность ручных настроек. Кроме того можно задавать тональность и скорость проигрывания. Плеер воспроизводит файлы FLAC. Громкость звука аналогична той, что и при просмотре видео, то есть, ее достаточно даже для таких шумных мест, как метро. Качество звучания отличное.

Громкость разговорного динамика достаточная для общения в шумных местах. В настройках можно включить улучшение (разборчивость) голоса (актуально для шумных мест). Записывать разговор нельзя. К передаче речи в оба конца претензий не возникло. Громкость мультимедийного динамика тоже высокая, заявленная мощность динамика 1 Вт в обычном режиме и 1,5 Вт при временном повышении громкости, например, мелодия вызова в шумной обстановке.

Скорость поиска GPS-спутников высокая, скорость обмена данными в Wi-Fi-сети близка к максимально возможной. Качество приема Wi-Fi-сигнала хорошее и не зависит от того, как вы держите устройство, горизонтально или вертикально. Заметим, что LG G3 – первое устройство со съемной крышкой, которое «из коробки» поддерживает беспроводную зарядку Qi-стандарта, причем наличие такой возможности нисколько не отразилось на габаритах модели, разве что вес мог быть на один-два грамма меньше.

Один из главных вопросов волновавших автора этих строк при знакомстве с LG G3 касался его автономности. Для людей активно интересующихся миром смартфонов и меняющих устройства с выходом очередной интересной новинки не секрет, что аккумулятора на 3000 мА*ч для устройства с 5,5-дюймовым экраном может быть недостаточно. Недостаточно для того, чтобы на протяжении дня не волноваться о том, что к вечеру ваш любимец попросится на зарядку. К хорошему нас приучили LG G2, LG Optimus G Pro и некоторые модели других производителей. Любознательные пользователи ожидали увидеть в G3 аккумулятор емкостью 3200-3500 мА*ч, а оказалось, что он будет довольствоваться той же емкостью, что и предшественник. А ведь экран, стало быть, и энергопотребление, увеличились. В LG говорят о новой технологии аккумулятора, что делает его более энергоэффективным, чем в других устройствах, но мы хорошо знаем, что верить можно далеко не всем словам, иногда пока не проверишь сам, не поверишь. Так получилось и с LG G3. В условиях типичной для автора эксплуатации его хватает процентов на 10-20% меньше, чем LG G2. Тем не менее, не было случая, когда смартфон пришлось бы заряжать ещё до конца дня, не говоря уже о рабочем дне. То есть, пользователи могут рассчитывать на один день работы при относительно активном использовании, куда входит работа в 3G и Wi-Fi-сетях, синхронизация двух учетных записей Google, GPS для работы приложения LG Health, автоматическая яркость на уровне 75%, чтение новостей из социальных сетей и т.д. В отличие от других производителей, LG упорно игнорирует возможность оптимизации работы системы путем уменьшения тактовой частоты процессора и других параметров, влияющих на энергопотребление. Вполне возможно, что при наличии таких режимов, можно было бы увеличить время работы на 10-20%.

В тестовых приложениях LG G3 показал неплохие, как для флагмана результаты. В Antutu Tester 396 баллов (на ART) и 400 баллов на Dalvik. В GFXBench результаты немного ниже, 140 минут работы (ART). В двухчасовых тестах время работы ниже среднего, например тот же Lenovo Vibe Z демонстрирует на 50% до 90% более высокие показатели.
Чтобы исключить погрешность, вместо стандартных двух часов проигрывания музыки мы заставили смартфон «играть» 10 часов. За этот промежуток времени батарея потеряла 17% заряда. В графе «Навигация» стоит прочерк. Причиной этому стали постоянные вылеты приложения спустя 45-50 минут работы. Интересно, что в процессе теста смартфон не перегревался и работал в точно таком же режиме, как и другие тестовые устройства. Увы, он так ни разу и не смог его пройти. Зарядка с 4% до 94% комплектным адаптером занимает два часа.

Показатели времени работы
Режим\Устройство	LG G3 (ART)	Lenovo Vibe Z	LG Optimus G Pro*	HTC One (M8)*	Samsung Galaxy S5*
Музыка	58:49	100:00	40:00	66:40	40:00
Чтение	8:42	11:26	8:20	20:00	25:00
Навигация	—	8:00	7:25	8:20	11:44
Просмотр HD-видео	7:02	13:20	7:14	12:30	—
Просмотр HD-видео с Youtube	6:04	9:31	7:42	11:07	—
Antutu Tester	2:43	2:46	3:57	2:05	—
GFXBench	2:20	3:50	—	2:49	—
GFXBench (баллы)	634 (11,3 fps)	1285 (23 fps)	—	1389 (24,8 fps)	—

В режиме чтения отключены все беспроводные коммуникации, включая передачу данных в мобильной сети, а яркость дисплея установлена на 200 кд/м2. При прослушивании музыки работала автоматическая синхронизация данных, передача данных. Громкость звука в наушниках на 12 из 15 возможных уровней. Все музыкальные файлы в формате MP3, битрейт 320 Кбит/с. Навигация включает в себя прокладку маршрута в приложении Google Навигация. Яркость выставлена на 200 кд/м2, все коммуникационные модули передачи данных отключены. При воспроизведении видео активна передача данных в мобильной сети, яркость дисплея установлена на 200 кд/м2, громкость звука в наушниках на 12 уровне из возможных 15. Формат видеофайла MKV, разрешение 1024х432 точек, частота кадров 24. Воспроизведение видео с Youtube сопровождалось не только работой в сети Wi-Fi, но и активной передачей данных. Яркость дисплея установлена на 200 кд/м2, громкость звука в наушниках на 12 из 15 возможных уровней.
* — данные полученные а аналогичных условиях, но при яркости установленной на 50% и возможных
Ознакомиться с методикой тестирования можно в этом материале

Дисплей

Смартфон LG G3 стал первым глобальным устройством получившим 5,46-дюймовый экран с разрешением 2560х1440 точек (538 PPI). В то время, когда на рынке еще множество устройств с HD-экранами, LG начинает продвигать в широкие массы QHD-экраны. Используемая матрица изготовлена по технологии IPS. Между экраном и сенсорным стеклом отсутствует воздушная прослойка, что делает изображение ярче, а углы обзора шире. В отличие от экрана LG G2, при взгляде с углов экран не желтит/синит. По всей видимости, используется иной поляризационный фильтр.

Смартфон не может похвастаться наличием отдельных настроек повышающих чувствительность сенсора, но ему это и так ни к чему, поскольку такая возможность реализована в нем изначально.

Показатели яркости экрана находятся в пределах от 8,3 кд/м² до 373,6 кд/м². Максимальное значение могло бы быть и выше, но это не значит, что его недостаточно для комфортной работы в яркий солнечный день. Например, это же значение в смартфонах Huawei Ascend P7, Huawei Honor 3X, Lenovo Vibe Z, LG G Pro 2, LG G Flex следующее 401 кд/м², 385,2 кд/м², 301 кд/м², 368,3 кд/м², 318 кд/м². Справедливости ради стоит заметить, что на рынке немало смартфонов с яркостью около 500 кд/м² и выше, что, конечно же, лучше, чем максимальное значение G3. Что касается минимальной яркости, то тут LG G3 выглядит вполне достойно, если сравнить с уже перечисленными смартфонами, это значение будет выглядеть следующим образом – 10 кд/м², 12,7 кд/м², 10,6 кд/м², 6,9 кд/м², 29 кд/м². В виду этого, говорить о том, что у LG G3 слишком высокая минимальная яркость или чересчур низкая максимальная некорректно хотя бы потому, что большинство других устройств не могут похвастаться и такими показателями. А вот в чем экран G3 явно не фаворит, так это в уровне контраста, всего 1:603, что весьма мало, как для современного устройства, но вполне характерно для IPS-матриц.

Если говорить о заводской калибровке, тот тут G3 однозначно лучший из всех устройств производителя, которые нам приходилось тестировать. Практически во всех смартфонах LG завышенная цветовая температура, тогда как в G3 она даже немного ниже нормы. Значения отклонения от основных цветов в рамках, в которые далеко не всегда укладываются мониторы, и только гамма-кривая говорит о том, что яркие оттенки пересвечены, тогда как темные наоборот, недостаточно контрастны, что, впрочем, только подтверждает уже сказанное.

Исходя из вышеописанного, дисплей LG G3 можно было бы оценить на твердую 5, если бы не одно но – завышенная резкость, приводящая к заметным артефактам на мелком шрифте. Данную особенность можно заметить, только если специально всматриваться в буквы, тем не менее, не совсем понятно, зачем экрану с такой плотностью пикселей на дюйм дополнительная резкость. Остается надеяться, что в следующих апдейтах эту «особенность» экрана поправят.

Камеры

По имеющейся у нас информации, в LG G3 установлены две матрицы производства Sony. Основной модуль аналогичный тому, что используется в LG G2 – 13 мегапиксельный Sony IMX135, с линзами SEKONIX и диафрагмой f/2.4. Модуль фронтальной камеры Sony IMX208 с разрешением 2,1 мегапикселя и диафрагмой f/2.4. Физический размер матриц 1/3.06” и 1/6” соответственно. Основная камера дополнена системой оптической стабилизации OIS+, главное отличие от предыдущей OIS (LG G2, LG Optimus G Pro) сводится к работе в двух плоскостях, горизонтальной и вертикальной. Кроме того, LG G3 первый смартфон с ИК-модулем используемым для фокусировки, что особенно актуально при недостаточном освещении, с чем у смартфонов LG всегда были проблемы.

В итоге, наличие инфракрасного передатчика для фокусировки делает работу с камерой G3 намного более приятной, чем в G2. Камера фокусируется мгновенно и никогда не промахивается, что тоже немаловажно. Максимальное разрешение записываемого видео составляет 3840х2160 точек (4К-видео) при 30 кадрах/с, кроме того смартфон может записывать видео в HD-разрешении с частотой 120 кадров/с.

Если говорить о качестве фотографий, то сколько-либо заметного скачка в качестве незамечено, просто слабые места G2 стали менее заметными. Что касается видео, то тут все без изменений, картинка более-менее приятная, но звук напрочь портит все впечатления. Забавно, что при анонсе производитель даже делает акцент на том, что смартфон способен записывать и воспроизводить звук сопоставимый с тем, что слышит человек, на деле же оказывается все далеко не так радужно. Опять же, возможно, как это было с LG Nexus 5, в обновлении производитель поправит проблему со звуком, но надеяться на это особо не стоит, ведь LG G2 до сих пор болеет этой детской болезнью.

Примеры фотографий снятых смартфоном LG G3

Пример Full HD-видео снятого смартфоном LG G3

Итоги

Новый флагман LG получился очень интересным устройством. Он обладает отличным 5,5-дюймовым экраном с высоким разрешением, хорошей 13 Мп камерой с быстрой фокусировкой, переработанным интерфейсом, соответствующим тенденциям на рынке, качественным звуком в наушниках и громким мультимедийным динамиком. В нем также нашлось место для съемного аккумулятора и слота для карт памяти, шагомера, качественного корпуса и весьма скромной, как для флагмана, цены. Но, как это всегда бывает, не обошлось без мелких недостатков. Среди таковых особенности экрана и звук при записи видео, а также несколько неоднозначные результаты автономности. Все эти шероховатости могут быть устранены с выходом очередного обновления прошивки, но даже если этого не произойдет, вряд ли это станет причиной, по которой вы откажетесь от покупки LG G3, ведь его достоинства с лихвой перекрывают перечисленные недостатки.

	LG D855 G3 16GB (Silk White) Уведомить о появлении в продаже
Тип	Смартфон
Стандарт	GSM 850/900/1800/1900, HSDPA 850/900/1900/2100, LTE 800/1800/2600
Высокоскоростная передача данных	GSM/EDGE, HSPA+42Mbps/HSPA+21Mbps, LTE Cat4 (50 Mbps UL, 150 Mbps DL)
Тип SIM-карты	Micro-SIM
Количество SIM-карт	1
Операционная система	Android 4.4 (KitKat)
Тип корпуса	моноблок
Тип клавиатуры	экранный ввод
Габариты, мм	146,3×74,6×8,9
Масса, г	149
Защита от пыли и влаги	—
Аккумуляторная батарея	Li-Ion, 3000 мАч
Диагональ, дюймы	5,5
Разрешение	2560×1440
Тип матрицы	IPS
PPI	538
Датчик регулировки яркости	+
Сенсорный экран (тип)	+ (емкостной)
Другое	защитное стекло Corning Gorilla Glass 3
Процессор	Qualcomm Snapdragon 801 (MSM8975AC) + GPU Adreno 330
Тип ядра	Krait 400
Количество ядер	4
Частота, ГГц	2,5
Оперативная память, МБ	2048
Встроенная память, ГБ	16
Слот расширения	microSD (до 128 ГБ)
Основная камера, МП	13
Автофокус	+
Видеосъемка	[email protected], [email protected], HDR
Вспышка	двойная светодиодная
Фронтальная камера, МП	2,1
Другое	лазерная (инфракрасная) система автофокуса, модуль с оптической стабилизацией OIS+
Wi-Fi	802. 11 a/b/g/n/ac, dual-band, Wi-Fi Direct, DLNA, Wi-Fi hotspot
Bluetooth	4.0 LE (APT-x)
GPS	+ (GPS, GLONASS)
IrDA	+
NFC	+
Интерфейсный разъем	USB 2.0 (micro-USB), SlimPort
Аудиоразъем	3,5 мм
MP3 плеер	+
FM-радио	+
Еще	покрытие корпуса имитирующее металл, мультимедийный динамик мощностью 1 Вт, сенсоры: акселерометр, гироскоп, приближения, компас

Плюсы: QHD-дисплей, 13 Мп камера с оптической стабилизацией и ИК-подсветкой, новая оболочка, съемный аккумулятор, наличие слота для карт памяти, актуальная аппаратная платформа, цена относительно флагманов других производителей

Минусы: Особенности экрана, звук при записи видео, автономность относительно флагманов других производителей

Вывод: Первый глобальный смартфон с QHD-экраном. Новинка получила обновленную камеру с быстрым автофокусом, новую аппаратную платформу, новый «плоский» интерфейс и может похвастаться одними из самых компактных габаритов среди одноклассников

Технические характеристики

	LG D855 G3 16GB (Metallic Black) Уведомить о появлении в продаже
Тип	Смартфон
Предустановленная ОС	Android 4.4
Оперативная память, ГБ	2
Встроенная память, ГБ	16
Слот расширения	+
Тип SIM-карты	Micro-SIM
Количество SIM-карт	1
Процессор	Qualcomm Snapdragon 801 (MSM8975AC) + GPU Adreno 330
Количество ядер	4
Частота, ГГц	2,5
Аккумулятор	Li-Ion, 3000 мАч (съемный)
Диагональ, дюймы	5,5
Разрешение	2560×1440
Тип матрицы	IPS
PPI	538
Датчик регулировки яркости	+
Особенности дисплея	защитное стекло Corning Gorilla Glass 3
Основная камера, Мп	13
Видеосъемка	[email protected], [email protected], HDR
Вспышка	двойная светодиодная
Фронтальная камера, Мп	2,1
Особенности камеры	лазерная (инфракрасная) система автофокуса, модуль с оптической стабилизацией OIS+
Стандарты связи	GSM 850/900/1800/1900, HSDPA 850/900/1900/2100, LTE 800/1800/2600
Wi-Fi	802. 11ac
Bluetooth	4.0 LE (aptX)
GPS	+
IrDA	+
FM-радио	+
Аудиоразъем	+
NFC	+
Интерфейсный разъем	micro-USB
Высота, мм	146,3
Ширина, мм	74,6
Толщина, мм	8,9
Вес, г	149
Защита от пыли и влаги	—
Тип корпуса	моноблок (разборный)
Материал корпуса	пластик
Цвет корпуса	черный
Тип клавиатуры	экранный ввод
Еще	покрытие корпуса имитирующее металл, мультимедийный динамик мощностью 1 Вт, сенсоры: акселерометр, гироскоп, приближения, компас, поддержка беспроводной зарядки

LG G3 Vigor обзор: плюсы и минусы [2021]

Android OS v4.4 (KitKat)

Qualcomm Snapdragon 400 MSM8926

1 GB / 8 GB

5 дюймов 720 x 1280 px

Смартфон LG G3 Vigor (D725) выпущен в 2014 году. Он оснащен чипсетом Qualcomm Snapdragon 400 MSM8926, 1 GB оперативной памяти и 8 GB встроенной памяти.

LG G3 Vigor работает на Android OS v4.4 (KitKat) из коробки. Он поставляется с батареей Li-Ion 2540 mAh. Он имеет 5 дюймов IPS-дисплей с разрешением 720 x 1280 px. Технология IPS является одной из самых передовых ЖК-технологий в мире.

Оглавление:

LG G3 Vigor (D725) технические характеристики

Бренд

LG

Имя

G3 Vigor

Тип

D725

Рейтинг

Запустить

2014

Тело

Вес

133 g

Размеры

137,75 x 69,6 x 10,3 mm

Цвета

металлический черный
блеск золота
шелк белый

Тип SIM

Micro SIM

Система

LG G3 Vigor работает на Android OS v4.4 (KitKat) прямо из коробки, но микропрограмму G3 Vigor можно обновить до более новой версии ОС.

OS

Android OS v4.4 (KitKat)

Чипсет

Qualcomm Snapdragon 400 MSM8926

CPU

Quad-core 1.2 GHz Cortex-A7

GPU

Adreno 305

Дисплей

Размер экрана измеряется в дюймах, по диагонали от угла к углу. 5 дюймов емкостный сенсорный IPS экран с разрешением 720 x 1280 px поддерживает технологию мультитач.

Технология

IPS

Размер

5 дюймов

Разрешение

720 x 1280 px

Мультитач

да

Память

Память смартфона (1 GB) не может быть расширена, но память (8 GB) может быть расширена с помощью карты microSD.

ПАМЯТЬ

1 GB

Внутреннее хранилище

8 GB

Внешнее хранилище

microSD

Камера

Камера LG G3 Vigor оснащена автофокусом. Автофокус — это функция камеры, которая тонко настраивает фокус камеры, это приятная особенность этого смартфона. Задняя камера имеет оптическую стабилизацию изображения (OIS) для противодействия встряхиванию камеры.

Фронтальная камера

1,3 MP

Задняя камера

8 MP
3264 x 2448 px
лазерный автофокус
оптическая стабилизация изображения

Вспышка

LED

Связь

G3 Vigor поддерживает 3G и 4G. Этот смартфон имеет встроенный GPS-приемник. GPS — это спутниковая навигационная система, которая позволяет определять точное географическое положение на Земле. G3 Vigor поставляется с функцией Near Field Communications (NFC) для передачи контента с другими устройствами с поддержкой NFC. Этот смартфон LG имеет FM-радиоприемник.

GSM

850 / 900 / 1800 / 1900

Мобильная сеть

2G / 3G / 4G

WLAN

Wi-Fi 802.11 a/b/g/n

Блютуз

v4.0, A2DP, LE

GPS

A-GPS, GLONASS

NFC

да

FM-радио

да, с RDS

USB

microUSB 2.0

Аудио

3,5 mm jack

Батарея

Батарея Li-Ion 2540 mAh дает смартфону хороший запас батареи. Это аккумулятор с низким уровнем обслуживания. Нет периодических разрядов не требуется и зарядки может быть сделано наугад.

Тип

Li-Ion 2540 mAh

Особенности

Датчики смартфона измеряют физические количества и передают их на процессор приложения. Акселерометр телефонов является встроенным электронным компонентом, который измеряет наклон и движение. Датчик близости обнаруживает, когда пользователь держит телефон рядом с их лицом во время звонка и выключает дисплей, чтобы предотвратить нажатия клавиатуры и потребление батареи от дисплея.

Датчики

акселерометр
компас
близость

Специальное

Corning Gorilla Glass 3

Приведенные выше характеристики основаны на официальных данных, опубликованных производителем, но мы также учитываем отзывы пользователей. Если вы обнаружили ошибку или что-то не так в приведенных выше спецификациях для LG G3 Vigor, не стесняйтесь и сообщите нам о проблеме.

LG G3 Vigor (D725) фотографии

Если есть информация о LG G3 Vigor, которую вы хотели бы видеть на этом сайте, напишите нам по адресу webmaster@droidchart. com.

Отзывы LG G3 D855 32Gb | Мобильные телефоны LG

Экран

Тип экрана

цветной IPS, сенсорный 

Тип сенсорного экрана

мультитач, емкостный 

Диагональ

5.46 дюйм. 

Размер изображения

2560×1440 

Число пикселей на дюйм (PPI)

538 

Автоматический поворот экрана

есть 

Мультимедийные возможности

Фотокамера

13 млн пикс., светодиодная вспышка 

Функции камеры

автофокус, лазерный, оптическая стабилизация, цифровой Zoom 8x 

Распознавание

лиц 

Запись видеороликов

есть 

Макс. разрешение видео

3840×2160 

Макс. частота кадров видео

30 кадров/с 

Geo Tagging

есть 

Фронтальная камера

есть, 2.1 млн пикс. 

Аудио

MP3, AAC, WAV, WMA, FM-радио 

Разъем для наушников

3.5 мм 

Видеовыход

MHL 

Связь

Стандарт

GSM 900/1800/1900, 3G, 4G LTE 

Поддержка диапазонов LTE

модель D855 — FDD: B1(2100), B3(1800), B7(2600), B8(900), B20(800) — CSFB TDD: B40(2300) — VoLTE; модель D858 — bands B3, B38, B40, B39 

Интерфейсы

Wi-Fi 802.11ac, Wi-Fi Direct, Bluetooth 4.0, IRDA, USB, NFC 

USB-host

есть 

Спутниковая навигация

GPS/ГЛОНАСС 

Cистема A-GPS

есть 

Поддержка DLNA

есть 

Память и процессор

Процессор

Qualcomm Snapdragon 801, 2500 МГц 

Количество ядер процессора

4 

Видеопроцессор

Adreno 330 

Объем встроенной памяти

32 Гб 

Объем оперативной памяти

3 Гб 

Слот для карт памяти

есть, объемом до 128 Гб 

Питание

Емкость аккумулятора

3000 мА⋅ч 

Аккумулятор

съемный 

Функция беспроводной зарядки

есть 

Другие функции

Управление

голосовой набор, голосовое управление 

Режим полета

есть 

Датчики

освещенности, приближения, гироскоп, компас 

Дополнительная информация

Особенности

камера с OIS+, лазерной автофокусировкой; функция Knock Code; кнопка управления на крышке смартфона; всплывающие подсказки 

Дата анонсирования

2014-05-27 

Перед покупкой уточняйте технические характеристики и комплектацию у продавца

Сравнение 19 смартфонов LG из линеек G, Q, K и X

Смартфоны бренда LG заполонили европейский рынок. Экземпляры из разных серий сменяют друг друга и в этом буквенном круговороте легко потеряться неискушенному покупателю. В чем же особенность каждой линейки LG, чем отличаются гаджеты и какому смартфону в итоге отдать предпочтение?

В обзоре представлено 19 топовых девайсов из 4 серий. Подробное сравнение этих телефонов LG поможет определиться с личными предпочтениями и выбрать действительно стоящий вариант.

Читайте также: ТОП-10 лучших производителей смартфонов — рейтинг 2017 года

Серия LG G

В недалеком 2012 году бренд из Кореи презентовал свой первый флагман LG Optimus G. Правда, приставка Optimus исчезла очень быстро и все остальные смартфоны серии носили только букву G.

Далее последовали LG G2, G3 (2014 год), G4 (2015 год), G5 (2016 год) и G6 (2017 год). В 2018 компания готовит новую модель G7 ThinQ и релиз ее ожидается совсем скоро. Для наглядности картины стоит рассмотреть каждый девайс в отдельности, с учетом функционала и внешнего вида.

LG Optimus G

Первый смартфон линейки был оформлен в стеклянный корпус, задняя блестящая крышка добавляла модели элегантности. Кнопки были расположены стандартно, сбоку и внизу экрана.

Optimus привлек внимание своим внешним дизайном и функционалом:

• Дисплей здесь умопомрачительной яркости, как для 2012 года. Размер 4,7″, четкие углы обзора, контрастность и реальность передачи красок. 
• Камера 13 Мп, которая выдавала четкие фото, независимо от условий освещенности. Фронтальный модуль — 1,3 Мп, видео записывал в HD разрешении. 

Смартфон LG был оборудован производительным процессором и таким же видеочипом. Благодаря этому, модель на «ура» запускала тяжелые игры и другой контент. Компания выпустила также расширенную версию устройства под названием LG Optimus G Pro, что имела такой же функционал, но увеличенный до 5″ экран.

LG G2

Спереди смартфон LG G2 «венчал» 5,2-дюймовый дисплей с минимальными рамками по бокам и защитным стеклом на поверхности. Цвета экрана для того момента были очень яркими, а углы обзора поражали четкостью и детализированным изображением.

В списке достоинств:

• «гостевой режим», который помогал определить список приложений, что будут доступны посторонним пользователям, взявшим в руки телефон;
• встроенный пульт управления телевизором;
• многозадачность, позволяющая вывести на дисплей работающее приложение, например, страницу в соцсетях или видеоролик.

У этой модели была хорошая камера на 13 Мп с непривычной на тот момент лазерной фокусировкой и современной оптикой.

Читайте также: Лучшие смартфоны для селфи: рейтинг 10 первоклассных моделей

LG G3

Смартфон внешне не особо отличался от своих предыдущих «собратьев». Пластиковый глянцевый корпус имитировал металл, но на нем оставались отпечатки пальцев. Как и предыдущая модель серии, LG G3 оказался лишен аппаратных кнопок на лицевой части и торцах. Благодаря этому рамки по бокам практически отсутствовали.

 

Отличительные черты модели:

• Цветной 5,5-дюймовый экран. Углы обзора здесь максимальные, а темный глубокий цвет контрастно смотрелся с другими красками дисплея.
• Камеры. Модуль на 13 Мп с оптической стабилизацией и лазерной фокусировкой мог делать классные фото даже в движении. Стоит заметить, что на качество абсолютно не влиял плохой свет.

У аппарата два «ближайших родственника» из этой же категории — LG G3 Stylus и LG G3 Mini. Характеристики у них схожие, потому рассматривать их отдельно нет смысла. Стоит учесть только, что дисплей Mini-версии составлял 4,5″.

LG G4

Агрегат имел оригинальное оформление корпуса с крышкой из кожи. Для любителей классики в наличии были предусмотрены отдельные 3 варианта с пластиковым «задником», довольно реалистично имитирующие керамику. В придачу также был выпущен LG G4 Stylus с увеличенным до 5,7 дюймов экраном.

Смартфон был наделен рядом достоинств:

• дисплей на 5,5″ полностью окантован черным стеклом, добавляя тем самым строгости дизайну;
• сочность цветов на экране максимально приближалась к реальным, при этом яркость освещения не влияла на качество цветопередачи;
• 16 Мп камера с автофокусировкай + фронталка на 8 Мп.

LG G5

Первый и единственный модульный смартфон компании. Алюминиевый корпус дополнен экраном с 3D стеклом, изгиб которого по углам очень заметен. Сзади расположился сканер отпечатков, что одновременно выполняет функцию кнопки питания.

Нижняя часть корпуса, извлекаемая из LG G5, пластиковая. На задней крышке — съемный модуль. Таких в ассортименте два: с дополнительным аккумулятором и камерой, а также другой вариант — Hi-Fi+ в подарок меломанам, ценящим качественный звук. При этом устройство можно было использовать как MP-3 плеер, без вспомогательной гарнитуры.

А теперь об отличительных достоинствах:

• 2 камеры на задней стороне девайса + фронталка 8 Мп. Устройства, расположенные на задней крышке, оснащены автофокусом и хорошей оптикой. Использовать обе камеры одновременно можно при широкоформатной съемке.
• Яркий дисплей на 5,3″. Экран здесь с матрицей IPS, прикрытый защитным стеклом. У аппарата предусмотрен режим постоянно включенного дисплея, чтобы в любой момент можно было смотреть время, уведомления и другие вещи по выбранному пользователем сценарию.

Интересная статья в тему: Сравнение двух флагманов LG G5 и G6 — что нового в смартфоне LG G6

LG G6

Модель стала родоначальником моды на узкие вытянутые экраны, управлять которыми можно одной рукой. Сам дисплей имел размеры 5,7″, занимая 80,7 % всей передней панели.

Читайте также: 10 лучших фаблетов (смартфоны с большим экраном) 2017 года

Среди преимуществ особенно выделяются:

1. Мощный процессор и память в 4 Гб, которые позволяют играть в требовательный геймплей, а также просматривать видео любого объема;
2. Возможность съемки видео, как в обычном, так и широкоформатном режиме;
3. Есть функция масштабирования экрана, позволяющая избавиться от черных линий по бокам дисплея во время игр.

Производительный девайс позволяет наслаждаться качественным видео, фото, а также мгновенно решает все необходимые каждодневные задачи. Отличный гаджет премиум-класса.
Смартфоны серии G выделяются рядом достоинств, среди которых оригинальный дизайн, отличная производительность и — настоящий подарок селфиманам — качественные камеры. Недостаток здесь только один: довольно высокая цена, особенно на последние модели.

Серия LG Q

В середине 2017 года компания анонсировала выход новой серии смартфонов под буквой Q. Эти недорогие аппараты имеют большой экран и отличную производительность. К тому же, четыре флагмана линейки абсолютно идентичны внешне, при этом еще и напоминают уже рассмотренные выше модели серии G. Да, речь идет о Q6, Q6а, Q6+ и Q6 Alpha. Отличаются девайсы только объемом памяти.

Q6, Q6а, Q6+ и Q6 Alpha

Рядовой потребитель точно не отличит эти аппараты между собой, тем не менее, каждая отдельная модель была выпущена брендом для различной ценовой категории. Чем меньше в смартфоне памяти — тем он дешевле.

Что же в них особенного? Список достоинств включает:

• Виртуальную корзину, куда переносятся все удаленные приложения, фото и видео. Это позволяет защитить файлы от случайного удаления. Спустя 24 часа корзина очищается автоматически.
• Экран 5,5» передает краски в насыщенной цветовой гамме, углы обзора на высоте. Плотность пикселей здесь составляет 442ppi, что идеально для таких размеров дисплея. Чтобы удобно набирать сообщения в соцсетях или перелистывать меню на экране, можно дополнительно приобрести компактный стилус.

Сзади на LG Q6 только окошко камеры на 13 Мп и яркая вспышка. В данной серии LG отступило от своих принципов оригинальности, а потому расположение кнопок у девайсах абсолютно стандартное, как и дизайн смартфонов в целом.

LG Q8

Как и последняя модель из серии G, этот смартфон обладает корпусом с влаго- и пыле защитой, соответствующей стандарту IP68. Это значит, что с устройством можно свободно гулять под проливным дождем и не бояться его поломки.

Внешне смартфон — точная копия LG G6. Те же 2 камеры на задней крышке, размером 13 Мп и 8 Мп, подсветка и сканер отпечатков пальцев. А в чем же разница?

Отличительными чертами смартфона выступают:

• «Двойной» экран. Сверху основного 5,2″ дисплея расположилась его мини-версия, размером 1040х160 пикселей. Он постоянно активен и помогает настроить быстрый доступ к различным файлам, программам, контактам и т.д. Здесь же находится и фронтальная камера на 5 Мп.
• Мощный процессор и видеочип. Их тандем обеспечивает плавную работу всех приложений, я также тяжелых игр и воспроизведение видео любого объема.

К тому же, у модели 4/32 Гб памяти, которую можно дополнительно расширить с помощью флешки. Экземпляр также может похвастаться отличной аудиосистемой, однозначно порадовавшей меломанов.

Что можно сказать о серии в общем? Q8 довольно оригинальный, вариации Q6 однообразны и ничем особым не выделяются. Зато все смартфоны серии работают на новейшем программном обеспечении Android 7, что гарантирует скорость игр и приложений. Главный недостаток — некое подобие G версии, оформлению явно не хватает индивидуальности.

Серия LG K

Серия K появилась в 2016 году, причем компания сразу выпустила целую линейку смартфонов. Эти бюджетные модели внешне особо не отличаются от недорогих девайсов остальных брендов, но характеристики здесь более, чем примечательны. 

В линейке представлены аппараты K3, K4, K5, K7, K8 и K10. Уже в 2018 году вышло продолжение серии с абсолютно нелогичным названием K9. А теперь — интересные «фишки» каждого образца.

LG K3

Мобильник был оформлен в корпус с заметно сглаженными углами и рифленой задней панелью. Переднюю часть занимал небольшой TFT дисплей размером 4,5″. Цвета на нем выглядели слегка приглушенными, хотя контрастность, как для бюджетника, вполне приемлемая.

Среди достоинств:

• основная 5 Мп камера, включить которую можно было двойным нажатием кнопки громкости;
• снимок делался в одно касание к любой точке на дисплее;
• фронтальная камера выдавала селфи-фото по взмаху ладошкой;
• дисплей служил своеобразной вспышкой, помогая сделать качественные снимки для селфи даже при плохом освещении.

Небольшого объема памяти было достаточно, чтобы хранить важную информацию, но для игр или больших приложений ее не хватало. Та же ситуация и с батареей: очень желательно было носить с собой док-станцию.

Интересная статья в тему: Как правильно заряжать смартфон. 5 простых советов, которые помогут продлить срок службы батареи

LG K4

Аппарат оснастили небольшим дисплеем на 4,5″ с наэкранными сенсорными кнопками, функции которых можно было отредактировать в настройках. Расположение камер и клавиш управления — стандартное, как и дизайн в целом. Чтобы немного разнообразить убранство своего девайса, можно было добавить к нему эффектное кольцо-держатель, например Piko BS-01M Silver.

Среди преимуществ:

• TFT дисплей с плотностью пикселей 218 ррi;
• дисплей с возможностью регулировки яркости, чтобы уменьшить таким образом степень напряжения на глаза;
• емкий аккумулятор, которого даже при активном использовании хватало на 2 суток;
• 2 камеры с автофокусом и вспышкой для хороших снимков при любом освещении. 

Радиомодуль у смартфона один, а потому переключаться между сим-картами приходилось самостоятельно. Для этого на экране есть специальная кнопка.

LG K5

Полное название модели — LG К5 Х220DS. Производитель выпустил ее в глянцевом корпусе приятных расцветок: «металл», «золото», «перламутр», «глубокий серый».
 

Смартфон относится к супер-бюджетной категории, а потому особых возможностей здесь не найти. Вот несколько «плюсов» модели, заслуживающих внимания:

• аккуратный 5” экран;
• 2 камеры, что позволяют делать четкие снимки, правда, без автофокуса;
• привычный и понятный интерфейс без лишних приложений.

На устройстве легко запускаются игрушки любого формата, причем работает все без зависаний. Графика визуально кажется слегка урезанной и нечеткой, даже если выбрать максимальные настройки.

LG K7

Еще один бюджетник от корейцев, что выделяется на фоне предшественников серии большим дисплеем с надежным защитным покрытием и оригинальной кнопкой для регулировки звука.

Среди главных особенностей LG К7:

• увеличенный до 2125 мАч аккумулятор, что позволяет работать смартфону намного дольше, чем его «младшие братья»;
• ТFT дисплей на 5 дюймов с яркими и насыщенными цветами, сохраняющими контрастность независимо от угла обзора;
• камеры на 8 Мп и 5 Мп со стандартным набором настроек и автофокусом, делающие качественные снимки при любых условиях и освещенности.

Работает устройство очень быстро. За скорость отвечает мощный процессор, видеоускоритель и ОС Android 5.1с брендовым приложением Google.

LG K8

Устройство хоть и относится к недорогим аппаратам, но внешне выглядит, как премиум-смартфон. На передней панели разместился экран с изогнутым 2,5D стеклом. Благодаря такому дисплею края выглядят оригинально, а боковые рамки практически не видны.

Образец серии представлен в двух вариантах: LG К8 и LG К8 LTE (поддерживает связь одноименного формата). Разница между ними состоит в задней крышке девайса, а функционал у моделей практически идентичен.
 

Сильными сторонами устройства выступают:

• Дисплей на 5 дюймов с плотностью пикселей 294 ррi. Цветопередача отличная, но при определенных углах изображение принимает легкий синий оттенок.
• Матрица воспринимает 10 одновременных касаний пальцев, что будет приятным сюрпризом для геймеров.

Производительность системы у LG К8 замечательная. Стандартные приложения открываются плавно и работают на максимальной скорости. Небольшое «торможение» может возникнуть с некоторыми ресурсоемкими файлами, но этот момент не критичен.

LG K10

Модель, как и LG К8, имеет «двойника» с оригинальной задней крышкой и возможностью использовать связь формата LTE. Характеристики обоих экземпляров схожи, потому рассматривать их в отдельности смысла нет.

Ряд своих особенностей LG К10:

• Яркий и красочный IPS дисплей в 5,3 дюйма. Просматривать на нем видео — сплошное удовольствие, ведь цвета глубокие, контрастные, а изображения сохраняют четкость при любых углах обзора.
• Основной модуль для съемки на 13 Мп. Кроме мощной вспышки, он может «похвастаться» также наличием автофокуса и качественной съемкой видео в режиме FHD. Настройки дополнены интересными возможностями, что точно не оставят равнодушными фотолюбителей.

К10 и К10 LTE замечательно справляются с возложенными на них нагрузками. Фото, видео, приложения любого формата, соцсети и многое другое мгновенно откликаются на прикосновения пальца к сенсору. Хоть модели и не относятся к флагманской категории, но их возможности и функционал ничуть не хуже.

LG K9

Полностью пластиковая модель с разборным корпусом увидела свет в начале 2018 года. Как и большинство предыдущих вариантов серии, у этого образца яркий 5″ дисплей и кнопка включения на задней крышке девайса.

Среди особенностей:

• хорошая камера на 8 Мп помогает создать качественные детализированные снимки + портретный режим, что слегка «размывает» задний фон;
• специальная функция «подавление шумов» для съемки в условиях ограниченной освещенности.

Аккумулятор в LG К9 съемный, что также относится к достоинствам модели. В случае необходимости его легко можно заменить новой батареей.

Если обобщить характеристики всех смартфонов серии К, то их явным достоинством выступит возможность устанавливать 2 симки и оригинальные камеры, что делают фото по взмаху руки. А вот среди слабых качеств — аккумулятор небольшой емкости. Хоть он и съемный во всех моделях, его заряда хватает ненадолго.

Серия LG Х

В эту серию вошли недорогие смартфоны с усовершенствованной «начинкой». Азиатский бренд принял решение выпустить линейку устройств, где каждый аппарат будет наделен своими, особыми, функциями. То есть, у каждого мобильного телефона серии своя узкая специализация. Чтобы посмотреть, как это выглядит на практике, стоит провести краткий обзор моделей. 

LG Х Style

Дисплей устройства на 5 дюймов был защищен олеофобным покрытием, из-за чего скольжение по экрану было очень плавным.
 

Главные «плюсы» LG Х Style:

• возможность активации мобильника двойным тапом;
• фронтальная камера запускалась удержанием кнопки громкости сбоку девайса;
• качественная аудиосистема, что выдавала одинаково чистый звук как в наушниках, так и без;
• IPS дисплей с регулятором яркости цветов и 100% обзором.

Главный модуль камеры смартфона составлял 8 Мп. Для телефона такого формата это немного, хотя фото и видео она снимала качественные. В настройках также была фирменная «фишка» LG — использование экрана в качестве подсветки.

LG Х Power

Внутри устройства помещен не только хороший процессор, но и емкий аккумулятор. Объем батареи здесь 4500 мАч: это и является главной «фишкой» девайса. 

Дополнительные «плюсы»:

• яркий 5,3″ IPS дисплей с хорошей графикой и максимально реалистичной цветопередачей;
• монолитный неразборной корпус, благодаря чему конструкция напрочь лишена скрипов;
• прорезиненная задняя крышка, где не видны царапины и следы от пальцев;
• Андроид 6.0, дополненный оболочкой UX, которая предлагает множество интересных функций, например, отключить ненужные приложения в меню или полностью скрыть его.

Все программы на LG Х Power запускаются достаточно быстро. Это же касается и повторного запуска приложений из свернутого списка. 
На две камеры смартфона можно делать четкие снимки с правильной цветопередачей. Солнечный день или плохое освещение не станут помехой для ярких красок, контрастности и отменной детализации.

LG Х Cam

Недорогая модель может «похвастаться» двумя основными камерами, чем напоминает экземпляры из серии G. Снимают модули широкоформатные фото и такое же видео, причем условия съемки абсолютно не отражаются на качестве.

Есть у LG Х Cam и другие «плюсы»:

• громкий динамик на задней крышке, звук из которого слышно, даже если положить телефон экраном вверх;
• защитное стекло на 5,2″ экране, слегка изогнутое сверху и снизу, что добавляет уникальности дизайну;
• дисплей с насыщенными красками, правильной цветопередачей и плотностью пикселей в 424 ppi, благодаря чему заметить эти маленькие квадратики на экране практически невозможно.

Аппарат самый тонкий и легкий в своем сегменте. Благодаря закругленным рамкам, пользоваться им очень удобно, даже при помощи одной руки. Кроме того, девайс мгновенно синхронизируется с другими устройствами, например со смарт-часами, что еще больше упрощает эксплуатацию.

LG Х View

Главной особенностью этой модели выступает второй экран, компактно размещенный над основным. Корпус девайса выполнен из блестящего стекловолокна, который приятно переливается глянцем на солнце. Этот материал не оставляет на своей поверхности царапин и сколов, а пятна от пальцев просто удаляются, например, универсальной влажной салфеткой для оргтехники DataFlash.

Среди достоинств гаджета:

• экран в 4,93″ с HD разрешением и без воздушной прослойки, что делает картинку насыщенной и контрастной;
• дополнительный экран можно включить на постоянную активность и выводить на него уведомления, время, дату, другую важную информацию;
• основная камера имеет быстрый автофокус и светодиодную вспышку.

К тому же, в маленький дисплей есть возможность вынести иконки 4-х любимых приложений или такое же количество телефонных номеров.

В LG Х View установлена ОС Android Marshmallow. Правда, компания настолько укрыла ее фирменной оболочкой, что от чистой системы осталось очень мало. 

Технические характеристики

Сравнение 4-х линеек корейского бренда

Все серии смартфонов компании отличаются между собой не только характеристиками, но и по внешнему виду, функционалу, эргономике. В чем же фишка каждой? Ответы — в следующей таблице.

В конце этого обзора стоит заметить, что каждый экземпляр линейки по-своему индивидуален. Выбирая из коллекции подходящий вариант, акцентировать внимание нужно на внешний вид, камеры, железо и многое другое. Не последнюю роль здесь также играет бюджет. Рассмотрев параметры каждого экземпляра, дело останется за малым — определить для себя «золотую середину».

LG G3: все гениальное просто

Обзор нового флагманского смартфона LG — G3.

Компания LG представила всему миру новый флагманский смартфон G3, обладающий самыми последними технологическими разработками. В LG постарались продумать все до мелочей, и у них отлично получилось.

Премьера нового смартфона G3 от LG прошла в шести крупных городах мира одновременно: в Лондоне, Нью-Йорке, Сан-Франциско, Сеуле, Стамбуле и Сингапуре. «В основе нашего нового продукта G3 лежит философия компании LG „Learning from you“. Этот смартфон заставил нас поверить в то, что мы можем дальше усовершенствовать наши технологии. Телефон стал достойным преемником нашей знаменитой серии G, восхищенные отзывы о которой до сих пор поступают от наших клиентов со всего мира. Мы поняли, что наши клиенты хотят больше простоты, поэтому разработали смартфон, вызывающий наслаждение при использовании», — сообщил на презентации мобильного устройства в Стамбуле Кевин Ча, глава компании LG Electronics по Ближнему Востоку и Африке.

Наша редакция получила возможность потестировать новый G3, и мы рады поделиться впечатлениями от этого инновационного смартфона.

Внешний вид и дизайн LG G3

В отличие от предшественника, G3 не имеет глянцевой поверхности, что очень радует. Задняя крышка сделана из пластика, но в это трудно поверить: поверхность крышки имеет приятную шероховатость и выглядит полностью как металл. Аппарат удобно лежит в руке. В LG такой дизайн называют Floating Arc — его эргономичный изгиб и тонкие грани позволяют комфортно использовать смартфон ежедневно и не бояться следов от пальцев.

Размеры устройства составляют 146,3×74,6 мм, при толщине в 8,9 мм. Вес LG G3 — всего 150 грамм.

Проведя множество исследований по всему миру, в компании выяснили, что из-за больших габаритов управлять клавишами блокировки и звука не совсем удобно. Постоянно приходится держать устройство двумя руками или перекладывать его выше в ладонь. Именно поэтому инженеры решили поместить кнопку управления на заднюю сторону смартфона, дав ей название «Rear Key».

Характеристики и производительность LG G3

Флагманский продукт — это образцово-показательное устройство компании, об этом говорят топовые характеристики и функции.

G3 работает под управлением самой последней операционной системы Android 4.4.2 KitKat. Это первый аппарат компании, получивший новый фирменный «лаунчер». Интерфейс значительно отличается от предыдущих версий. Во-первых, все иконки стали плоскими — это современная тенденция, ведь пользователям больше не нужна ассоциация с элементами из реального мира — плоские иконки и без того стали узнаваемыми. Во-вторых, все стало красивее, проще и значительно удобнее. Красивые виджеты, анимация и эффекты растягивания порадуют любого пользователя. Для увеличения объема памяти, предустановленные приложения можно удалять, это очень удобно.

Скриншоты фирменного графического интерфейса LG:

В LG G3 установлен 4-ядерный современный процессор Qualcomm Snapdragon 801, каждое из ядер которого работает на тактовой частоте в 2,5 ГГц. Если устройству не нужна сверхмощность, незадействованные ядра уходят в сон для экономии энергии. Кстати, в смартфоне также имеется специальный режим экономии энергии, который значительно продлевает «жизнь» смартфона после одной зарядки. Это происходит за счет ограничения мощности, автоматической настройкой яркости и отключения некоторых служб, таких, как поиск Wi-Fi и GPS.

Помогают обрабатывать данные 2 Гб оперативной памяти, а хранить — 16 Гб встроенной памяти. Также имеется слот для расширения памяти с помощью SD-карты до 128 Гб! С нехваткой места проблем точно не будет. Только представьте, сколько фильмов в HD качестве может поместиться при таком объеме памяти…

Питает смартфон съемная батарея в 3000 мАч. Еще одна отличительная особенность, это наличие NFC-чипа и возможность беспроводной зарядки. В скором времени NFC будет встроен во всю бытовую технику, помогая нашим коммуникациям. В некоторых странах уже можно оплачивать услуги и, например, в метро, просто прикоснувшись телефоном к турникету. Деньги списываются с вашего счета и не нужно стоять в очереди за жетонами.

Основные характеристики LG G3:

— Чипсет: Qualcomm Snapdragon 801 (до 2,5 ГГц четырехъядерный)
— Дисплей: 5,5-дюймовый Quad HD IPS (2560×1440, 538ppi)
— Память: 16GB EMMC ROM / 2GB оперативной памяти DDR3 / слот MicroSD (128GB макс.)
— Камера: основная 13 Mп с OIS + и c лазерной автофокусировкой / фронтальная 2,1 Mп
— Батарея: 3000 мАч (съемная)
— Операционная система: Android 4.4.2 KitKat
— Размеры: 146,3×74,6×8,9 мм
— Вес: 150 грамм
— Сеть: 4G / LTE / HSPA + 21 Мбит (3G)
— Подключение: Wi-Fi 802.11 a/b/g/n/ac, Bluetooth Смарт Ready (apt-X), NFC, SlimPort, A-GPS/Glonass, USB 2.0

Экран LG G3

Экран — это своеобразное лицо любого смартфона, и тут LG поразил весь мир, впервые представив QHD экран с разрешением 2560×1440 точек с плотностью 538 ppi и невероятно четкой картинкой в G3. Это очень высокий уровень, который позволяет рассматривать даже произведения искусства в мельчайших деталях.

Диагональ экрана составляет 5.5 дюймов — оптимальный размер для удобного интернет-серфинга, просмотра видео и другого контента. Для примера, можете представить себе качество глянцевого журнала: все шрифты выглядят идеально, а фотографии и видео максимально детализированы.

OIS камера и лазерный автофокус у LG G3

Любители делать фотографии на смартфон будут приятно удивлены, ведь в LG G3 используется первая в мире камера с двухосевой оптической стабилизацией OIS+, а помогает ей в наведении лазерная фокусировка. Одновременная стабилизация по вертикали и по горизонтали позволяет мгновенно получать четкие снимки даже при недостаточном освещении. Лазер расположен слева от камеры и во время его работы видны красные лучи. Камера настолько быстро снимает, что вы не успеете моргнуть — скорость фокусировки составляет 0,276 секунды! Также присутствует двойная вспышка — для коррекции цветопередачи. Один диод вспышки производит более холодный свет, а другой — более теплый. За счет этого достигается отличная цветопередача.

Интерфейс камеры довольно простой, чтобы не отвлекать пользователя кучей всевозможных настроек. Достаточно выбрать точку фокусировки и камера сделает все сама. Встроенный режим HDR помогает при съемке против света и с резкими контрастными переходами.

HDR выключен:

HDR включен:

Основная камера имеет разрешение в 13 мегапикселей, а фронтальная — 2,1 и также имеет лазерную фокусировку. Переключаться между камерами можно простым проведением пальцем вдоль экрана.

Делать автопортреты теперь еще удобнее. Достаточно показать в объектив ладонь, сжать ее, и камера сразу же запустит обратный отсчет для снимка. Это очень удобно и решает проблему с труднодоступностью кнопки спуска. Кроме того, смартфон умеет снимать видео в UHD качестве и при замедленной съемке.

Примеры фотографий, сделанных на LG G3:

Ночная съемка:

В LG задумываются о том, чтобы вы использовали свой смартфон на 100%, поэтому в смартфоне G3 есть огромное количество полезных функций.

Knock Code

Теперь с помощью постукиваний по экрану можно задать код блокировки, а также включить приватный режим для гостей. В зависимости от того, какую комбинацию стуков вы произведете — откроется тот или иной профиль. Интересно, что knock code имеет более 80 000 уникальных вариантов блокировки, что на сегодняшний день является передовой разработкой по безопасности.

«Умная клавиатура»

Кроме нового дизайна G3 также получил более удобную клавиатуру, которая умеет обучаться. Ее размер можно изменять по высоте, это уменьшает количество ложных попаданий, а чтобы пользователь меньше переводил взгляд на клавиши, нужные слова можно выбирать простым свайп-движением. Благодаря «умной клавиатуре» количество ошибок при наборе СМС сообщений снижается.

«Умные уведомления»

С LG G3 вы ничего не забудете. «Умные уведомления» постоянно будут подсказывать вам, что нужно сделать: попить воды перед сном, если ожидается жаркая ночь, поставить смартфон на зарядку, захватить зонтик или перезвонить по пропущенному вызову. Удобно и очень полезно.

Заключение

Однозначно можно сказать, что LG G3 — один из лучших смартфонов на рынке, который имеет топовые характеристики. Чтобы внедрить новые технологии и действительно удивить весь мир — нужно проделать огромную работу, с которой компания отлично справилась.

Обзор смартфона LG G3 — его можно лизнуть на морозе

Не так давно LG представила очередное обновление своей флагманской линейки, выпустив смартфон LG G3. Несмотря на то, что я присутствовал на официальной презентации смартфона и у меня была возможность познакомиться с этим устройством, о чем был написан соответствующий отчет, я с нетерпением ожидал, когда G3 попадет ко мне для полноценного испытания. И вот тестирование окончено, пришла пора представить обзор вашему вниманию.

Сразу должен отметить, что мое первое впечатление о смартфоне практически не изменилось, я лишь подтвердил все свои догадки и укрепился в выводах. Но, давайте обо всем по порядку.

Видеообзор LG G3 D855

В видеообзоре я рассказал почти обо всём, но не всё — рекомендую все же прочитать текстовую версию ниже.

Дизайн, материалы, сборка, компоновка элементов LG G3

Я уже отмечал это неоднократно и готов снова повторить — LG G3 один из самых красивых смартфонов современности, если говорить о предпочтениях массового покупателя. Тут есть дизайн формы — смартфон своеобразен и имеет запоминающиеся контуры. Кроме того, LG реализовала крутое покрытие для задней крышки, которое выглядит и ощущается как шлифованный металл. Конечно, очень быстро определяется, что крышка пластиковая. Но первое впечатление от телефона, вернее от его внешнего вида у всех восторженное. Я специально во время тестирования показываю смартфоны друзьям далеким от мобильной тематики. Чтобы посмотреть на их реакцию, услышать первые впечатления и таким образом отвлечься от трендов и посмотреть на устройство глазами простого пользователя, что помогает в написании обзора.

Так вот, покупателям нравится LG G3 внешне. Корейцы достигли хороших показателей имитации металлического корпуса и вообще, LG G3 выглядит достаточно премиально. Причем, как спереди, так и сзади.

Лицевая часть смартфона закрыта цельным защитным стеклом. Но, из-за того, что нижняя часть вставки под дисплеем декорирована отлично от остальной части — серебристыми концентрированными фактурными кругами под стеклом, смотрится достаточно живо и необычно — последнее время никто из производителей не прибегал к такому приему, обычно декорируя все защитное стекло вокруг дисплея в один цвет или орнамент. Поэтому, визуально нижняя часть как бы отделена от остального смартфона. Достаточно оригинальный и свежий эффект. Хотя мне, например, нравится больше однотонное оформление фасада.

Выше дисплея расположился стандартный набор флагманского смартфона — разговорный динамик, фронтальная камера 2,1 Мп, датчики освещенности и приближения и светодиодный индикатор. Ниже экрана — логотип LG.

Между лицевой и задней частью по всему периметру устройства проходит серебристая полоса. Она создает эффект «сэндвича» и насыщает грани смартфона, делая их не такими простыми, как в предыдущей модели G2. Боковые грани свободны от управляющих элементов. На верхней — лишь дополнительный микрофон и ИК-порт. Снизу — microUSB, основной микрофон и аудио-разъем 3,5 мм.

Уже традиционно для линейки G механические кнопки питания и громкости находятся на задней части устройства, под глазком камеры — все эти элементы визуально объединены в один блок Rear Key. Слева от блока — лазерный модуль фокусировки камеры. Справа — двойная светодиодная вспышка. В нижней части крышки слева — основной динамик в углублении прикрытый сеткой. Из-за формы задней крышки динамик не перекрывается, когда смартфон лежит на твердой поверхности.

К слову, съемная пластиковая крышка, которая покрыта слоем металлизации, намного толще чем любые другие встречавшиеся мне съемные пластиковые крышки. Причем настолько, что этот факт просто нельзя не отметить. Её нельзя согнуть почти пополам, как это часто происходит с крышками других смартфонов, которые очень тонкие и гибкие. У LG G3 она толстая и жесткая — лишь слегка сгинается. Этот момент способствует абсолютной монолитности конструкции смартфона в собранном виде. Ощущается очень крепкая рама и жесткая крышка. По этому показателю LG G3 превосходит даже неразборный LG G2, но, например, SGS5 все же будет еще жестче из-за влагозащищенной конструкции.

Сняв крышку мы увидим антенну NFC на внутренней её части, а также откроем доступ к слотам microSIM, microSD и съемной батарее на 3000 мАч.

Нужно ли говорить, что качество сборки смартфона находится на самом высшем уровне? На всякий случай отмечу этот момент, чтобы внести полную ясность в картину описывающую LG G3. Зазоры между деталями просто отсутствуют.

С точки зрения дизайна LG G3 привлекателен, как формой, так и детализацией. Каждый изгиб тонко просчитан. Аппарат выглядит очень гармонично и стильно. Комбинирование применяемых материалов и их качество также достойно похвалы.

Конечно, любители металла будут разочарованы. Именно те задроты, которые увидев ранние рендеры будущего G3, надеялись получить смартфон в металлическом корпусе. К сожалению, никакого металла тут просто нет. Зато обычный массовый покупатель должен остаться доволен практичным, немарким, но в то же время стильным корпусом LG G3. И еще одно неоспоримое преимущество корпуса LG G3 — хоть он и выглядит как металлический, но его можно лизнуть зимой на морозе и язык не прилипнет к холодной крышке.

Что касается удобства использования. После G2 я практически не ощутил разницы. Возможно, G3 даже как-то лучше лежит в руке из-за более продуманной формы задней крышки. В целом, пользоваться смартфоном приятно, размеры не вызывают особого дискомфорта для любителей лопат. Напротив, LG G3 достаточно компактен. Это наиболее компактный флагман с экраном 5,5″ из всех доступных на массовом рынке.

Экран LG G3

Я уже высказывался неоднократно по поводу IPS-экрана LG G3 с разрешением Quad HD 2560 х 1440 пикселей и плотностью 538 ppi. Скажу еще раз. Конечно, на бумаге имеем впечатляющие цифры. Производитель уверенно зарабатывает в свой актив маркетинговую галочку. И право применять словосочетания «одним из первых в индустрии», «непревзойденная четкость картинки» и прочие самовосхваления — в рекламе и пресс-релизах. Кроме того, LG может потешить самолюбие и утвердиться в своем технологическом превосходстве над некоторыми конкурентами.

Но вот есть ли реальные потребительские преимущества у данного экрана? Если честно, я не понял, зачем было нужно устанавливать такой экран в новый смартфон. Возможно, кто-то назовет меня ретроградом. Но, мое мнение — существенной разницы с Full HD никто не заметит без специального оборудования. Лично я его не заметил, как ни вглядывался в экраны LG G3 и G2, пытаясь увидеть преимущество повышенной плотности пикселей. И никто из случайных «тестировщиков» из числа друзей и знакомых не связанных с мобильной тематикой, которых я привлекал к сравнению экранов, тоже не заметил особой разницы. А когда я говорил им про «впечатляющие характеристики» и озвучивал конкретные цифры, непонимающе пожимали плечами.

В то же время, если отвлечься от анализа и сравнения цифровых значений параметров, сам по себе экран LG G3 отличный. Эксплуатационные характеристики на высоте. Высокая максимальная яркость позволяет комфортно пользоваться смартфоном на улице в солнечный день. Низкая минимальная — не напрягать глаза при чтении в темноте. Прекрасные показатели контрастности и цветопередачи. Хорошие углы обзора. И нет такого сильного выцветания при взгляде под острым углом, как у экрана LG G2 (хотя я не понимаю, зачем смотреть на экран под такими углами). То есть, можно сказать, что с чисто потребительской, визуальной точки зрения, экран, конечно, стал лучше. Но, есть и обратная сторона медали. Минусы установки дисплея с таким огромным разрешением налицо. Но об этом — в следующих двух разделах.

Производительность LG G3

Смартфон работает под управлением процессора Qualcomm Snapdragon 801 (MSM8975AC) с встроенным видеоускорителем Adreno 330 и укомплектован 16 ГБ встроенной и 2 ГБ оперативной памяти. Существует также версия смартфона с 32 ГБ встроенной и 3 ГБ оперативной памяти, которая официально недоступна для покупки в России, а в Украине анонсирована и уже продается.

Фактически, аппаратная платформа G3 по сравнению с G2 осталась без изменений, ведь 801-й Snapdragon, это тот же 800-й, но немного разогнанный — с 2,3 ГГц до 2,5 ГГц. То же самое можно сказать и о видеоускорителе. C учетом увеличившегося разрешения экрана, улучшения производительности G3 по сравнению с G2 замечено не было. Напротив, G3 показался мне несколько более задумчивым в банальной отрисовке анимаций интерфейса. Но это я уже придираюсь, конечно. Хотя, синтетика также показывает снижение производительности по сравнению с конкурентами и прошлогодним флагманом LG. Например, вот результаты популярного AnTuTu:

Из результатов «античитерского» AnTuTu X (последний скриншот) видно, что производитель почти не завышает показатели в классическом тесте.

А вот результаты теста графической подсистемы в программе 3DMARK:

Для сравнения — LG G2 набирает почти 10000 баллов в аналогичном тесте.

В то же время, производительности смартфона «вполне хватает для выполнения любых задач». Данное выражение уже стало заезженной фразой при описании производительности современных Android-смартфонов. Но так оно и есть. Если не проводить тестов, вы никогда не определите различия в их производительности «на глазок». Так же обстоят дела и в случае с LG G3. Обычный покупатель останется довольным, я уверен.

Несмотря на то, что мне на тест попала версия смартфона с 2 ГБ оперативной памяти, я не заметил каких-либо проблем с многозадачностью. Но если вы особо требовательный пользователь или гик, то, конечно, я рекомендую к покупке версию с увеличенным до 3 ГБ объемом оперативки.

Немного об играх. Производительность тут нормальная. Все работает быстро на максимальных настройках, проседаний fps в игровом процессе не наблюдается. Видимо потому, что большинство игр запускаются в «ненативном» разрешении 1080р, которое встроенный видеоускоритель Adreno 330 тянет без проблем. К слову, игровая картинка от этого нисколько не страдает. Но, пока еще встречаются и такие неприятные для покупателей нового смартфона моменты:

Выводы по разделу: G3 получил немного более мощное железо, чем его предшественник, однако существенное увеличение разрешения дисплея нивелировало это преимущество. В результате — общая производительность несколько снизилась по сравнению с прошлогодним флагманом. Тем не менее, обычный пользователь не заметит данного снижения. Что и требовалось доказать. В общем — потери в мощности особо не страшны, потому что её и так переизбыток в организме, можно немного снизить и никто не заметит.

Автономность LG G3

Перед написанием этого раздела мне ужасно захотелось выпить водки. Но я был один в это время — не привык употреблять наедине с самим собой. Да и время 12-20 на часах не располагало. Придется вести повествование на трезвую голову.

Как вы уже поняли, производитель сохранил ёмкость аккумулятора нового смартфона на отметке 3000 мАч. При этом разрешение экрана существенно увеличилось, энергопотребление более мощного разогнанного процессора, думаю, тоже возросло по сравнению с G2. На момент презентации маркетинговый посыл компании был следующим: «автономность LG G3 осталась на уровне LG G2». Я почему-то уже тогда не поверил в данное утверждение. И к сожалению мои догадки подтвердились.

Коротко: все очень плохо по сравнению с G2. Но, в пределах нормы, если учитывать «среднюю температуру по больнице». Просто G3 уже не показывает таких рекордов, как его предшественник по линейке.

Сразу уточняю. Я использовал G3 как основной смартфон в том же режиме эксплуатации, что и G2. С тем же самым набором установленных приложений.  Последний вообще выключил для чистоты эксперимента и оставил дома. Но через несколько дней передумал и стал брать его с собой, потому что G3 часто не доживал до вечера без подзарядки. Я буквально вернулся в те времена, когда заряд батарейки смартфона таял на глазах. Ситуацию несколько спасал внешний аккумулятор. Для примера, посмотрите на эти две фотографии:

Обратите внимание на время и уровень заряда, а также оцените скорость его падения при включенном экране. Для сравнения — G2 в это же время суток при схожей модели использования имеет обычно еще минимум 50% батарейки и уверенно доживает до позднего вечера, показывая 15-20 ч общей работы и не менее 5 часов активного экрана, а чаще — 6-8 часов, иногда около 9-ти.

Если говорить о голых цифрах автономности LG G3, то в данном случае мы получаем 8-15 часа работы телефона, из них 2-4 часа активного экрана на одном заряде аккумулятора при смешанном использовании в сетях 3G/WiFi. И около 5 ч экрана при эксплуатации только в сети WiFi.

Какие выводы можно сделать из графиков энергопотребления — никаких аномалий не замечено. Это не Android жрет батарейку, и не программы и сервисы. Видно, что основной потребитель — дисплей. Что логично. К сожалению, чуда не произошло — более мощное железо и экран большего разрешения потребляют больше энергии. Как следствие — падение автономности примерно в 2 раза по сравнению с LG G2. Печально, но факт.

В то же время, справедливости ради стоит отметить, что такие показатели удовлетворят большинство средних пользователей, которые не втыкают целый день в экран смартфона (вы таких часто встречаете в последнее время?). Кроме того в оправдание можно отметить, что тот же популярный iPhone 5S показывает аналогичные результаты и ничего, все довольны.

В общем — имеем то, что имеем…

Камера LG G3

А вот в этом разделе я снова начинаю снова хвалить смартфон. Готовьтесь!

Из визуальных отличий — в новом смартфоне присутствует глазок модуля лазерной фокусировки слева от камеры и заметна сдвоенная светодиодная вспышка справа.

Назначение первого элемента — более быстрая фокусировка, особенно в условиях низкой освещенности. Однозначный плюс — проверено, работает отлично. Отмечу, огромной разницы в скорости фокусировки при нормальном и хорошем освещении по сравнению с G2 (камера которого стала быстрее после обновления до 4.4.2) не наблюдается. Но, в условиях плохой освещенности лазерная фокусировка G3 явно превосходит по скорости оптическую фокусировку G2.

Что касается сдвоенной LED-вспышки, то основное ее назначение — делать фотографии более естественными в темноте. Светодиоды имеют разную цветовую температуру и камера умно подстраивается под окружающую среду, используя их на разной мощности в зависимости от ситуации — в комбинации получается подсветка необходимого цвета. В общем — фотографии сделанные с применением вспышки выходят более качественными и визуально более приятными.

Кроме того, никуда не делась оптическая стабилизация камеры — она присутствует и помогает уменьшить эффект смазанного фото и дергающегося видео из-за дрожащих рук мобильного фотографа.

ПО камеры также претерпело существенные изменения. Оно стало проще, приобрело более легкий дизайн и эргономика интерфейса серьезно улучшилось. Для начала — при первом запуске камера запускается в упрощенном виде — совершенно без функциональных наэкранных кнопок. В этом режиме можно делать только быстрые фото прикосновением к экрану в любом месте композиции — камера сфокусируется в указанной точке и произведет снимок.

Для того, чтобы вызвать другие функции камеры, необходимо тапнуть на три точки, расположенные в левом верхнем углу экрана — камера переключится в стандартный вид интерфейса с кнопками и меню. Тут вы уже можете производить съемку традиционным образом — путем нажатия на экранные кнопки и переключать режимы съемки, менять параметры, применять эффекты.

В стандартном режиме тап по экрану определяет точку фокусировки вручную, вместо автоматического фокуса, сам же снимок производится нажатием на кнопку. Не могу не отметить улучшения в режиме серийной съемки — теперь он просто реактивный и не требует отдельной активации в меню — просто зажмите кнопку спуска камеры. Кроме того, радует режим смены точки фокусировки при съемке видео — просто необходимо тапнуть на экран в нужном месте.

Камера LG G3 способна снимать видео в режимах HD, FullHD — 60 fps, UltraHD — 30 fps и замедленной съемки 720р — 120 fps. Присутствуют различные эффекты при съемке фото и видео — панорама, картинка в картинке, постфокусировка, режим HDR.

Фронтальная камера также получила серьезные улучшения. Она укомплектована матрицей 2,1 Мп и оптикой с широким углом обзора — отлично подходит как для видеосвязи, так и для селфи. Присутствует поддержка снимков по жесту — надо просто сжать открытую ладонь в кулак.

Что касается качества получаемого фото и видео — оно просто отличное. Примеры ниже скажут все сами за себя.

Примеры фото:

Примеры съемки видео:

Выводы по разделу. Отличная быстрая камера — одна из главных «фишек» смартфона. Лично у меня не возникло никаких претензий к камере и ПО. Напротив — все просто замечательно, по этому параметру LG G3 занимает лидирующие позиции на рынке.

Что касается прямого сравнения с LG G2, то могу сказать, что камера G3 немного лучше — быстрее фокусируется и выдает более качественные снимки. Но, при использовании последней версии ПО камеры, портированного с нового флагмана разница не так уж и велика. При определенных условиях освещения, разница и вовсе не заметна. Возможно, я посвящу отдельный пост данному сравнению, пока же не хочу отвлекаться от темы, просто поверьте.

Звук

На презентации G3 представители LG говорили об улучшении звучания нового флагманского смартфона, акцентировав внимание на аппаратном усилении звука. Мощность основного динамика увеличена до 1 Вт. На практике смартфон действительно звучит громко, но на этом, собственно, можно и остановиться. Какого-либо качественного улучшения по сравнению с G2 я не услышал.

Звук в наушниках тоже хороший, но отличным я бы его не назвал. Скорее, обычный. И снова, как и в случае со стоковым G2 могу отметить низкий уровень громкости по умолчанию. Например, в метро приходится выкручивать громкость выше уровня при котором ОС Android начинает предупреждать об опасности повреждения слуха (есть такая фишка в системе сейчас). Поэтому, лучшим решением для меломанов я по прежнему считаю VIPER4Android FX, которое существенно улучшает звучание любого смартфона. К сожалению, оно доступно только для устройств с root-доступом.

К звучанию разговорного динамика LG G3 у меня не возникло никаких претензий в процессе эксплуатации. И снова же, если сравнивать с G2, мне кажется, что разговорные динамики у этих двух смартфонов абсолютно одинаковые.

Прошивка и встроенное ПО

Смартфон работает под управлением Android 4.4.2 и уже якобы получил первое обновление ПО. К сожалению обновление произошло после тестирования, поэтому я буду говорить о прошивке, которая идет со смартфоном по умолчанию. Кроме того, некоторые мои знакомые, у которых смартфон сейчас на руках, говорят, что обновление они еще не получили, а судя по отзывам в интернете, ничего особо и не изменилось. Значит, все описанное мной ниже вполне актуально.

Начнем с дизайна оболочки. Тут царит пресловутый «плоский стиль», который касается всех элементов пользовательского интерфейса. Обновленный Optimus UI очень похож на старый по структуре рабочего стола, меню приложений, меню настроек с вкладками, однако стиль полностью переработан. Значки избавились от объемности и скевоморфизма. Статусбар прозрачный на рабочем столе и приобретает цвет в зависимости от доминирующего цвета запущенного приложения. Во многих местах чувствуется влияние стиля iOS.

Аналогичным изменениям подверглась и шторка панели уведомлений. Она стала более изящной и гибко настраиваемой — можно отключить отображение ползунков яркости экрана и громкости и оставить только верхнюю прокручиваемую панель с кнопками. Панель переключателей тоже полностью настраиваемая — элементы можно включать, выключать и менять их расположение.

Экранные кнопки навигации радуют богатством настроек — расположение, состав, подложка. На рабочем столе и в приложениях, которые поддерживают такую функцию, фон кнопок становится прозрачным. Кроме того, имеется возможность выбрать приложения, в которых кнопки будут полностью скрываться. Вызвать их при необходимости можно будет, если провести от нижнего края экрана — в портретной ориентации, или от правого — в альбомной.

Еще одной фишкой смартфона является «умная» клавиатура с возможностью быстрой автоподстановки предлагаемых слов и гибкими настройками, такими как включение режима набора одной рукой, разделение на две части в альбомной ориентации, изменяемая высота, настройка расположения кнопок.

В смартфоне присутствует режим двойного экрана — одновременное отображение нескольких работающих приложений в двух частях разделенного дисплея и запуск некоторых встроенных приложений в режиме плавающего окна с возможностью изменения его размера и прозрачности.

Отдельно стоит отметить приложение LG Health, которая по сути является вашим карманным фитнес-тренером. Во время первоначальной настройки вы вводите свои основные параметры, такие как пол, вес, рост и возраст. Программа определяет вашу задачу на день (сколько необходимо сжечь калорий) и следит за ее выполнением как автоматически (встроенный шагомер), так и при помощи ручного ввода данных о нагрузках.

Кроме того, смартфон напичкан множеством умных функций, очень легких в использовании. Большинство из них наследовано из предыдущей модели, например, такие, как ответ на звонок поднесением к уху, всплывающее окно телефонного вызова при сохранении работы активной программы, завершение звонка кнопкой питания, слежение за глазами для предотвращения выключения экрана во время использования. Естественно, присутствуют такие традиционные фишки LG, как включение и выключение экрана двойным постукиванием и разблокировка по Knock Code — уникальному, придуманному вами коду, состоящему из комбинации постукиваний по четырем зонам экрана. Это решение, которое позволяет сразу включить и разблокировать телефон, кроме того, оно способствует сохранности ваших персональных данных, препятствуя несанкционированному доступу к устройству. В смартфоне присутствует гостевой режим со списком разрешенных приложений и действий.

Также присутствует и ряд новых функций, которые LG назвали Smart Notice или «умные напоминания». Эти напоминания формируются автоматически в процессе работы телефона. Например, вы отклонили вызов при помощи СМС во время совещания. Через некоторое время смартфон напомнит вам о необходимости позвонить такому абоненту. Если вы часто разговариваете по телефону с собеседником, номер которого отсутствует в телефонной книге, телефон предложит вам добавить его в контакты. Напоминания о погоде, предложения очистки телефона от накопленных временных данных и выключение неиспользуемых программ, советы по энергопотреблению — все это будет появляться на экране смартфона и в панели уведомлений (в зависимости от настроек сервиса).

Выводы

LG G3 оставил после себя неоднозначные впечатления. Внешне смартфон очень привлекателен — дизайн, материалы и сборка на высоте. Пользоваться аппаратом приятно и удобно. Экран у смартфона, конечно, отличный. Но огромной разницы между QuadHD и FullHD я не увидел. Да что там, огромной, без специальных приспособлений трудно заметить хоть какую-то разницу. Тем не менее, эксплуатационные характеристики дисплея превосходные и большинство покупателей останутся довольны им. Если отбросить некоторое уменьшение общей производительности смартфона по сравнению с прошлогодним флагманом, которая совершенно не критична при повседневном использовании, то основным недостатком смартфона можно назвать не слишком высокую автономность. Но выдающаяся камера и неплохой звук компенсируют этот досадный недостаток. В целом — LG G3 один из лучших флагманских смартфонов современности с уникальными программными функциями оболочки, стильным и удобным пользовательским интерфейсом. Если вас не пугает высокая цена на старте продаж — можно брать.

Цены в интернет-магазинах

Возможно отображение похожих моделей, если данная отсутствует в каталоге.

[socialmart]
[freemarket model=»LG D855 G3″]
[ava model=»LG D855 G3″]

Качественные характеристики бухгалтерской информации

Каковы качественные характеристики бухгалтерской информации?

Спрос на бухгалтерскую информацию со стороны инвесторов, кредиторов Ведущие банки в США По данным Федеральной корпорации по страхованию вкладов США, на февраль 2014 года в США насчитывалось 6799 коммерческих банков, застрахованных FDIC, кредиторов и т. Д., Что создает фундаментальные качественные характеристики, которые желательны в бухгалтерской информации. Есть шесть качественных характеристик бухгалтерской информации.Две из шести качественных характеристик являются фундаментальными (должны иметь), а остальные четыре качественные характеристики являются улучшающими (приятно иметь).

Основные (первичные) качественные характеристики

Качественные характеристики бухгалтерской информации, которые должны присутствовать, чтобы информация была полезной при принятии решений:

1. Актуальность
2. Репрезентативная достоверность

Улучшение (вторичное ) Качественные характеристики

Качественные характеристики бухгалтерской информации, влияющие на ее полезность:

1. Проверяемость
2. Своевременность
3. Понятность
4. Сопоставимость

Ниже мы рассмотрим каждую качественную характеристику более подробно.

Релевантность

Релевантность означает, насколько полезна информация для процессов принятия финансовых решений. Чтобы бухгалтерская информация была актуальной, она должна иметь:

1. Подтверждающее значение — Предоставляет информацию о прошлых событиях
2. Прогнозируемое значение — Обеспечивает прогнозную силу в отношении возможных будущих событий

Таким образом, бухгалтерская информация является актуальной, если это возможно. предоставить полезную информацию о прошлых событиях и помочь в прогнозировании будущих событий или в принятии мер по устранению возможных будущих событий.Например, компания, переживающая успешный квартал и представляющая кредиторам эти улучшенные результаты, имеет отношение к процессу принятия кредиторами решения о предоставлении или увеличении кредита, доступного компании.

Репрезентативная достоверность

Репрезентативная достоверность, также известная как надежность, — это степень, в которой информация точно отражает ресурсы компании, обязательные требования, транзакции и т. Д. Чтобы помочь, подумайте о графическом изображении чего-либо в реальной жизни — как точно ли картинка представляет то, что вы видите в реальной жизни? Чтобы бухгалтерская информация была достоверной, она должна быть:

1. Complete — Финансовые отчеты Три финансовых отчета Три финансовых отчета — это отчет о прибылях и убытках, баланс и отчет о движении денежных средств.Эти три основных утверждения не должны исключать никаких транзакций.
2. Нейтрально — степень отсутствия предвзятости в информации. Обратите внимание, что финансовая отчетность включает субъективность и оценку, поэтому информация не может быть действительно «нейтральной». Однако, если компания опросила 1000 бухгалтеров и взяла среднее из их ответов, это будет считаться нейтральным и свободным от предвзятости.
3. Без ошибок — Степень отсутствия ошибок в информации.

Проверяемость

Проверяемость — это степень воспроизводимости информации при одних и тех же данных и предположениях. Например, если компания владеет оборудованием на сумму 1000 долларов и сообщила бухгалтеру стоимость покупки, стоимость восстановления — это оценочная стоимость актива в конце срока его полезного использования. Остаточная стоимость также известна как стоимость брака, метод амортизации и срок полезного использования, бухгалтер должен иметь возможность воспроизвести тот же результат.Если они не могут, информация считается неподдающейся проверке.

Своевременность

Своевременность — это то, насколько быстро информация становится доступной для пользователей бухгалтерской информации. Чем менее своевременна (что приводит к более старой информации), тем менее полезна информация для принятия решений. Своевременность важна для бухгалтерской информации, потому что она конкурирует с другой информацией. Например, если компания публикует свою финансовую отчетность через год после отчетного периода, пользователям финансовой отчетности будет трудно определить, насколько хорошо компания работает в настоящее время.

Понятность

Понятность — это степень легкости понимания информации. В современном обществе объем корпоративных годовых отчетов превышает 100 страниц, содержащих важную качественную информацию. Информация, понятная среднему пользователю финансовой отчетности, очень желательна. Для компаний с низкой производительностью обычно используется много жаргона и сложных формулировок в своем годовом отчете, пытаясь скрыть свою неэффективность.

Сопоставимость

Сопоставимость — это степень, в которой стандарты и политика бухгалтерского учета последовательно применяются от одного периода к другому. Сравнимые финансовые отчеты с последовательными стандартами бухгалтерского учета и политиками, применяемыми на протяжении каждого отчетного периода, позволяют пользователям делать глубокие выводы о тенденциях и результатах деятельности компании с течением времени. Кроме того, под сопоставимостью понимается возможность легко сравнивать финансовую отчетность компании с отчетами других компаний.

Качественные характеристики бухгалтерской информации важны, поскольку они облегчают как руководству компании, так и инвесторам использование финансовой отчетности компании для принятия обоснованных решений.

Дополнительные ресурсы

CFI предлагает аналитика по финансовому моделированию и оценке (FMVA) Стать сертифицированным аналитиком финансового моделирования и оценки (FMVA) ® Сертификация CFI по финансовому моделированию и оценке (FMVA) ® поможет вам обрести необходимую уверенность в вашей финансовой карьере.Зарегистрируйтесь сегодня! ® Станьте сертифицированным аналитиком по финансовому моделированию и оценке (FMVA) ® Сертификат CFVA «Аналитик финансового моделирования и оценки» (FMVA) ® поможет вам обрести уверенность в своей финансовой карьере. Запишитесь сегодня! программа сертификации для тех, кто хочет вывести свою карьеру на новый уровень. Чтобы продолжить обучение и продвигаться по карьерной лестнице, вам будут полезны следующие ресурсы CFI:

• Аудит существенности Порог существенности в аудитах Порог существенности в аудитах относится к контрольному показателю, используемому для получения разумной уверенности в том, что аудит не обнаружит каких-либо существенных
• Проверенная финансовая отчетность Финансовая отчетность Государственные компании обязаны по закону обеспечивать, чтобы их финансовая отчетность проверялась зарегистрированным CPA.Назначение
• документов публичных компаний Знание, где найти эту информацию, является важным первым шагом в проведении финансового анализа и финансового моделирования. В этом руководстве будут описаны наиболее распространенные источники регистрации публичных компаний.
• Теория финансового учета Теория финансового учета Теория финансового учета объясняет, почему стоит бухгалтерский учет — причины, по которым операции сообщаются определенным образом.Это руководство будет

G3 Генератор влажности точки замерзания

Скачать брошюру G3

G3 — это генератор низкой влажности, в котором основные трубки, регулятор давления, регулятор потока и сатуратор заключены в герметичную вакуумную камеру. Использование вакуумной камеры исключает проникновение водяного пара из атмосферы и необходимость в теплоизоляционных материалах внутри и вокруг компонентов с контролируемым температурным режимом.Кроме того, криоохладители Стирлинга (точнее охладители Стирлинга со свободным поршнем) используются для охлаждения сатуратора.

Благодаря этим улучшениям по сравнению с традиционными конструкциями, G3 имеет лучшую точность и производительность при низкой влажности за счет снижения эффекта проницаемости, улучшенной теплоизоляции и контроля, более быстрых характеристик охлаждения и лучшего доступа для обслуживания.

Гибридный генератор влажности сочетает в себе проверенные NIST принципы создания влажности при двух давлениях и двух температурах.Используя эти принципы, поток газа с повышенным давлением насыщается по сравнению с жидкой или твердой фазой воды при заданной температуре насыщения. Здесь температура насыщения является основным определяющим фактором количества водяного пара, смешанного с газом-носителем. Давление внутри сатуратора является основным определяющим фактором количества газа-носителя в смеси. После выхода из сатуратора поток увлажненного газа (состоящий из водяного пара, смешанного с газом-носителем) затем расширяется до более низкого давления и нагревается до другой температуры в точке использования, такой как тестируемое устройство (DUT).Затем измерения давления и температуры внутри сатуратора, а также давления и температуры после расширения (обычно в DUT) используются для определения результирующего содержания влаги в газовом потоке. Затем влажность точно контролируется путем регулирования температуры и давления в сатураторе.

При использовании метода двух давлений влажность создается путем полного насыщения газа при известной температуре и давлении, а затем снижения давления до более низкого значения (обычно окружающего) при той же температуре.Влажность, создаваемая этим методом, определяется исключительно на основе измерений температуры и давления и не зависит от измерения содержания водяного пара.

G3 предлагает до 3 независимых выходов с регулируемым потоком. Каждый выход может пропускать до 5 литров / мин, с общим комбинированным потоком до 10 литров / мин.

Основанный на высокоэффективном двойном механизме криоохлаждения, G3 способен создавать сверхнизкую влажность, достигая концентрации влажности ниже 1 PPB (частей на миллиард).

G3 Технические характеристики Мы оставляем за собой право изменять конструктивные или технические данные без предварительного уведомления.

Пожалуйста, включите JavaScript на вашем компьютере для просмотра спецификаций.

Качественные характеристики финансовой информации

>

Введение

У финансовой информации есть несколько качеств, которые делают ее полезной. Эти качества изложены в главе 3 Концептуальных основ финансовой отчетности, утвержденных Советом по международным стандартам финансовой отчетности (IASB).

В двух словах

По сути, информация финансовой отчетности должна быть 1) актуальной и 2) достоверно представленной. Достоверное представление означает, что информация является полной, нейтральной и свободной от предвзятости.

Качество финансовой отчетности повышается за счет сопоставимости, проверяемости, своевременности и понятности.

Основные качественные характеристики

1. Актуальность

Соответствующая информация может повлиять на решения, принимаемые пользователями.Актуальность требует, чтобы финансовая информация была связана с экономическим решением. В противном случае информация бесполезна.

Финансовая информация полезна, если она имеет прогнозное значение и подтверждающее значение . Прогностическая ценность помогает пользователям предсказывать или предвидеть будущие результаты. Подтверждающее значение позволяет пользователям проверять и подтверждать более ранние прогнозы или оценки.

Существенность — это аспект релевантности, зависящий от организации. Это означает, что то, что является существенным для одного объекта, может быть несущественным для другого.Это относительно. Информация является существенной, если она достаточно значима, чтобы повлиять на решение пользователей. Существенность зависит от характера и величины (или размера) объекта.

2. Верное представительство

Финансовая информация в финансовых отчетах должна отражать то, что она должна представлять. Это означает, что он должен отражать то, что произошло на самом деле, с правильной финансовой оценкой.

Есть три характеристики верного представительства: 1.Полнота (адекватное или полное раскрытие всей необходимой информации), 2. Нейтралитет (справедливость и отсутствие предвзятости), и 3. Отсутствие ошибок (отсутствие неточностей и упущений).

Улучшение качественных характеристик

1. Сопоставимость

Сопоставимая информация позволяет проводить сравнения внутри объекта и между объектами. Когда сравнения производятся внутри предприятия , сравнивается информация из одного отчетного периода в другой. Например: сравнивается доход за 2018, 2019 и 2020 годы.Сопоставимость информации по организациям позволяет анализировать сходства и различия между разными компаниями.

2. Проверяемость

Проверяемость помогает убедить пользователей в том, что информация достоверно представляет то, что она призвана представлять. Финансовая информация подтверждена доказательствами, и независимые лица могут проверить их, чтобы убедиться, что такая информация достоверно представлена. Другими словами, информацию можно проверить, если ее можно проверить.

3. Своевременность

Своевременность означает своевременное предоставление информации лицам, принимающим решения, чтобы они могли повлиять на их решения. Это не должно сильно откладываться, иначе оно не будет иметь большого значения или вообще не будет иметь никакой ценности.

4. Разборчивость

Понятность требует, чтобы финансовая информация была понятной или понятной для пользователей с достаточным знанием бизнеса и экономической деятельности. Чтобы информация была понятной, она должна быть представлена ​​четко и кратко.Однако недопустимо исключать сложные элементы только для того, чтобы отчеты были простыми и понятными.

Технические характеристики ноутбука HP 255 G3

Стандарты беспроводной локальной сети	IEEE 802.11b IEEE 802.11g IEEE 802.11n
Взаимодействие	Сертификация Wi-Fi Программа совместимых расширений Cisco, совместимая с Microsoft Windows7 (подробности на сайте: hp.com / go / ноутбуки / WLAN)
Диапазон частот	2,402 — 2,482 ГГц
Скорость передачи данных	802.11b : 1, 2, 5.5, 11 Мбит / с 802.11g : 6, 9, 12, 18, 24, 36, 48, 54 Мбит / с 802.11n : 150 Мбит / с для MCS7
Модуляция	Расширенный спектр прямой последовательности DBPSK, DQPSK, CCK, OFDM, BPSK, QPSK, 16-QAM, 64-QAM
Безопасность	Поддерживает 64- и 128-битные WEP, WPA, WPA2, AES с аппаратным ускорением, 802.1x типы аутентификации EAP-TLS, EAP-TTLS, PEAP-GTC, PEAP-MSCHAPv2, LEAP, EAP-FAST. WAPI Поддержка функций безопасности Cisco (подтвержденная совместимость с продуктами инфраструктуры Cisco Aironet в рамках программы Cisco Compatible Extensions Program Version 5) только с Microsoft Windows Vista и XP
Подканалы	Многонациональная поддержка с частотными диапазонами и каналами, соответствующими местным нормам
Протокол доступа к среде передачи	CSMA / CA (предотвращение столкновений) с ACK
Модели сетевой архитектуры	Ad-hoc (одноранговый) Инфраструктура (требуется точка доступа)
Роуминг	IEEE 802.11 совместимый роуминг между точками доступа
Выходная мощность	13,5 дБм, минимум
Потребляемая мощность	Связанный с холостым ходом : 250 мВт Неактивный несвязанный : 150 мВт Передача : 2,0 Вт (макс.) Прием : 2,0 Вт (макс.)
Управление питанием	Управление питанием в соответствии с ACPI 802.11 совместимый режим энергосбережения
Чувствительность приемника	11b : -88 дБм при 11 Мбит / с 11g : -74 дБм при 54 Мбит / с 11n : -70 дБм при 72 Мбит / с
Тип антенны	Высокоэффективная двойная антенна с пространственным разнесением, установленная в корпусе дисплея
Форм-фактор	PCI-Express Half-MiniCard v1.2
Вес	6 г
Размеры	3,3 x 26,65 x 29,85 мм
Рабочее напряжение	3,3 В +/- 10%
Температура	Эксплуатация : от -10 до 65 ° C (от 14 до 149 ° F) В нерабочем состоянии : от -40 до 176 ° F (от -40 до 80 ° C)
Влажность	Эксплуатация : от 10% до 90% (без конденсации) В нерабочем состоянии : от 5% до 95% (без конденсации)
Высота	Эксплуатация : от 0 до 10 000 футов (3048 м) В нерабочем состоянии : от 0 до 15240 м (50 000 футов)
Светодиод Activity	Светодиод не горит — радио выключено; Горит непрерывно — радио включено
Bluetooth Спецификация	V4.0 High Speed, V2.1 + EDR, обратная совместимость с V1.1, 1.2 и 2.0
Количество доступных каналов	79 (1 МГц) доступных каналов
Скорость передачи данных и пропускная способность	скорость передачи данных 3 Мбит / с; пропускная способность до 2,17 Мбит / с Синхронное соединение Ориентированные каналы до 3, 64 кбит / с, голосовые каналы Асинхронное соединение Без ссылок 2178.1 кбит / с / 177,1 кбит / с асимметричный или 1306,9 кбит / с симметричный
Мощность передачи	от -6 дБм до 4 дБм (Bluetooth, класс II)
Чувствительность приемника	Лучше, чем -80 дБмВт при коэффициенте необработанных битовых ошибок 0,1%
Потребляемая мощность	Пиковая (Tx) 330 мВт Пиковая (Rx) 230 мВт Спящий режим менее 17 мВт
Антенна	Внутренне интегрирован в модуль
Диапазон	До 10 м (33 футов)
Электрический интерфейс	USB 2.0 соответствует Совместимость с Microsoft Windows Plug and Play
Поддерживается программное обеспечение Bluetooth	Broadcom Bluetooth для Windows Программное обеспечение Bluetooth для Microsoft Windows
Топология связи	точка-точка, многоточечные пикосети до 7 ведомых устройств
Безопасность	Полная поддержка требований безопасности Bluetooth
Управление питанием	Microsoft Windows ACPI и поддержка шины USB Самонастраиваемый для оптимизации энергосбережения во всех режимах работы, включая ждущий, удерживающий, парковочный и Sniff
Сертификаты	Все необходимые разрешения регулирующих органов для поддерживаемых стран, в том числе: FCC (47 CFR), часть 15C, раздел 15.247 и 15.249 ETS 300 328, ETS 300 826 Директива по низковольтному оборудованию IEC950 UL, CSA и CE Mark
Поддерживаемые профили Bluetooth	Общий профиль доступа (GAP) Профиль приложения для обнаружения служб (SDAP) Профиль последовательного порта (SPP) Сетевой профиль Dial_Up (DUN) Общий профиль обмена объектами (GOEP) Профиль выталкивания объекта (OPP) Профиль передачи файлов (FTP) Профиль синхронизации (SYNC) Замена кабеля для жесткого копирования (HCRP) Профиль персональной сети (PAN) Профиль устройства с человеческим интерфейсом (HID) Общий профиль распространения аудио / видео (GAVDP) Расширенный профиль распространения аудио / видео (A2DP) Профиль ФАКСА (ФАКС) Базовый профиль визуализации (BIP) Профиль гарнитуры (HSP) Профиль громкой связи (HFP) Базовый профиль печати (BPP) VDP (профиль распространения видео) AVRCP (Профиль дистанционного управления аудио и видео)

Точная классификация субклеточной локализации белка по изображениям высокопроизводительной микроскопии с использованием глубокого обучения | G3: Гены | Genomes

Abstract

Высокопроизводительная микроскопия многих отдельных клеток позволяет получать данные большой размерности, которые очень сложно проанализировать.Одной из важных проблем является автоматическое обнаружение клеточного компартмента, в котором находится флуоресцентно-меченый белок, задача относительно простая для опытного человека, но трудная для автоматизации на компьютере. Здесь мы обучаем 11-слойную нейронную сеть на данных картирования тысяч дрожжевых белков, достигая точности классификации по локализации клетки на уровне 91% и точности классификации белка на уровне 99% на удерживаемых изображениях. Мы подтверждаем, что низкоуровневые сетевые функции соответствуют основным характеристикам изображения, а более глубокие уровни разделяют классы локализации.Используя эту сеть в качестве калькулятора характеристик, мы обучаем стандартные классификаторы, которые распределяют белки по ранее невидимым отсекам после наблюдения лишь небольшого количества обучающих примеров. Наши результаты представляют собой наиболее точную на сегодняшний день классификацию субклеточной локализации и демонстрируют полезность глубокого обучения для высокопроизводительной микроскопии.

Микроскопические изображения являются богатым и, возможно, недостаточно используемым источником высокопроизводительных биологических данных. Эндогенные белки, помеченные флуоресцентным маркером, могут сообщать о количественном состоянии живых клеток и помогать аннотировать функцию генов, регистрируя пространственные и временные вариации в локализации или численности.Хотя биохимические анализы концентраций молекул требуют для считывания больших лизированных популяций, визуализацию можно проводить на отдельных живых клетках. Сбор данных можно автоматизировать, создавая тысячи микрофотографий в час в матричном формате. Эти инженерные достижения проложили путь для систематического скрининга коллекций меченых белков (Huh et al. 2003) с целью выявления мутантных эффектов на изобилие белка (Albert et al. 2014; Parts et al. 2014) и локализацию (Чонг и др. 2015), изменения в морфологии клетки (Ohya et al. 2005) и органеллы (Vizeacoumar et al. 2010) и определение функции гена (Farkash-Amar et al. 2014; Hériché 2014).

Выходные данные с экрана высокопроизводительной микроскопии должны обрабатываться автоматически (Шамир и др. 2010). Типичный рабочий процесс состоит из нормализации изображения, сегментации ячеек, выделения признаков и статистического анализа; существуют свободно доступные инструменты, которые делают разумный выбор для каждого из этих шагов (Collins 2007; Lamprecht et al. 2007; Pau et al. 2010; Каменцкий и др. 2011; Wagih et al. 2013; Wagih and Parts 2014; Bray et al. 2015). Тем не менее, в то время как этапы предварительной обработки нормализации и сегментации могут быть выполнены относительно стандартизованным способом для получения содержания белка, выделение специфических для проблемы признаков и статистический анализ имеют решающее значение для картирования субклеточной локализации. Конвейеры анализа изображений должны тщательно вычислять более абстрактные характеристики из необработанных значений пикселей и выбирать наиболее информативные, чтобы получить числа, которые имеют значение в контексте текущего эксперимента (Glory and Murphy 2007; Handfield et al. 2015). Определение правильных функций может занять много времени и привести к ошибкам, а количество по умолчанию, созданное существующим программным обеспечением, не обязательно актуально за пределами области, для которой они были созданы (Боланд и др. 1998; Конрад и др. 2004) .

Глубокие нейронные сети (LeCun et al. 2015; Schmidhuber 2015) в последнее время стали популярными для задач анализа изображений, поскольку они преодолевают проблему выбора признаков. Методы, основанные на глубоком обучении, оказались наиболее точными в самых разных задачах — от обнаружения объектов (He et al. 2015) семантической сегментации (Girshick et al. 2014) и субтитров к изображениям (Vinyals et al. 2015), а также приложений к биологическим доменам (Tan et al. 2015; Angermueller et al. 2016; Rampasek and Goldenberg 2016), от регуляторной геномики (Alipanahi et al. 2015; Kelley et al. 2016; Zhou and Troyanskaya 2015) до электронной микроскопии (Cireşan et al. 2012, 2013). Для идентификации объектов по фотографиям эти модели уже превосходят людей (He et al. 2015). Вкратце, глубокие сети обрабатывают изображения через последовательные уровни вычислительных единиц (нейронов), которые количественно определяют все более сложные закономерности в данных и обучены предсказывать наблюдаемые метки. Одно из их главных преимуществ состоит в том, что при достаточно большом обучающем наборе они могут автоматически изучать функции, наиболее полезные для данной задачи классификации, без необходимости их проектирования a priori .

Здесь мы применяем парадигму глубокого обучения к данным высокопроизводительной микроскопии.Мы представляем DeepYeast, нейронную сеть, обученную классифицировать субклеточную локализацию флуоресцентных белков в дрожжевых клетках. Наша сеть превосходит случайные леса, обученные стандартным функциям изображения для определения шаблонов локализации, как на уровне отдельных ячеек, так и на уровне популяции ячеек, и обеспечивает более высокую точность, чем сообщалось ранее. Мы интерпретируем внутренние выходы сети и обнаруживаем, что слои нейронов, близкие к данным, соответствуют характеристикам изображения низкого уровня, в то время как более глубокие нейроны информируют о состоянии классификации.Сеть может использоваться в качестве экстрактора признаков, чтобы случайные леса, обученные на ее выходе, отделяли ранее ненаблюдаемые классы.

Методы

Данные

Мы построили крупномасштабный набор помеченных данных на основе высокопроизводительных микроскопических изображений в масштабе протеома от Chong et al. (2015). Каждое изображение имеет два канала: красный флуоресцентный белок (mCherry) с цитозольной локализацией, маркирующий контур клетки, и зеленый флуоресцентный белок (GFP), маркирующий эндогенный ген на 3′-конце, который характеризует количество и локализацию белка. .Для ~ 70% протеома дрожжей субклеточная локализация белка была определена вручную (Huh et al. 2003). Однако наши данные были получены при несколько ином генетическом фоне и в экспериментальных условиях, и маркировка изображений на глаз может быть подвержена ошибкам. Поэтому для получения примеров обучения с высокой степенью достоверности мы использовали изображения, на которых (Huh et al. 2003; Chong et al. 2015) совпадают аннотации. Наш окончательный набор данных включал 7132 микроскопических изображения из 12 классов (клеточная периферия, цитоплазма, эндосома, эндоплазматический ретикулум, Гольджи, митохондрия, ядерная периферия, ядрышко, ядро, пероксисома, полюс веретена и вакуоль), которые были разделены на обучение, проверку и тестовые наборы.Кроме того, сегментирование от Chong et al. (2015) были использованы для кадрирования целых изображений на участки размером 64 × 64 пикселя с центром в средней точке ячейки, в результате чего было получено 65 000 примеров для обучения, 12 500 для проверки и 12500 для тестирования.

Сверточная нейронная сеть

Мы обучили глубокую сверточную нейронную сеть, которая имеет 11 слоев (восемь сверточных и три полностью связанных) с обучаемыми весами (рисунок 1C). Мы использовали шаблоны 3 × 3 с размером шага (шаг) 1 для сверточных слоев, 2 × 2 области агрегации с размером шага 2 для объединения слоев и выпрямленные нелинейности линейных единиц для функции активации.Количество единиц в сверточных слоях было 64, 64, 128, 128, 256, 256, 256 и 256, а в полностью связанных слоях было 512, 512 и 12. Мы инициализировали веса, используя инициализацию Glorot-normal. (Glorot and Bengio 2010) и использовали пакетную нормализацию (Ioffe and Szegedy 2015) после каждого сверточного или полностью связного слоя, но перед функциями активации. Для каждого изображения перед использованием вычиталось среднее значение для каждого пикселя обучающей выборки. Потери кросс-энтропии были минимизированы с помощью стохастического градиентного спуска с импульсом 0.9, начальная скорость обучения 0,1 и размер мини-пакета 100. Скорость обучения была разделена на два после каждых 16 250 итераций (25 эпох). Чтобы уменьшить переоснащение, мы использовали снижение веса 0,0005 и коэффициент отсева 0,5 для первых двух полностью связанных слоев. Модели были обучены для 195 000 итераций (300 эпох по полным обучающим данным), и на основе потерь при проверке модель на итерации 130 000 была выбрана для всех экспериментов. Обучение длилось 3 дня на графическом процессоре NVIDIA Tesla K20m.

Рисунок 1

Глубокая нейронная сеть для субклеточной классификации белков. (A) Схема рабочего процесса создания и классификации данных. (B) Примеры изображений (два изображения) из каждого из 12 классов (обозначенных выше). Красная флуоресценция соответствует цитозольному маркеру, обозначающему клетку, а зеленая — интересующему белку. (C) Архитектура сверточной нейронной сети DeepYeast. Восемь сверточных слоев (желтый) сменяются тремя полностью связанными (зеленый), производя прогноз (синий).Все сверточные слои имеют фильтры 3 × 3 с шагом 1 (размер фильтра и количество нейронов в метке слоя), и все операции объединения (фиолетовый) выполняются над 2 × 2 неперекрывающимися областями. ER, эндоплазматический ретикулум.

Случайный лес

Для сравнения мы обучили классификатор случайного леса, реализованный в пакете R randomForest (Liaw and Wiener 2002), на функциях из Chong et al. (2015), которые были извлечены с помощью конвейера CellProfiler (Bray et al. 2015).Всего существует 435 различных функций, состоящих из измерений интенсивности, геометрических характеристик и текстуры в разных масштабах, таких как особенности текстуры Харалика (Haralick 1979), Габора (Jain и др. 1997) и фильтры Зернике (фон Зернике 1934). . Мы выполнили поиск по сетке, чтобы выбрать количество деревьев для роста (50, 100, 250, 500 или 1000), количество функций для случайной выборки при каждом разбиении (10, 25, 50, 75, 100, 125, 150 , 175, 200, 250 или 300) и минимальный размер оконечных узлов (1, 2, 5, 10 или 50).Основываясь на производительности набора для проверки, мы выбрали 500, 100 и 1 для этих гиперпараметров соответственно. Окончательная производительность оценивалась на том же наборе тестовых данных, что и нейронная сеть.

Доверительные интервалы начальной загрузки

Чтобы получить CI для оценок точности и отзыва, мы провели повторную выборку тестовых данных с заменой 20000 раз, так что количество разных меток классов осталось прежним, и рассчитали точность и отзыв для каждого класса в каждый образец начальной загрузки.2,5 и 97,5% процентилей полученного распределения использовались в качестве 95% ДИ.

Классификация на уровне белков

И для случайного леса, и для DeepYeast мы смоделировали локализацию белка в одной ячейке как полиномиальное распределение с неинформативным априорным значением Дирихле для белка и рассчитали апостериорное значение Дирихле для белка из наблюдений за отдельными клетками. Мы использовали максимум апостериорной оценки для локализации белка. Интуитивно этот подход соответствует мягкому подсчету количества ячеек, назначенных каждому отделению, и выбору отделения с максимальным количеством.

Определение ячеек хорошего качества

Чтобы удалить заметный источник неправильной классификации, мы обучили случайный лес различать ячейки и не ячейки (, например, , неправильно сегментированные области, пустые области и артефакты изображения) на основе функций CellProfiler. Для каждой из 12 категорий мы случайным образом отобрали без замены 100 примеров из изображений проверочного набора, которые были правильно классифицированы как DeepYeast, так и случайным лесом, и пометили их как ячейки хорошего качества.Кроме того, мы проверили набор для проверки и вручную выбрали 118 неячеек, в результате получилось 1200 изображений ячеек и 118 изображений без ячеек. Мы выполнили 10-кратную перекрестную проверку, чтобы выбрать количество функций для случайной выборки при каждом разбиении (2, 110, 218, 326 или 435), а также необходимость понижать дискретизацию изображений хорошего качества при каждой выборке начальной загрузки. Основываясь на производительности перекрестной проверки, окончательная модель использовала 100 деревьев, 110 функций в каждом разбиении, без понижающей дискретизации и достигла точности 96,7%.

Передача обучения

Чтобы оценить универсальность функций DeepYeast, изученных в задаче классификации, мы построили новый набор данных из классов, отсутствующих в данных обучения.Каждая из четырех новых категорий (актин, шейка почки, липидные частицы и микротрубочки) содержала по 1000 изображений клеток для обучения, 500 для проверки и 1000 для тестирования. Мы загрузили данные в DeepYeast и извлекли выходные данные первого полностью подключенного слоя в качестве объектов (каждый слой для последующих сравнений в Дополнительных материалах, рис. S6). Мы взяли подвыборку случайных наборов данных разного размера (1, 3, 5, 10, 25, 50, 100, 250 и 500) из обучающих данных, подобрали случайный классификатор леса, как это реализовано в пакете scikit-learn (Pedregosa et al. . 2011) к соответствующим функциям DeepYeast и CellProfiler, выбрал наиболее эффективную модель на основе данных проверки и оценил окончательную производительность на данных тестирования для каждого размера набора данных.

t-SNE визуализации

Мы выбрали 1000 ячеек случайным образом для всех классов, обработали их с помощью сети DeepYeast и применили t-SNE (Van der Maaten and Hinton 2008) с параметрами по умолчанию к выходам нейронов на разных уровнях.

Результаты

Глубокая нейронная сеть для классификации локализации белка на изображениях дрожжевых клеток

Для точной классификации локализации белка в отдельных клетках и популяциях мы создали сверточную нейронную сеть DeepYeast, полученную на основе данных высокопроизводительной микроскопии дрожжей, созданных Чонгом и другие. (2015) (рисунок 1A и файл S1). Мы использовали набор данных, содержащий 90 000 изображений клеток 1783 белков, локализованных ровно в 1 из 12 клеточных компартментов (рис. 1B), как было измерено в двух исследованиях (Huh et al. 2003; Chong et al. 2015). Каждое изображение записывает цитоплазматический сигнал в красном канале и интересующий меченый белок в зеленом канале. Сеть состоит из 11 уровней (восемь сверточных слоев с выпрямленными линейными блоками, за которыми следуют три полностью связанных слоя, рис. 1C) и выхода softmax для присвоения одной из 12 меток классов.Параметры DeepYeast (всего более 10 000 000) были изучены в структуре Caffe (Jia et al. 2014) с использованием стохастического градиентного спуска с импульсом ( Материалы и методы ).

Точная классификация локализации белка в отдельных клетках и популяциях

Сначала мы сравнили производительность DeepYeast, обученного на необработанных значениях пикселей, со случайными лесами (Breiman, 2001), обученными на 435 функциях, извлеченных с помощью CellProfiler (Bray et al. 2015), Чонг и др. (2015). Мы подогнали модели к 72% изображений отдельных ячеек, используя ряд настроек параметров, выбрали наиболее точный вариант для остальных 14% изображений и количественно оценили его эффективность для остальных 14% ( материалов и методов, ). Ни один белок не имел клеточного изображения более чем в одной из групп обучения, тестирования и проверки.

Глубокая нейронная сеть достигла точности классификации 87% [10 839/12 500 ячеек, κ Коэна (Cohen 1960) = 0,85] по сравнению с 75% (9375/12 500, κ Коэна = 0.72) для случайных лесов (таблица S1, файл S2 и файл S3). DeepYeast превзошел случайные леса для каждого класса по отзыву (рис. 2A) и точности для всех компартментов, кроме ядрышка (рис. 2B). Производительность случайного леса согласуется с предыдущими результатами для классификации отдельных ячеек на том же наборе данных [точность 70% (Kraus et al. 2015)], которые были получены с использованием расширенного набора классов.

Рисунок 2

Точность классификации сотового отсека. (A) DeepYeast превосходит случайные леса по точности классификации.Вспомните (ось y ) для 12 субклеточных компартментов (ось x ) для классификаторов DeepYeast (красный) и случайного леса (синий). Пунктирными линиями обозначены медианы по отсекам. Планки погрешностей обозначают 95% доверительный интервал. из 20000 образцов начальной загрузки (Таблица S2). (B) То же, что (A), но для точности по оси y . (C) Примеры ошибок классификации, связанных с техническими проблемами (слева) из-за низкого сигнала (внизу слева) или отсутствия ячейки (вверху слева), неоднородности популяции (в центре), приводящей к ложноположительным (вверху в середине) и ложноотрицательным (внизу посередине), а также частые ошибки модели (справа) при классификации ядра как ядрышка (вверху справа) или ядрышка как полюса веретена (внизу справа).(D) Матрица неточностей классификации DeepYeast. Частота ошибок от истинного ( y -ось) до ложно предсказанного ( x -ось) отсеков. ER, эндоплазматический ретикулум.

Ошибки произошли для каждого сотового отсека. Некоторые ошибки были связаны с техническими проблемами с изображением, вызванными низкой интенсивностью сигнала, артефактами или отсутствием надлежащей ячейки (рис. 2C, слева). Несмотря на то, что наши результаты в целом устойчивы к такому шуму во входных данных, мы дополнительно обучили классификатор отличать изображения ячеек хорошего качества от функций CellProfiler ( Материалы и методы ) и отфильтровали данные, которые считались имеющими технические проблемы, как это было сделано. в предыдущих заявках (Chong et al. 2015). После удаления 1440 точек данных, классифицированных как noncell (12%), точность DeepYeast увеличилась до 91% (10 080/11 060), а случайные леса — до 79% (8756/11 060). Некоторые оставшиеся ошибки могут быть приписаны ошибкам маркировки из-за загрязнения или неоднородности популяции (рис. 2С, посередине), в результате чего метка обучающих данных не согласуется с наблюдаемым распределением белка в клетке. В остальных случаях DeepYeast классифицировал белок не в том отсеке (, например, , рис. 2C, справа).

Самыми сложными для классификации локализации были эндосома (вспомним 65%, 447 правильных из 689), полюс веретена (76%, 595/781), пероксисома (80%, 131/164), Гольджи (85%, 324 / 382) и ядро ​​(85%, 1386/1627). Эндосомы, полюса веретена, пероксисомы и Гольджи в основном представлены различным количеством точек, которые не видны во всех клетках и могут скрывать друг друга, что затрудняет их различение. Действительно, наиболее частыми ошибками классификации (рис. 2D и рис. S1) были пероксисома к полюсу веретена (11%; 18 из 164 изображений пероксисомных клеток) и от эндосомы к вакуоли (8%, 56/689).Другой повторяющейся ошибкой было обозначение ядер ядрышковых белков как ядерных (4%, 45/1263), оба из которых представляют собой большие круглые пятна. Случайные леса имели дополнительные распространенные ошибки, но наиболее частые неправильные классификации были разделены с DeepYeast, что отражает общую сложность различения паттернов и паттернов в одной ячейке (файл S4 и файл S5).

До сих пор мы рассматривали отдельные клетки и классифицировали паттерн локализации флуоресцентного сигнала. Затем мы спросили, насколько хорошо мы можем сделать вывод о клеточном компартменте белка по всем полученным для него изображениям клеток.Мы назначили класс локализации каждого белка как наиболее вероятный класс в соответствии с апостериорной вероятностью, рассчитанной на основе агрегирования данных по отдельным клеткам ( Материалы и методы, ). Используя эту комбинированную оценку, мы достигли 99% точности классификации (279/282) для тестовых белков, для которых не использовались изображения отдельных клеток для обучения. Две из ошибок были связаны с ядерными белками, ошибочно классифицированными как ядрышковые, при этом наблюдались изображения семи и девяти клеток соответственно. Оставшаяся ошибка произошла для белка с одной отображаемой клеткой.Таким образом, дополнительно требуется регистрировать не менее 10 клеток для каждого белка, точность увеличилась до 100% (222/222). Случайные леса имели точность 95% (269/282) по полным тестовым данным и 96% точности (214/222), когда было измерено не менее 10 ячеек (Рисунок S2). В качестве исходного уровня Chong et al. (2015) сообщил о точности 50–90% на белок (Chong et al. 2015) в зависимости от класса на перекрывающемся наборе данных, используя аннотацию (Huh et al. 2003) в качестве золотого стандарта, и классификация ансамблей векторных машин поддержки.Хотя, насколько нам известно, человеческая точность этих или подобных изображений не оценивалась напрямую, эксперты определяют компартменты человеческих белков с точностью более 80% (Murphy et al. 2003; Kraus et al. 2015). Все эти характеристики ниже того, что мы сообщаем здесь, но поскольку наборы данных не идентичны, прямые сравнения следует интерпретировать с осторожностью.

Выходы нейронной сети поддаются интерпретации

Модели нейронных сетей часто рассматриваются как черные ящики, которые трудно интерпретировать.Чтобы получить интуитивное представление о функциях DeepYeast, которые помогают прогнозировать, мы исследовали характеристики изученных весов и выходных сигналов нейронов. Сначала мы выбрали изображения и участки изображения, которые максимизируют или минимизируют активацию отдельных нейронов, таким образом, хорошо согласовывая их весовой паттерн (рис. 3А). Первые слои нейронов наиболее близки к данным, с небольшими восприимчивыми полями, состоящими из ограниченного числа пикселей, и, таким образом, фиксируют локальные мелкомасштабные характеристики изображения. В качестве иллюстрации, четыре нейрона, выбранных в первом слое, были максимально активированы участками изображения, содержащими края (рис. 3А, левый столбец), нейроны второго слоя — участками с углами и линиями, а третий и четвертый слои — более сложной формы (рис. 3А, средние столбцы).Нейроны в более глубоких слоях представляют собой комбинации низкоуровневых функций. Максимально активирующие участки для выбранных нейронов начали напоминать характеристики класса, такие как точечные паттерны, мембранные структуры и большие участки (рис. 3А, крайний правый столбец). Хотя эти общие черты наводят на размышления и могут указывать на шаблоны, которые усваивает сеть, они также могут быть вызваны неинтересными техническими причинами и поэтому должны интерпретироваться с осторожностью.

Рисунок 3

Визуализация сетевых объектов на разных уровнях.Интерпретация первого, второго, четвертого, восьмого и одиннадцатого слоев DeepYeast (прямоугольная диаграмма вверху, см. Также рисунок 1C). (A) Патчи изображения, которые увеличивают выходной сигнал нейронов. Для каждого из слоев показаны четыре нейрона (ось y ) и части изображения (ось x ), соответствующие блоку пикселей, которые подаются в них для максимальной активации. (B) 2D-визуализации с использованием алгоритма t-SNE (Ван дер Маатен и Хинтон, 2008). 1000 случайных изображений были переданы через сеть, выходные данные скрытого слоя были извлечены, а алгоритм t-SNE использовался для проецирования многомерных представлений в двух измерениях.Очки окрашены в соответствии с истинными категориями классов. (C) Три самых близких изображения ( x -ось) к двум выбранным точкам [1 и 2 на (B), y -ось] в двумерном проекционном пространстве t-SNE. (D) Распределение взаимной информации (ось y ) между вероятностью полиномиального класса и дискретными выходами нейронов для каждого слоя (слева направо), а также функциями CellProfiler (крайнее правое поле, красный).

Затем мы применили t-SNE (Van der Maaten and Hinton 2008), инструмент для визуализации данных большой размерности в двух измерениях, на разных уровнях выходных данных DeepYeast из 1000 случайно выбранных изображений и добавили цветовую информацию о отсеках (рис. 3B и рисунок S3).Классы существенно перекрываются для выходных данных нижнего уровня, в то время как более глубокие уровни, которые используют полностью связанную сетевую структуру, все больше разделяют локализации, так что близлежащие точки соответствуют одному и тому же классу (рисунок 3C). Мы также спросили, какие выходы нейронов коррелируют с функциями CellProfiler и членством в классе. Для этого мы вычислили самый сильный коэффициент корреляции Пирсона для функции CellProfiler (извлеченный Чонгом и др. (2015)), а также наибольшую взаимную информацию с меткой класса для каждого выходного блока.Глубокие активации информировали ярлыки классов (рис. 3D), в то время как мелкие более тесно коррелировали с функциями CellProfiler и фильтрами Габора (рис. S4).

DeepYeast можно использовать в качестве экстрактора признаков.

Классификация новых классов локализации требует создания новых обучающих наборов, а если образец является редким, получение необходимых изображений затруднено и требует много времени. Кроме того, хотя применение существующей сети к новым данным может быть простым, ее переобучение требует значительных усилий.Это мотивирует перепрофилирование обученных сетей в качестве экстракторов информативных функций, которые затем могут использоваться в качестве входных данных для традиционных моделей (Донахью и др. 2013; Разавиан и др. 2014).

Мы проверили, можно ли использовать сеть, обученную на большом количестве данных, для выделения информации изображения, которая также полезна для различения ранее ненаблюдаемых отсеков. Мы обработали изображения, соответствующие четырем новым сложным классам (актин, шейка почки, липидные частицы и микротрубочки; рисунок 4A и файл S6.) с DeepYeast, и рассчитанные выходы из первого полностью подключенного слоя в качестве функций. Метки классов не были независимыми от функций даже без дополнительного обучения (рис. 4B), что указывает на то, что сеть извлекала информативные сигналы из данных. Затем мы обучили классификатор случайного леса вычисленным характеристикам, используя увеличивающееся количество обучающих изображений. Классификаторы, использующие функции нейронной сети, превзошли классификаторы, использующие функции CellProfiler для небольших размеров обучающего набора (рис. 4C и рис. S5), а точность еще больше повысилась с дополнительными данными.Однако общая точность для этих классов оставалась ниже, чем для других из-за их точечного рисунка. Мы повторили эксперимент на выходах всех слоев DeepYeast и обнаружили, что они не различают новые классы одинаково хорошо. В частности, классификаторы, обученные на самых глубоких сверточных слоях, превзошли модели, обученные функциям CellProfiler и другим слоям для больших размеров обучающего набора (рисунок S6). Это поддерживает предыдущие отчеты о том, что выходные данные промежуточного уровня могут быть более полезными в новой области, поскольку они охватывают достаточно общие функции, с одной стороны, но не являются чрезмерно специализированными для обученной задачи, с другой (Yosinski et al. 2014).

Рисунок 4

Работы по переносу обучения. (A) Четыре примера изображения каждого из дополнительных проанализированных классов. (B) Применение t-SNE к сетевым выходам дополнительных данных (см. Также рисунок 3B) и раскрашивание точек в соответствии с классами демонстрирует разделение новых отсеков на основе функций, обученных для классификации других локализаций. (C) Точность классификации удерживаемых данных ( y -ось) для различного количества обучающих изображений ( x -ось) для выходных данных DeepYeast (красный) или функций CellProfiler (синий), используемых в качестве входных данных для случайного леса.Планки погрешностей обозначают 95% доверительный интервал. из 20 000 образцов начальной загрузки.

DeepYeast был обучен на белках, которые преимущественно локализуются в одном отделении. Наконец, мы подтвердили, что распределение белков между несколькими классами может быть точно определено как таковое. Из набора белков, исследованных Chong et al. (2015), которые до сих пор не использовались в нашем анализе, мы выбрали те, которые были вручную аннотированы как принадлежащие как ядру, так и цитоплазме, и рассчитали их вероятности апостериорного класса.Как и ожидалось, цитоплазматический и ядерный классы имели высокую апостериорную вероятность и были двумя наиболее вероятными классами в 21/24 случаях и в тройке лучших для остальных случаев. Апостериорная вероятность назначения компартмента для каждого гена может дополнительно интерпретироваться как частота клеток, для которых белок находится в компартменте; модель не обязана принимать резкое решение и относить каждый ген к одному месту.

Обсуждение

Мы продемонстрировали, что DeepYeast, 11-слойная сверточная нейронная сеть, может достигать точности классификации 91% для отдельных клеток в 12 субклеточных локализациях и 100% для белков, когда рассматриваются целые популяции клеток хотя бы умеренного размера. .Внутренние выходные данные DeepYeast — это не черный ящик, их можно визуализировать и интерпретировать с точки зрения характеристик изображения. Предварительно обученная сеть функционирует как экстрактор признаков, чтобы успешно различать ранее невидимые классы и делать выводы о смесях компартментов в популяции.

Ошибки классификации в основном возникали между отсеками, которые также трудно различить на глаз. Различное количество точек в пероксисомах, полюсах веретена и эндосомах может быть похожим друг на друга или вообще отсутствовать.Ядро и ядрышко представляют собой пятна одинакового размера; когда характерная серповидная форма ядрышка не проявляется, его также трудно отличить от ядерного маркера. В целом, точность определения отдельных клеток в 91% приближается к показателям распределения белков в предыдущих отчетах (Boland and Murphy 2001; Murphy et al. 2003; Conrad et al. 2004; Kraus et al. 2015). а остальные ошибки часто являются пограничными случаями, классификация которых затруднена даже для обученных людей (файл S4 и файл S5).Тем не менее, когда были измерены по крайней мере 10 отдельных клеток, правильная классификация клеток преобладала над ошибками, и все тестируемые белки были отнесены к нужному отделу в имеющихся данных.

Успех глубоких нейронных сетей в анализе изображений зависит от архитектуры, которая инкапсулирует иерархию все более абстрактных функций, важных для классификации, и большого количества обучающих данных для изучения параметров модели. В то время как в первых приложениях использовалось меньшее количество слоев (Boland et al. 1998) и в основном оперировали предварительно рассчитанными характеристиками (Боланд и др. 1998; Боланд и Мерфи 2001; Конрад и др. 2004; Чен и др. 2007), анализ на уровне пикселей дал хорошие результаты (Danckaert и др. al. 2002), особенно с использованием новейших методов обучения (Cireşan et al. 2013; Kraus et al. 2015). Субклеточная локализация определяется пространственными вариациями на разных масштабах длины, от одиночных маленьких точек до протяженных тонких мембран.Таким образом, количественная оценка этой ковариационной структуры важна для точного моделирования, но получение правильных характеристик для нее требует математической сложности и вычислительной обработки (Handfield et al. 2015). Сверточные слои в нейронной сети не зависят от местоположения сигнала в изображении и принимают входные данные от постепенно увеличивающихся шаблонов, таким образом фиксируя пространственные корреляции все более широкого диапазона управляемым данными способом.

При выборе архитектуры модели руководствовались предыдущими результатами и практическими соображениями.Даже с современными графическими процессорами сквозное обучение глубокой нейронной сети требует больших вычислительных ресурсов; поэтому мы не пытались оценить влияние архитектуры модели на результаты. Ранее было показано, что три полностью связанных слоя и использование фильтров 3×3 предлагают достаточно богатую параметризацию для захвата интересных комбинаций функций, превосходя альтернативы в стандартизированных задачах (Simonyan and Zisserman 2014). Восемь сверточных слоев с тремя операциями объединения 2 × 2 дают функции, которые охватывают все изображение клетки, в каком масштабе, как мы ожидали, будут отражены характеристики органелл.Наконец, выбранная нами архитектура была самой большой, которая могла уместиться в памяти используемого нами графического процессора.

DeepYeast можно повторно использовать для других экспериментов по анализу изображений с теми же белками-маркерами и увеличением, или дополнительно обучить для конкретных приложений. Мы продемонстрировали, что предварительно обученная модель может применяться как для классификации ранее невидимых компартментов, так и для определения сочетаний паттернов локализации. Обычные реализации классификации не всегда предоставляют модели, которые легко использовать повторно.Мы представляем себе репозиторий сетей, обученных работе с различными сборниками биологических изображений, которые можно загрузить и использовать в качестве готовых калькуляторов функций или настроить с дополнительными данными для получения результатов, специфичных для ниши, при условии наличия доступа к необходимой инфраструктуре. . Подобные ресурсы уже существуют в других областях, а также впервые используются для анализа биоизображений (Kraus et al .2017).

Хотя наша сеть DeepYeast превзошла альтернативу случайного леса и достигла точности лучше, чем сообщалось ранее, прямые сравнения следует интерпретировать с осторожностью.Мы использовали чистый обучающий набор белков, локализованных в одном отделении, как это было сделано в предыдущей работе (Chong et al. 2015; Kraus et al. 2015), но поскольку данные обучения не совпадают полностью, различия в производительности отчасти может быть связано с составом набора данных. Оба Chong et al. (2015) и Kraus et al. (2015) полагался на информацию из сегментированных ячеек для лучшей эффективности классификации; мы рассматривали только патчи, о которых известно, что они содержат ячейку без информации о сегментации на уровне пикселей.Это устраняет необходимость в очень точных конвейерах сегментации, и действительно, центры ячеек также могут быть получены из дополнительных маркеров, например, . , гистоновые метки в ядре (Parts et al. 2014), которые четко разделены и поэтому намного легче сегментировать, чем целые клетки.

Глубокие нейронные сети доказали свою ценность в извлечении информации из данных крупномасштабных изображений (Крижевский и др. 2012; He и др. 2015; LeCun и др. 2015; Ronneberger et al. 2015). Было бы неразумно полагать, что это не так для высокопроизводительной микроскопии. Адаптация технологии будет зависеть от простоты ее развертывания и обмена между исследователями; с этой целью мы сделали нашу обученную сеть бесплатно доступной. Полезность этих подходов будет расти по мере накопления общедоступных данных, и мы ожидаем, что глубокие нейронные сети докажут себя мощным классом моделей для анализа биологических изображений и данных.

Благодарности

Мы благодарим Tambet Matiisen за техническую помощь; Хелене Фризен за консультации по изображениям дрожжей; Иоланда Чонг, Джудис Кох и Орен Краус за помощь в доступе к данным; и Мартин Хемберг, Джаред Симпсон, Фелисити Аллен, Оливер Стегл и Кристоф Ангермюллер за комментарии к тексту. Мы благодарим корпорацию NVIDIA за поддержку графического процессора, использованного в этом исследовании. Т. был поддержан Европейским фондом регионального развития через проект BioMedIT и Эстонским исследовательским советом (IUT34-4).L.P. был поддержан Wellcome Trust и Эстонским исследовательским советом (IUT34-4).

Автор (ы): T.P. обучил модели и проанализировал данные. Т. и Л.П. придумали и разработали подходы к анализу и написали рукопись. Авторы заявляют об отсутствии конкурирующих финансовых интересов.

• Получено 18 июля 2016 г.
• Принято 22 ноября 2016 г.

• Copyright © 2017 Parnamaa and Parts

Это статья в открытом доступе, распространяемая в соответствии с условиями Creative Commons Attribution 4.0 Международная лицензия (http://creativecommons.org/licenses/by/4.0/), которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии правильного цитирования оригинальной работы.

Цитируемая литература

1. ↵
2. ↵
3. ↵
4. ↵
5. ↵
6. ↵
7. ↵
8. ↵
9. ↵
10. ↵

    Чирешан, Д., А. Джусти, Л. М. Джамбарделла и Л. М. Джамбарделла Schmidhuber, 2012 Глубокие нейронные сети сегментируют нейрональные мембраны на изображениях электронной микроскопии.Proceedings of Advances in Neural Information Processing Systems 2012, Lake Tahoe, NV, pp. 2843–2851.

11. ↵
12. ↵
13. ↵
14. ↵
15. ↵
16. ↵
17. ↵
18. ↵

    Гиршик, Р., Дж. Донахью, Т. Даррелл и Дж. Малик, 2014 г. обнаружение объектов и семантическая сегментация. Материалы конференции IEEE 2014 г. по компьютерному зрению и распознаванию образов, Колумбус, Огайо, стр. 580–587.

19. ↵

    Глорот, Х.и Y. Bengio, 2010 г. Понимание сложности обучения нейронных сетей с глубокой прямой связью. Материалы 13-й Международной конференции по искусственному интеллекту и статистике, Chia Laguna Resort, Сардиния, Италия, стр. 249–256.

20. ↵
21. ↵
22. ↵
23. ↵
24. ↵

    Hériché J.-K. 2014 Систематическое клеточное фенотипирование, стр. 86–110 в Phenomics , под редакцией Дж. М. Хэнкока. CRC Press, Бока-Ратон, Флорида.

25. ↵
26. ↵
27. ↵
28. ↵

    Jia, Y., E. Shelhamer, J. Donahue, S. Karayev, J. Long et al. , 2014 Caffe: сверточная архитектура для быстрого встраивания функций. Труды 22-й Международной конференции ACM по мультимедиа , Орландо, Флорида, стр. 675–678.

29. ↵
30. ↵
31. ↵
32. ↵
33. ↵
34. ↵

    Крижевский А., Суцкевер И., Хинтон Г. Э., 2012 Классификация Imagenet с глубокими сверточными нейронными сетями. Proceedings of Advances in Neural Information Processing Systems 2012, Lake Tahoe, NV, pp.1097–1105.

35. ↵
36. ↵
37. ↵
38. ↵
39. ↵
40. ↵
41. ↵
42. ↵
43. ↵
44. ↵

    Разавиан, А., Х. Азизпур, Дж. Салливан и С. Карлссон, Канал CNN 2014 года готовится к выпуску: потрясающая база для признания. Материалы конференции IEEE 2014 г. по компьютерному зрению и распознаванию образов, Колумбус, Огайо, стр. 806–813.

45. ↵
46. ↵
47. ↵
48. ↵
49. ↵
50. ↵
51. ↵

    Виньялс, О., А. Тошев, С. Бенжио и Д. Эрхан, 2015 Покажи и расскажи: генератор подписей нейронных изображений. Материалы конференции IEEE 2015 года по компьютерному зрению и распознаванию образов, Бостон, Массачусетс, стр. 3156–3164.

52. ↵
53. ↵
54. ↵
55. ↵
56. ↵

    Йосински, Дж., Дж. Клун, Й. Бенджио и Х. Липсон, 2014 г. Насколько переносимы функции в глубоких нейронных сетях? Proceedings of Advances Neural Information Processing Systems 2014, Монреаль, Канада, стр. 3320–3328.

57. ↵

% PDF-1.3 % 1 0 объект > поток конечный поток эндобдж 2 0 obj > эндобдж 6 0 obj > / Rect [74.gu? 6k۶n

Геномная селекция в эру секвенирования следующего поколения для сложных признаков в селекции растений

Front Genet. 2016; 7: 221.

, ^{1, *} , ² , ³ , ² , ¹ , ¹ , ² , ³ , ¹ , ¹ , ¹ и ¹

Джавид А. Бхат

¹ Отдел генетики, Индийский институт сельскохозяйственных исследований, Нью-Дели, Индия

Саджад Али

² Национальный исследовательский центр биотехнологии растений, Нью-Дели, Индия

Ромеш К.Salgotra

³ Школа биотехнологии, Университет сельскохозяйственных наук и технологий Шери-Кашмира, Джамму, Чата, Индия

Захур А. Мир

² Национальный исследовательский центр биотехнологии растений, Нью-Дели, Индия

Sutapa Dutta

¹ Отдел генетики, Индийский институт сельскохозяйственных исследований, Нью-Дели, Индия

Vasudha Jadon

¹ Отдел генетики, Индийский институт сельскохозяйственных исследований, Нью-Дели, Индия

Anshika Tyagi

² Национальный исследовательский центр биотехнологии растений, Нью-Дели, Индия

Мунтазир Муштак

³ Школа биотехнологии, Университет сельскохозяйственных наук и технологий Шери-Кашмира в Джамму, Чатха, Индия

Нилу Джайн

¹ Отдел генетики, Индийский институт сельскохозяйственных исследований, Нью-Дели, Индия

Прадип К.Singh

¹ Отдел генетики Индийского института сельскохозяйственных исследований, Нью-Дели, Индия

Гьянендра П. Сингх

¹ Отдел генетики Индийского института сельскохозяйственных исследований, Нью-Дели, Индия

К.В. Прабху

¹ Отдел генетики, Индийский институт сельскохозяйственных исследований, Нью-Дели, Индия

¹ Отдел генетики, Индийский институт сельскохозяйственных исследований, Нью-Дели, Индия

² Национальный исследовательский центр биотехнологии растений, Нью-Дели, Индия

³ Школа биотехнологии, Университет сельскохозяйственных наук и технологий Шери-Кашмира в Джамму, Чата, Индия

Отредактировал: Майкл Дейхолос, Университет Британской Колумбии, Канада

Рецензировал: Сюнь Сюй, Пекинский институт геномики, Китай; Чуанг Ма, Северо-Западный сельскохозяйственный и лесной университет, Китай; Харикришна Кулавеерасингам, Сайме Дарби, Малайзия

Эта статья была отправлена ​​в раздел «Генетика и геномика растений» журнала «Границы в генетике»

Поступила в редакцию 10 августа 2016 г .; Принята в печать 12 декабря 2016 г.

Авторские права © 2016 Бхат, Али, Салготра, Мир, Дутта, Джадон, Тьяги, Муштак, Джайн, Сингх, Сингх и Прабху.

Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License (CC BY). Использование, распространение или воспроизведение на других форумах разрешено при условии указания автора (авторов) или лицензиара и ссылки на оригинальную публикацию в этом журнале в соответствии с принятой академической практикой. Запрещается использование, распространение или воспроизведение без соблюдения этих условий.

Эта статья цитируется в других статьях в PMC.

Abstract

Геномная селекция (GS) — многообещающий подход, использующий молекулярно-генетические маркеры для разработки новых программ селекции и разработки новых основанных на маркерах моделей для генетической оценки. В селекции растений это дает возможность увеличить генетический прирост сложных признаков за единицу времени и затрат. Баланс затрат и выгод был важным соображением для GS при работе с сельскохозяйственными культурами. Доступность общегеномных высокопроизводительных, экономичных и гибких маркеров, имеющих низкую систематическую ошибку установления, подходящих для большого размера популяции, а также как для модельных, так и для немодельных видов сельскохозяйственных культур с или без эталонной последовательности генома, была наиболее важным фактором для его успешное и эффективное применение в сельскохозяйственных культурах.Эти факторы были основными ограничениями для более ранних систем маркеров, а именно SSR и на основе массивов, и были немыслимы до появления технологий секвенирования следующего поколения (NGS), которые предоставили новые платформы для генотипирования SNP, особенно генотипирование путем секвенирования. Эти маркерные технологии изменили весь сценарий применения маркеров и сделали использование GS повседневной работой по улучшению сельскохозяйственных культур как модельных, так и немодельных видов сельскохозяйственных культур. Генотипирование на основе NGS повысило точность прогнозирования селекционной ценности с учетом геномной оценки по сравнению с другими установленными маркерами для зерновых и других видов сельскохозяйственных культур и сделало мечту о GS реальностью в селекции сельскохозяйственных культур.Но чтобы использовать истинные преимущества GS, эти маркерные технологии будут объединены с высокопроизводительным фенотипированием для достижения ценного генетического преимущества от сложных признаков. Более того, постоянное снижение стоимости секвенирования сделает WGS осуществимым и экономически эффективным для GS в ближайшем будущем. До этого времени целевое секвенирование кажется более экономичным вариантом для крупномасштабного обнаружения маркеров и GS, особенно в случае больших и не декодированных геномов.

Ключевые слова: геномная селекция, GBS, комплексные признаки, GEBV, улучшение сельскохозяйственных культур

Введение

Селекция растений была и будет оставаться основной движущей силой научно обоснованного повышения продуктивности основных пищевых, кормовых и технических культур.Традиционная селекция и селекция с использованием маркеров (МАБ) — это два подхода, используемые для селекции растений (Breseghello and Coelho, 2013). Обычная селекция включает гибридизацию между разными родителями и последующий отбор в течение нескольких поколений для получения улучшенного сорта сельскохозяйственных культур. Этот подход имеет несколько ограничений, таких как длительный период (5–12 лет) для создания сорта сельскохозяйственных культур, основанный на фенотипической селекции (PS), высокий уровень шума окружающей среды и менее эффективный для сложных и мало наследуемых признаков (Tuberosa, 2012).МАБ включает использование молекулярных маркеров для непрямого отбора по признаку, представляющему интерес у видов сельскохозяйственных культур, требует минимальной фенотипической информации во время фазы обучения и было инициировано для устранения ограничений традиционной селекции (Collard and Mackill, 2008). Отбор с помощью маркеров (MAS) и геномный отбор (GS) — это два вида МАВ. MAS использует молекулярные маркеры, которые, как известно, связаны с представляющим интерес признаком или фенотипом, для отбора растений с желаемым аллелем, влияющим на целевой признак.Он эффективен только для тех признаков, которые контролируются меньшим количеством локусов количественных признаков (QTL), оказывающих основное влияние на выражение признака, тогда как для сложных количественных признаков, которые регулируются большим количеством второстепенных QTL, метод даже хуже обычного фенотипический отбор (PS; Zhao et al., 2014). Основная причина заключается в том, что оценка эффектов QTL для минорных QTL посредством картирования сцепления и картирования ассоциаций по всему геному (GWAS) часто бывает предвзятой. Поэтому исследовательские сообщества на протяжении десятилетий искали решения, как справиться с этими сложными чертами и выйти в виде GS.GS оценивает генетическую ценность человека на основе большого набора маркерных данных, распределенных по всему геному, а не на основе нескольких маркеров, как в MAS. GS разрабатывает модель прогнозирования на основе генотипических и фенотипических данных обучающей популяции (TP), которая используется для получения геномных расчетных значений племенной ценности (GEBV) для всех особей племенной популяции (BP) из их геномного профиля (Meuwissen et al. ., 2001) ( рисунок ). GEBV позволяют нам прогнозировать индивидуумов, которые будут работать лучше и подходят либо в качестве родителя в гибридизации, либо для продвижения программы селекции следующего поколения, потому что профиль молекулярных маркеров этих особей аналогичен профилю других растений TP, которые были записаны, чтобы лучше работать в определенных условиях.

Показаны различные этапы геномной селекции (GS), используемые для программы улучшения сельскохозяйственных культур .

Поскольку концепция GS была предложена Meuwissen et al. (2001) как подход к прогнозированию сложных признаков у животных и растений, он только недавно был использован в селекции сельскохозяйственных культур. Наиболее важной причиной этого является отсутствие экономичных и высокопроизводительных платформ для генотипирования, что является важным требованием для GS. Тем не менее, секвенирование следующего поколения (NGS) резко сократило стоимость и время секвенирования, а также обнаружение однонуклеотидного полиморфизма (SNP) и привело к разработке высокопроизводительных платформ для генотипирования SNP по всему геному, особенно к появлению генотипов. побочное секвенирование (GBS), которое привело к внедрению SNP, подходящих и доступных для GS как в модельных, так и в немодельных видах растений (Poland et al., 2012). В этом обзоре мы пытаемся понять, как технологии NGS помогут воспользоваться истинными преимуществами GS в эпоху высокопроизводительного генотипирования для улучшения сельскохозяйственных культур.

Genomic Vs. Фенотипическая селекция

Классическая селекция претерпела драматические изменения в прошлом веке и внесла значительный вклад в улучшение сельскохозяйственных культур, вывели высокоурожайные и чувствительные к питательным веществам полукарликовые сорта зерновых во время Зеленой революции и гибридный рис в 1970-х годах. С середины 20-го века с помощью этих методов были получены современные сорта почти всех основных видов сельскохозяйственных культур и достигнут значительный рост с точки зрения производства и продуктивности.Они выдвинули ежегодный генетический прирост в виде увеличения потенциального урожая зерна на 1%, что недостаточно для того, чтобы идти в ногу с темпами роста мирового населения со скоростью 2% в год, которое в значительной степени полагается на продукты растениеводства в качестве источника пищи (Oury et al. ., 2012; Fischer et al., 2014). Более того, традиционная селекция основана на PS для выбора лучших родителей для скрещивания или для продвижения поколений и менее эффективна в отношении низко наследуемых мультигенных количественных признаков (урожайность, качество, биотические и абиотические стрессы), на которые в значительной степени влияют окружающая среда и G × E взаимодействие.Кроме того, эти методы требуют больших затрат времени, трудоемкости, большой площади, неэффективности затрат, размера популяции и менее точны и надежны, поэтому требуют немедленных, быстрых и эффективных систем отбора для создания высокоурожайных и устойчивых к изменению климата. сорта сельскохозяйственных культур. Следовательно, для решения этих проблем были предложены новые стратегии, называемые GS, основанные на сниженном фенотипировании, в которых отбор основан на маркере / генотипическом профиле (Meuwissen et al., 2001).GS разрабатывает модель прогнозирования путем интеграции генотипических и фенотипических данных TP, которая впоследствии используется для расчета GEBV для всех лиц с BP на основе их генотипических данных (Poland et al., 2012) ( Рисунок ). GEBV выводится на основе комбинации полезных локусов, которые встречаются в геноме каждого индивидуума BP, и обеспечивает прямую оценку вероятности того, что у каждого человека будет превосходный фенотип (то есть высокая селекционная ценность). Отбор новых племенных родителей основан на предполагаемом GEBV, что приводит к более короткой продолжительности цикла размножения, поскольку больше нет необходимости ждать поздних дочерних поколений (т.д., обычно F6 или следующий в случае пшеницы) для фенотипирования количественных признаков, таких как урожайность, биотические и абиотические стрессы и т. д. Учитывая реалистичные предположения о точности отбора, продолжительности цикла размножения и интенсивности отбора, GS может увеличить генетический выигрыш на год по сравнению с PS как в животноводстве, так и в растениеводстве (Zhong et al., 2009; Heffner et al., 2010). Более того, для тех черт, которые имеют длительное время формирования или которые трудно оценить (например, устойчивость к насекомым, качество выпечки хлеба и другие), GS становится дешевле или проще, чем PS, так что можно охарактеризовать больше кандидатов при заданной стоимости, что позволяет увеличение интенсивности отбора.Следовательно, GS предлагает ряд преимуществ по сравнению с PS за счет сокращения продолжительности выбора, повышения точности выбора, интенсивности, эффективности и выигрыша в единицу времени, что экономит время, деньги и обеспечивает более надежные результаты, а также является экологически нечувствительным (Rutkoski et al. , 2011; Деста и Ортис, 2014), таким образом, позволяет быстрее вывести улучшенные разновидности сельскохозяйственных культур, чтобы справиться с проблемами изменения климата и сокращения пахотных земель ( Рисунок ). Одной из предпосылок использования GS в прикладных программах селекции является доступность молекулярных маркеров высокой плотности для всего генома по цене, сравнимой (или меньшей) со стоимостью фенотипирования (Meuwissen et al., 2001; Годдард и Хейс, 2007; Хеффнер и др., 2009; Jannink et al., 2010).

Показаны различные этапы GS для сложных признаков, а также его влияние на рост сельского хозяйства и глобальный голод .

GS и сложные признаки

Наследование количественных признаков варьировалось от простых до сложных, наследование простых количественных признаков определяется несколькими основными генами / QTL, тогда как сложные признаки контролируются многими генами второстепенных эффектов, распределенными по всему геному.Большинство экономических характеристик сельскохозяйственных культур представляют собой сложные количественные характеристики (например, урожайность, качество, биотические и абиотические стрессы и т. Д.), Поэтому на протяжении десятилетий они остаются в центре внимания селекционеров и исследователей растений. Эти черты ограничены их низкой наследуемостью и чувствительностью к окружающей среде; следовательно, традиционные подходы к селекции медленно нацелены на эти признаки, которые слишком дороги и трудоемки при фенотипировании (Bhat et al., 2015). Когда-то считалось, что MAS, основанный на первоначальной идентификации ассоциации маркер-признак либо посредством сцепления, либо картирования неравновесного сцепления (LD), имеет потенциал для очистки генетической основы сложных признаков, когда повсюду были лозунги QTL и QTL.Но очень скоро было признано, что MAS и ассоциативная генетика неспособны уловить « второстепенные » эффекты генов, которые лежат в основе большей части генетической изменчивости сложных признаков, и уступают фенотипическому отбору в случае, если связанный маркер составляет небольшую часть генетической изменчивости. среди особей БП (Castro et al., 2003; Collins et al., 2003; Xu and Crouch, 2008) ( Рисунок ). Улучшение сложных признаков, требующих многолетней и многолокационной фенотипической оценки для фиксации взаимодействия G × E, иногда невозможно из-за нехватки средств и рабочей силы.И то, что предсказывалось за последние два с половиной десятилетия, что технология молекулярных маркеров изменит программу разведения и будет способствовать быстрому получению результатов от селекции, наконец сбылось в форме GS, чему способствовали экономичные высокопроизводительные платформы генотипирования на основе NGS. В отличие от традиционных подходов MAS, ориентированных на идентификацию и интрогрессию нескольких основных генов / QTL, GS считает, что все маркеры, распределенные по геному, должны быть включены в модель для создания прогноза, который является суммой всех генетических эффектов, независимо от сколько второстепенных и основных, и, следовательно, позволяет избежать пропуска значительной части генетической изменчивости, вносимой локусами второстепенных эффектов.Ряд исследований, проведенных ранее, показали, что модели GS полезны для сложных количественных характеристик, а именно урожайности зерна, качества, биотических и абиотических стрессов и т. Д. (De los Campos et al., 2009; Crossa et al., 2010; Burgueño et al. al., 2012; González-Camacho et al., 2012; Jannink et al., 2010). Ключевой особенностью этого подхода является то, что используемые по всему геному маркеры высокой плотности потенциально объясняют всю генетическую изменчивость, так что по крайней мере один маркер находится в LD с каждым QTL, управляющим интересующим признаком, и количество эффектов на QTL, которое необходимо оценить, равно небольшой.Наиболее очевидным преимуществом GS является то, что генотипические данные, полученные от семян или проростков, можно использовать для прогнозирования фенотипических характеристик зрелых особей без необходимости проведения обширной фенотипической оценки по годам и окружающей среде, тем самым увеличивая скорость развития сортов сельскохозяйственных культур. Этот подход является особенным, в частности, благодаря NGS, которые делают этот подход осуществимым за счет обнаружения большого количества SNP и методов генотипирования для генотипирования этой огромной информации SNP по большим АД.Следовательно, отбор, основанный на прогнозировании всего генома, заменит протоколы фенотипического отбора и селекции с помощью маркеров в грядущую эпоху, по крайней мере, для сложных признаков, которые требуют наименьшего фенотипирования для обновления модели для повышения точности прогноза.

Ngs: ключ к успеху GS

Секвенирование / повторное секвенирование всего генома (или его части) большого количества образцов — это окончательный подход к изучению полиморфизма любой культуры. Это было невозможно до появления платформы NGS, которая произвела революцию в подходах геномики к биологии, резко увеличив скорость, с которой может быть получена последовательность ДНК, при одновременном снижении затрат на несколько порядков.Технологии NGS широко используются для секвенирования всего генома (WGS), повторного секвенирования всего генома (WGRS), секвенирования de novo , GBS, а также для транскриптомного и эпигенетического анализа (Varshney et al., 2009). Однако есть несколько технических проблем для технологий NGS, таких как анализ данных NGS требует много времени, требует достаточных знаний биоинформатики для сбора точной информации из этих данных последовательностей, коротких длин чтения секвенирования и этапов обработки данных / биоинформатики (Daber et al., 2013). В последние несколько лет были разработаны технологии секвенирования третьего поколения (TGS), которые используются для улучшения стратегий NGS. Эти технологии обеспечивают более длительное считывание последовательности за меньшее время и при меньших затратах на цикл измерений. Прогнозируется, что в ближайшие несколько лет платформа TGS заменит SGS на 47% (Peterson et al., 2010). Ожидается, что эти технологии также повысят точность обнаружения SNP и уменьшат вероятность неправильного вызова базы.

Первоначально WGS, доступный с помощью секвенирования по Сэнгеру, был ограничен несколькими модельными видами растений (рис, кукуруза, Arabidopsis и т. Д.).Доступность WGS привела к значительному переходу от идентификации полиморфизма на основе фрагментов к идентификации полиморфизма на основе последовательностей (SSR, SNP и т. Д.), Чтобы ускорить процесс идентификации маркеров и увеличить количество информативных маркеров. Секвенирование по Сэнгеру, занимающее много времени, дорогое и предоставляющее информацию только целевому человеку, ограничило его использование при открытии конкретных генов (Ray and Satya, 2014). Следовательно, это нецелесообразно для программ разведения, связанных с большой численностью популяции.Технологии NGS и мощные вычислительные конвейеры привели к тому, что стоимость секвенирования всего генома снизилась в несколько раз, что позволило обнаруживать, секвенировать и генотипировать тысячи маркеров за один шаг (Stapley et al., 2010). NGS превратился в мощный инструмент для обнаружения множества маркеров, основанных на полиморфизме последовательностей ДНК, в короткие сроки, и стал мощным инструментом для селекции с оценкой генома (GAB). В настоящее время WGS родительских и дочерних линий картирующих популяций, а также линий зародышевой плазмы, присутствующих в настоящее время в различных репозиториях зародышевой плазмы, является дорогостоящим и неосуществимым, но движущаяся революция в технологиях NGS может снизить стоимость повторного секвенирования генома до нескольких сотен. Доллары США.Это приведет к открытию огромного количества маркеров информации для удовлетворения всех потребностей селекции растений. К тому времени целевое секвенирование кажется более экономичным вариантом для крупномасштабного открытия маркеров, особенно в случае больших и не декодированных геномов. Несколько методов целевого обнаружения маркеров были разработаны с использованием платформ NGS, а именно: библиотеки с уменьшенным представлением (RRL), снижение сложности полиморфных последовательностей (CRoPS), секвенирование ДНК, ассоциированное с сайтами рестрикции (RAD-seq), двойное расщепление RADSeq (ddRADSeq), ezRADSeq, 2bRADSeq, DArTSeq, сокращение генома при сохранении сайта рестрикции (GR-RSC), технология полиморфных маркеров на основе последовательностей, мультиплексное дробное генотипирование (MSG), генотипирование путем секвенирования (GBS), зонд молекулярной инверсии, отбор гибридных растворов и микрочипы. на основе GS, которые включают частичное представление генома и могут использоваться даже при отсутствии предварительных знаний о WGS (Toonen et al., 2013; Рэй и Сатья, 2014). Среди этих технологий NGS RAD-seq (или его варианты) и GBS уже доказали свою эффективность в отношении GAB и часто использовались в исследованиях GWAS и GS (Yang et al., 2012; Glaubitz et al., 2014) ( Таблица ). Разработка технологии секвенирования строго следует закону Мура (Wetterstrand, 2014), который указывает на то, что стоимость WGS или NGS упадет в несколько раз, и в ближайшем будущем WGS будет предпочтительнее целевого секвенирования генома (Marroni et al., 2012). Мы ожидаем, что подавляющее количество WGS не уничтожит полностью метод частичного секвенирования генома, но он будет предпочтительным выбором для краткосрочных проектов по усилению селекции растений следующего поколения.

Таблица 1

Усилия по геномному отбору (GS), выполненные для различных признаков у разных культур с использованием различных статистических моделей, пакетов программного обеспечения и платформ маркерного генотипирования следующего поколения (NGS).

1

S.no.	Виды	Маркерная платформа NGS	Признак	Размер популяции	Всего маркеров SNP	Точность прогноза	Модель	Пакеты программного обеспечения	Ссылка

GBS 9 9142,211 902 914 902 DArTse , 804

урожайность, время цветения

363

73 147

0.31–0,63

RR-BLUP

R package rrBLUP

Spindel et al., 2015

2

Рис

DArTseq

Урожайность зерна, высота растения 314

9145 G-BLUP, RR-BLUP

Пакеты BGLR и ASReml R

Grenier et al., 2015

3

Пшеница

GBS

Стойкость к ржавчине стержня

365

4,01440.61

G-BLUP B

R package GAPIT

Rutkoski et al., 2014

4

Пшеница

GBS

Урожайность зерна, высота растения, дата колошения и прорастание до 365 урожая 1457

38,412

0,54

BLUP

R пакет rrBLUP

Heslot et al., 2013

5

Пшеница

GBS

0 Урожайность зерна

25428–0,45

BLUP

ASReml 3,0

Польша и др., 2012

6

Пшеница

GBS

Урожайность и связанные с урожайностью признаки, содержание белка

112714821

7 79

BLUP

rrBLUP версия 4.2

Isidro et al., 2015

7

Пшеница

GBS

Устойчивость к фитофторозу фузариоза

273

19,957 0.4–0,90

RR-BLUP

R package GAPIT

Arruda et al., 2016

8

Пшеница

GBS

Урожайность зерна, содержание протеина и выход протеина

14659

14659

0,19–0,51

RR-BLUP

R упаковка rrBLUP

Мишель и др., 2016

9

Пшеница

GBS

Урожайность зерна

1477

BLUP 0,5057 G0572

R пакет rrBLUP

Lado et al., 2016

10

Пшеница

DArTseq

Урожайность зерна

803

—

0,27–0,36

G-BLUP

Пакеты BGLR 2016 902 et al.

11

Пшеница

GBS

Урожайность зерна, устойчивость к фузариозу, эквивалент мягкости и урожай муки

470

4858

0,35–0,62

BLUP

t BGL, 2016

12

Пшеница

GBS

Стресс из-за жары и засухи

10819

40000

0,18–0,65

G-BLUP

BGLR

и др.

13

Кукуруза

GBS

Стресс из-за засухи

3273

58 731

0,40–0,50

G-BLUP

BGLR R-package

Z20hang и др.

Кукуруза

GBS

Урожайность зерна, дата цветения, интервал цветения-шелковистости

504

158,281

0.51–0,59

PGBLUP, PRKHS

R Software

Crossa et al., 2013

15

Кукуруза

GBS

Урожайность зерна, дата созревания, интервал цветения-silkimg14

0,62

PGBLUP, PRKHS

R программное обеспечение

Crossa et al., 2013

16

Кукуруза

DArTseq

Устойчивость к болезни колосовой гнили

238

.154 маркера Dart-seq

0,25–0,59

RR-BLUP

R package rrBLUP

dos Santos et al., 2016

17

Соя

GBS14

Урожайность

52,349

0,43–0,64

G-BLUP

Пакет MissForest R, TASSEL 5.0

Jarquín et al., 2014b

18

Canola

0.64

RR-BLUP

Пакет R GAPIT

Raman et al., 2015

19

Люцерна

GBS

Урожайность биомассы

190

10,000 , Программное обеспечение TAASEL

Li et al., 2015

20

Люцерна

GBS

Выход биомассы

278

10,000

0,50

SVR 902 r11 RUP пакет, пакет BGL ‘RandomForest

Annicchiarico et al., 2015

21

Мискантус

RADseq

Фенология, биомасса, состав клеточной стенки

138

20,000

0,57

BLUP

R202 и др.

22

Просо

GBS

Выход биомассы

540

16,669

0,52

BLUP

пакет glmnet R, пакет R rrBLUP

Lipka et al., 2014

23

Grapevine

GBS

Урожайность и родственные признаки

800

90,000

0,50

RR-BLUP

R пакет BLR, Rod 902 и др.

24

Пырей промежуточный

GBS

Урожайность и другие агрономические признаки

1126

3883

0,67

RR-BLUP

R упаковка RGLBLUP

R упаковка RGLBLUP, упаковка

R и т. Д., 2016

25

Райграс многолетний

GBS

Сухой вес и количество дней до колошения

211

10,885

0,16–0,56

RR-1455 al., 2016

Маркетинговые технологии на основе NGS обеспечивают охват маркерами всего генома при очень низкой стоимости точки данных и увеличивают скорость, пропускную способность и экономическую эффективность генотипирования всего генома, что позволяет нам оценить наследование всего генома с точностью до нуклеотидов.Раньше создание данных маркеров было дорогостоящим и трудоемким, а количество маркеров было основным ограничением для стратегий МАБ, которые можно было эффективно проанализировать. Это ограничивало использование маркеров только в критических областях генома для прогнозирования наличия или отсутствия важных для сельского хозяйства признаков. Но расширение технологий NGS и платформ генотипирования расширяет возможности применения маркеров для улучшения сельскохозяйственных культур и является основой успеха GS, который почти полностью сместил зависимость от фенотипирования в сторону большей зависимости от отбора на основе генотипирования.Генотипирование на основе NGS предлагает ряд преимуществ по сравнению с генотипированием на основе массивов, таких как низкая стоимость генотипирования (стоимость образца <20 долларов США), низкая систематическая ошибка установления, расширенное обнаружение динамического диапазона, обеспечиваемое секвенированием у полиплоидных видов, понимание немодельных геномов. отсутствует априорная геномная информация и высокая плотность маркеров, поэтому они стали предпочтительным методом генотипирования для GS (Poland et al., 2012) ( Рисунок ). Среди ряда факторов, которые определяют эффективность и точность, с которой превосходные линии могут быть предсказаны с помощью GS, наиболее критическими факторами являются тип и плотность используемого маркера, а также размер контрольной популяции (ограниченный высокой стоимостью генотипирования) (Jannink и другие., 2010; Lorenz et al., 2011), оба были разрешены с помощью технологий генотипирования NGS (Jarquín et al., 2014a). Кроме того, популяционная структура (т. Е. Генетическое родство) является еще одним ключевым фактором, влияющим на прогнозы селекционной ценности с помощью геномных моделей, и может привести к смещенной точности геномных прогнозов (Saatchi et al., 2011; Riedelsheimer et al., 2013; Wray et al. др., 2013). Популяционная структура порождает ложные ассоциации маркера и признака в исследованиях ассоциаций в масштабе всего генома из-за разной частоты аллелей среди субпопуляций, что может завышать оценку наследуемости генома и погрешность прогнозов генома (Price et al., 2010; Visscher et al., 2012; Wray et al., 2013). Когда структура популяции существует как в обучающей, так и в проверочной выборках, корректировка структуры популяции привела к значительному снижению точности геномного прогнозирования. По сравнению с системами маркеров на основе SSR и массивов, генотипирование маркеров на основе NGS обеспечивает обширную информацию о SNP по всему геному сельскохозяйственных культур для точной оценки популяционной структуры TP, которая, в свою очередь, используется для обучения модели, которая точно прогнозирует GEBV BP ( Isidro et al., 2015).

Роль маркерных технологий на основе секвенирования следующего поколения (NGS) и высокопроизводительного фенотипирования (HTP) на GS . И NGS, и HTP занимают критическую позицию в точной оценке GEBV, которая предсказывает племенную ценность особей в племенной популяции с использованием GS.

Таким образом, быстрое развитие технологии секвенирования привело к более высокой пропускной способности и низкой стоимости образца, а также позиционированию генотипирования на основе NGS как экономичного и эффективного инструмента агригеномики для выполнения GS как для модельных, так и для немодельных видов сельскохозяйственных культур. что касается сельскохозяйственных культур с большим и сложным геномом (Metzker, 2010; Kirst et al., 2011; Польша и др., 2012 г .; Toonen et al., 2013) ( таблица ). Сообщалось, что генотипирование NGS увеличивает точность прогнозов GEBV на 0,1–0,2 по сравнению с другими установленными маркерами для зерновых и других видов сельскохозяйственных культур (Poland et al., 2012). GS были предприняты для Miscanthus sinensis по 17 признакам, связанным с фенологией, биомассой и составом клеточных стенок, с использованием RADSeq, а точность прогнозов в масштабе всего генома была исследована от умеренной до высокой (в среднем 0,57) и предложено немедленное внедрение GS в Мискантус программы разведения (Славов и др., 2014). Spindel et al. (2015) также выявили точность прогнозов времени цветения, равную 0,63, путем изучения GS в линиях селекции тропического риса. Кроме того, сообщалось, что генотипирование маркера NGS дает более высокую точность GS, чем маркеры DArT на тех же линиях пшеницы ( Triticum aestivum L.), несмотря на отсутствие данных на 43,9% (Heslot et al., 2013). Все это делает генотипирование на основе последовательностей идеальным подходом к GS и его успешному применению в селекции сельскохозяйственных культур (, рисунок ).

GS и GBS

Генотип путем секвенирования следует модифицированному протоколу подготовки библиотеки на основе RAD-seq для NGS и представляет собой простую и высоко мультиплексированную систему. Важной особенностью этой системы является меньшее количество операций с образцами, меньшее количество стадий ПЦР и очистки, низкая стоимость, отсутствие ограничений на контрольные последовательности, отсутствие фракционирования по размеру и эффективная техника штрих-кодирования (Davey et al., 2011). Недавние достижения в области NGS снизили стоимость секвенирования ДНК до такой степени, что GBS теперь может применяться для видов с большим геномом и высокого разнообразия (Elshire et al., 2011). Он позволяет обнаруживать тысячи миллионов SNP в больших коллекциях линий, которые можно использовать для анализа генетического разнообразия, картирования сцеплений, GWAS, GS и эволюционных исследований. (Beissinger et al., 2013). GBS приобретает все большее значение как экономичный и уникальный инструмент для селекции с помощью геномики ряда видов растений. Генотипирование путем секвенирования сочетает в себе обнаружение маркеров и генотипирование больших популяций, что делает его отличной платформой для маркеров для селекции даже при отсутствии эталонной последовательности генома или ранее обнаруженного полиморфизма.Метод GBS предлагает значительно упрощенную процедуру создания библиотеки, более удобную для использования на большом количестве людей / линий (Elshire et al., 2011). Первоначальный протокол GBS, использующий только один фермент ApeKI, был модифицирован в растениях протоколом GBS с двумя ферментами (PstI / MspI), который позволяет большее снижение сложности и единообразную библиотеку для секвенирования, и был применен к пшенице и ячменю (Poland et al. ., 2012). У видов сельскохозяйственных культур с большими и сложными геномами, а также с отсутствием референсной последовательности маркерные технологии отставали, что является важным фактором, который следует учитывать при широкомасштабном применении GS в сельскохозяйственных культурах.Высокий уровень полиплоидии, большой размер генома и отсутствие эталонного генома (пшеница) были основным препятствием для развития молекулярных маркеров у сельскохозяйственных культур. Генотипирование путем секвенирования недавно было применено к большим сложным геномам ячменя ( Hordeum vulgare L.) и пшеницы ( Triticum aestivum L.) и оказалось эффективным инструментом для быстрого создания молекулярных маркеров для этих видов ( Польша и др., 2012). GBS также использовался для генотипирования de novo селекционных панелей и для разработки точных GS-моделей для большого, сложного и полиплоидного генома пшеницы.Точность прогнозирования значения GAB составляла 0,28–0,45 для урожайности зерна, что на 0,1–0,2 больше по сравнению с установленной маркерной платформой для пшеницы (Heslot et al., 2013). Первое свидетельство точности прогноза GBS у растений было получено от Poland et al. (2012), которые показали хорошую точность при использовании GBS в моделях прогнозирования селекции полиплоидной пшеницы, а также из Crossa et al. (2013), которые предсказали линии кукурузы с двойным гаплоидом, используя родословную, а также условно исчисленные и неустановленные данные GBS. В этих приложениях глубина считывания всего ∼1x была достаточной для получения точного EBV без использования методов вменения и исправления ошибок.С тех пор о ГС с участием СГБ сообщалось о множестве видов сельскохозяйственных культур, включая как модельные, так и немодельные ( Таблица ). Для сои точность прогноза урожайности зерна, оцененная с помощью перекрестной проверки, составила 0,64, что свидетельствует о хорошем потенциале использования GS для определения урожайности зерна сои (Jarquín et al., 2014b). GBS может снизить стоимость образца ниже 10 долларов за счет интенсивного мультиплексирования. Стоимость генотипирования GBS на человека является самой низкой по сравнению с маркерами на основе массивов и других маркеров на основе NGS для пшеницы и других немодельных видов сельскохозяйственных культур (Bassi et al., 2016). Доля генома, покрываемая GBS, потенциально может быть намного больше, чем доля, захваченная даже самыми плотными массивами SNP, доступными в настоящее время у сельскохозяйственных культур (Gorjanc et al., 2015). Кроме того, в отличие от массивов SNP, которые обычно разрабатываются из ограниченной выборки людей, GBS может фиксировать генетические вариации, специфичные для интересующей популяции или семьи. GBS имеет то преимущество, что маркеры обнаруживаются с использованием генотипируемой популяции, что сводит к минимуму систематическую ошибку при установлении.Следовательно, гибкость, низкая стоимость и точность прогноза GEBV для GBS делают этот подход идеальным для GS ( таблица ; рисунок ).

GS: Значение для улучшения сельскохозяйственных культур

Применяемая селекция растений является основным источником улучшенных сортов сельскохозяйственных культур и привела к зеленой революции в 1960-х годах. Каждый раз это направление поддерживалось и облегчалось новыми технологиями и подходами. Влияние изменения климата на растениеводство и глобальную продовольственную безопасность обсуждается в настоящее время во всем мире (Reynolds, 2010).Ожидается, что население мира вырастет на 50% к 2050 году (Tester and Langridge, 2010), что потребует увеличения производства сельскохозяйственных культур на 70% (Furbank and Tester, 2011). Следовательно, чтобы бороться с этими проблемами и поддерживать устойчивое сельское хозяйство, новые сорта сельскохозяйственных культур необходимы ускоренными темпами, чтобы увеличить производство, а также лучше противостоять биотическим и абиотическим стрессам. Как уже обсуждалось, большинство важных для сельского хозяйства признаков регулируются генами второстепенных эффектов и с высокой частотой возникновения эпистатических взаимодействий, таких как урожай зерна, рост растений, адаптация к стрессу и т. Д. (Mackay, 2001).Улучшение этих черт с помощью обычного разведения и MAS не дало ожидаемых результатов, чтобы соответствовать растущему человеческому населению. В связи с этим GS открывает новые возможности для повышения эффективности программ селекции растений (Бернардо и Ю, 2007; Хеффнер и др., 2009; Crossa и др., 2010; Лоренц и др., 2011). GS имеет потенциал для исправления всех генетических вариаций и имеет способность точно отбирать особей более высокой племенной ценности без необходимости сбора фенотипов, относящихся к этим особям.Это способствовало сокращению цикла размножения и обеспечило быстрый отбор и скрещивание племенного материала раннего поколения ( Рис. ). Недавние исследования показали, что GS может изменить селекцию сельскохозяйственных культур, и многие авторы пришли к выводу, что предполагаемый генетический выигрыш в год при применении GS в несколько раз превышает аналогичный показатель для традиционной селекции (Bassi et al., 2016). Стоимость генотипирования резко снизилась в эпоху NGS (Davey et al., 2011), тогда как стоимость фенотипирования возрастает из-за затрат на рабочую силу и землепользование, что привело к увеличению полезности GS для улучшения сельскохозяйственных культур.Это расширит генетическую оценку зародышевой плазмы в программах улучшения сельскохозяйственных культур и ускорит создание сортов сельскохозяйственных культур с улучшенной урожайностью, качеством, устойчивостью к биотическим и абиотическим стрессам, и, таким образом, непосредственно принесет пользу попыткам решения проблемы роста глобального голода. Таким образом, GS станет краеугольным камнем в борьбе с голодом во всем мире и окажет огромное влияние на селекцию сельскохозяйственных культур и развитие сортов ( Рисунок ).

GS и высокопроизводительное фенотипирование (HTP)

Из приведенного выше обсуждения ясно, что генотипирование больше не ограничивает точность предсказания GS.Но техническая проблема при внедрении GS на культурных растениях заключается в надежности фенотипических данных, что создает разрыв между генотипом и фенотипом (GP gap). Модель предикции GS, используемая для получения GEBV для всех генотипированных особей эталонного набора, зависит от точности и точности фенотипических данных, взятых для TP, и, таким образом, от генетического выигрыша, достигаемого после каждого поколения отбора (Meuwissen et al., 2001). Точные фенотипические данные являются одним из ключевых компонентов для обучения модели GS для точного прогнозирования GEBV BP (Cabrera-Bosquet et al., 2012). В связи с этим во всем мире было разработано несколько средств фенотипирования, которые могут быстро сканировать и записывать точные и точные данные для тысяч растений с помощью неинвазивной визуализации, спектроскопии, анализа изображений, робототехники и высокопроизводительных вычислительных средств (Cobb и др., 2013). HTP помогает нам собирать высококачественные точные данные фенотипирования. Ручные, инвазивные и деструктивные методы фенотипирования растений были трудоемкими, дорогостоящими и менее точными, часто приводили к неточности в GAB, а также ограничивали размер популяции.Эта важность может быть осознана тем фактом, что недавно была запущена Международная инициатива по феномике растений, направленная на повышение урожайности сельскохозяйственных культур ¹ . Ранние ручные методы фенотипирования растений теперь уступают место высокопроизводительным точным неразрушающим методам визуализации. Эти феномические средства обеспечивают сканирование тысяч растений в день, чтобы эта технология фенотипирования стала похожей на высокопроизводительное секвенирование ДНК в области геномики (Finkel, 2009).Следовательно, для достижения плодотворных результатов от GS и GAB требуется гораздо больше усилий и средств в этой области. В Индии хорошо налаженный фенологический объект еще не создан, поэтому необходимы усилия для создания такого объекта в стране для увеличения сельскохозяйственного производства. Следовательно, ПВТ изменит парадигму ГС и приведет к его эффективному применению на сельскохозяйственных культурах, а также воспользуется его истинными преимуществами для улучшения урожая ( Рисунок ).

Заключение

Классическая селекция внесла значительный вклад в улучшение сельскохозяйственных культур, но медленно нацелена на комплексные и низко наследуемые количественные признаки.В связи с этим было высказано предположение, что GS обладает способностью исправлять все генетические вариации сложных признаков. Многие исследования показали огромные возможности GS для увеличения генетического преимущества в селекции растений. Важным фактором, который следует учитывать при работе GS на сельскохозяйственных культурах, является доступность недорогой, гибкой системы маркеров высокой плотности. Революция недорогих технологий NGS привела к увеличению числа геномов сельскохозяйственных культур, а также обеспечивает низкую стоимость и высокую плотность генотипирования SNP. Эти маркерные технологии позволили глубоко оценить популяционную структуру как обучающего, так и проверочного набора и повысили точность выбора GS.Маркеры NGS, а также методологические уточнения (такие как реализация взаимодействия генотипа с окружающей средой в моделях прогнозирования) вносят заметный вклад в создание условий для успешного внедрения GS в селекции растений. Следовательно, GS станет ключевым фактором успеха второй «зеленой революции». Кроме того, GS и HTP вместе изменят всю парадигму селекции растений, а также приведут к эффективному увеличению генетической выгоды для сложных признаков. В будущем, когда стоимость геномного секвенирования еще больше снизится и WGS станет осуществимым и экономически эффективным для GS, точность прогнозирования GS будет еще больше.До этого времени целевое секвенирование кажется более экономичным вариантом для крупномасштабного обнаружения маркеров и GS, особенно в случае больших и не декодированных геномов.

Вклад авторов

JB, RS, NJ, PS, GS: задумал и разработал эксперимент. JB, SA, ZM, AT, MM, NJ, SD, VJ: собраны литература для этого обзора. JB, SA, ZM, AT, MM, NJ, SD, VJ: написал черновик рукописи. RS, PS, GS: редактировал этот MS. Все авторы, а именно JB, SA, ZM, AT, RS, MM, NJ, PS, GS, SD, VJ, KP: придают окончательную форму этой рукописи.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Ссылки

• Анниккиарико П., Наззикари Н., Ли Х., Вей Ю., Печетти Л., Браммер Э. К. (2015). Точность геномной селекции по урожайности биомассы люцерны в различных контрольных популяциях. BMC Genomics 16: 1020 10.1186 / s12864-015-2212-y [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Arruda M.П., Липка А. Э., Браун П. Дж., Крилл А. М., Тербер К., Браун-Гедира Г. и др. (2016). Сравнение геномной селекции и селекции с помощью маркеров для устойчивости к фитофторозу Fusarium у пшеницы ( Triticum aestivum ). Мол. Порода. 36 1–11. 10.1007 / s11032-016-0508-5 [CrossRef] [Google Scholar]
• Басси Ф. М., Бентли А. Р., Шармет Г., Ортис Р., Кросса Дж. (2016). Селекционные схемы для осуществления геномной селекции пшеницы ( Triticum spp.). Plant Sci. 242 23–36. 10.1016 / j.plantsci.2015.08.021 [PubMed] [CrossRef] [Google Scholar]
• Бейсинджер Т. М., Хирш К. Н., Сехон Р. С., Фёрстер Дж. М., Джонсон Дж. М., Муттони Г. и др. (2013). Плотность маркеров и глубина считывания для генотипирования популяций с использованием генотипирования путем секвенирования. Генетика 193 1073–1081. 10.1016 / j.plantsci.2015.08.021 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Бернардо Р., Ю. Дж. (2007). Перспективы полногеномной селекции кукурузы по количественным признакам. Crop Sci. 47 1082–1090. 10.2135 / cropci2006.11.0690 [CrossRef] [Google Scholar]
• Бхат Дж. А., Сальготра Р. К., Дар М. Ю. (2015). Феномика: вызов для улучшения сельскохозяйственных культур в эпоху геномики. Мол. Порода растений. 6 1–11. 10.5376 / mpb.2015.06.0020 [CrossRef] [Google Scholar]
• Брезегелло Ф., Коэльо А. С. Г. (2013). Традиционные и современные методы селекции растений на примере риса ( Oryza sativa L.). J. Agric. Food Chem. 61 8277–8286.10.1021 / jf305531j [PubMed] [CrossRef] [Google Scholar]
• Burgueño J., de los Campos G., Weigel K., Crossa J. (2012). Геномное предсказание племенной ценности при моделировании взаимодействия генотип × среда с использованием родословных и плотных молекулярных маркеров. Crop Sci. 52 707–719. 10.2135 / cropci2011.06.0299 [CrossRef] [Google Scholar]
• Кабрера-Боске Л., Кросса Дж., Фон Зитцевиц Дж., Серрет М. Д., Луис Араус Дж. (2012). Высокопроизводительное фенотипирование и геномный отбор: границы селекции сельскохозяйственных культур сходятся. J. Integr. Plant Biol. 54 312–320. 10.1111 / j.1744-7909.2012.01116.x [PubMed] [CrossRef] [Google Scholar]
• Кастро А. Дж., Капеттини Ф. Л. А. В. И. О., Кори А. Е., Филичкина Т., Хейс П. М., Кляйнхофс А. Н. Д. Р. И. С. и др. (2003). Картирование и пирамидирование качественной и количественной устойчивости к полосатой ржавчине ячменя. Теор. Прил. Genet. 107 922–930. 10.1007 / s00122-003-1329-6 [PubMed] [CrossRef] [Google Scholar]
• Кобб Дж. Н., Деклерк Г., Гринберг А., Кларк Р., Маккач С. (2013). Фенотипирование следующего поколения: требования и стратегии для улучшения нашего понимания взаимоотношений генотип-фенотип и их значения для улучшения сельскохозяйственных культур. Теор. Прил. Genet. 126 867–887. 10.1007 / s00122-013-2066-0 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Collard B.C., Mackill D.J. (2008). Маркерная селекция: подход к точной селекции растений в двадцать первом веке. Philos. Пер. R. Soc. B Biol.Sci. 363 557–572. 10.1098 / rstb.2007.2170 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Коллинз Ф. С., Грин Э. Д., Гутмахер А. Э., Гайер М. С. (2003). Видение будущего исследований в области геномики. Природа 422 835–847. 10.1038 / nature01626 [PubMed] [CrossRef] [Google Scholar]
• Crossa J., Beyene Y., Kassa S., Pérez P., Hickey J.M., Chen C., et al. (2013). Прогнозирование генома в селекционных популяциях кукурузы с генотипированием путем секвенирования. G3 (Bethesda) 3 1903–1926.10.1534 / g3.113.008227 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Crossa J., de Los Campos G., Pérez P., Gianola D., Burgueño J., Araus J. L. и др. (2010). Прогнозирование генетической ценности количественных признаков в селекции растений с использованием родословных и молекулярных маркеров. Генетика 186 713–724. 10.1534 / genetics.110.118521 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Crossa J., Jarquin D., Franco J., Pérez-Rodríguez P., Burgueño J., Saint-Pierre C., и другие. (2016). Геномное прогнозирование староместных сортов пшеницы. G3 (Bethesda) 6 1819–1834 гг. 10.1534 / g3.116.029637 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Дабер Р., Сукхадиа С., Морриссетт Дж. Дж. (2013). Понимание ограничений информатики секвенирования следующего поколения, подхода к валидации клинического конвейера с использованием искусственных наборов данных. Cancer Genet. 206 441–448. 10.1016 / j.cancergen.2013.11.005 [PubMed] [CrossRef] [Google Scholar]
• Дэйви Дж.У., Гогенлоэ П. А., Эттер П. Д., Бун Дж. К., Катчен Дж. М., Блэкстер М. Л. (2011). Обнаружение и генотипирование генетических маркеров по всему геному с использованием секвенирования следующего поколения. Нат. Преподобный Жене. 12 499–510. 10.1038 / nrg3012 [PubMed] [CrossRef] [Google Scholar]
• de los Campos G., Naya H., Gianola D., Crossa J., Legarra A., Manfredi E., et al. (2009). Прогнозирование количественных признаков с помощью регрессионных моделей для плотных молекулярных маркеров и родословной. Генетика 182 375–385.10.1534 / genetics.109.101501 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Деста З. А., Ортис Р. (2014). Геномный отбор: общегеномное предсказание улучшения растений. Trends Plant Sci. 19 592–601. 10.1016 / j.tplants.2014.05.006 [PubMed] [CrossRef] [Google Scholar]
• душ Сантуш Дж. П. Р., Пирес Л. П. М., де Кастро Васконселлос Р. К., Перейра Г. С., Фон Пиньо Р. Г., Балестре М. (2016). Геномная селекция на устойчивость к Stenocarpella maydis в линиях кукурузы с использованием маркеров DArTseq. BMC Genet. 17:86 10.1186 / s12863-016-0392-3 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Эльшир Р. Дж., Глаубиц Дж. К., Сан К., Польша Дж. А., Кавамото К., Баклер Э. С. (2011). Надежный и простой подход к генотипированию путем секвенирования (GBS) для видов с большим разнообразием. PLoS ONE 6: e19379 10.1371 / journal.pone.0019379 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Фавилль М. Дж., Ганеш С., Морага Р., Истон Х. С., Джахуфер М. З. З., Эльшир Р.Э. (2016). «Развитие геномной селекции райграса многолетнего», в с. Разведение в мире дефицита редакторы Рольдан-Руис И., Берт Дж., Рехул Д. (Нью-Йорк, штат Нью-Йорк: издательство Springer International Publishing;) 139–143. 10.1007 / 978-3-319-28932-8_21 [CrossRef] [Google Scholar]
• Финкель Э. (2009). С помощью «феномена» учёные-растениеводы надеются перевести селекцию в ускоренное русло. Наука 325 380–381. 10.1126 / science.325_380 [PubMed] [CrossRef] [Google Scholar]
• Фишер Р.А., Байерли Д., Эдмидс Г. (2014). Урожайность и глобальная продовольственная безопасность. Канберра, АКТ: ACIAR. [Google Scholar]
• Fodor A., ​​Segura V., Denis M., Neuenschwander S., Fournier-Level A., Chatelet P., et al. (2014). Методы общегеномного прогнозирования у очень разнообразных и гетерозиготных видов: подтверждение концепции посредством моделирования в виноградной лозе. PLoS ONE 9: e110436 10.1371 / journal.pone.0110436 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Furbank R.Т., Тестер М. (2011). Феномика — технологии для устранения узких мест фенотипирования. Trends Plant Sci. 16 635–644. 10.1016 / j.tplants.2011.09.005 [PubMed] [CrossRef] [Google Scholar]
• Glaubitz J. C., Casstevens T. M., Lu F., Harriman J., Elshire R.J., Sun Q., et al. (2014). TASSEL-GBS: высокопроизводительное генотипирование путем секвенирования анализа. PLoS ONE 9: e 10.1371 / journal.pone.00 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Годдард М.Э., Хейс Б. Дж. (2007). Геномный отбор. J. Anim. Порода. Genet. 124 323–330. 10.1111 / j.1439-0388.2007.00702.x [PubMed] [CrossRef] [Google Scholar]
• González-Camacho JM, de Los Campos G., Pérez P., Gianola D., Cairns JE, Mahuku G., et al. al. (2012). Прогнозирование генетических ценностей на основе генома с использованием нейронных сетей с радиальной базисной функцией. Теор. Прил. Genet. 125 759–771. 10.1007 / s00122-012-1868-9 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Gorjanc G., Кливленд М. А., Хьюстон Р. Д., Хики Дж. М. (2015). Возможности генотипирования путем секвенирования для геномной селекции в популяциях домашнего скота. Genet. Выбирать. Evol. 47:12 10.1186 / s12711-015-0102-z [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Grenier C., Cao TV, Ospina Y., Quintero C., Châtel MH, Tohme J., et al. . (2015). Точность геномной селекции в синтетической популяции риса, разработанной для рекуррентной селекции. PLoS ONE 10: e0136594 10.1371 / journal.pone.0136594 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Хеффнер Э. Л., Лоренц А. Дж., Яннинк Дж. Л., Сорреллс М. Э. (2010). Селекция растений с геномной селекцией: прирост на единицу времени и затрат. Crop Sci. 50 1681–1690. 10.2135 / cropci2009.11.0662 [CrossRef] [Google Scholar]
• Хеффнер Э. Л., Сорреллс М. Э., Яннинк Дж. Л. (2009). Геномный отбор для улучшения урожая. Crop Sci. 49 1–12. 10.2135 / cropci2008.08.0512 [CrossRef] [Google Scholar]
• Heslot N., Руткоски Дж., Поланд Дж., Яннинк Дж. Л., Сорреллс М. Э. (2013). Влияние систематической ошибки определения маркера на точность геномного отбора и оценки генетического разнообразия. PLoS ONE 8: e74612 10.1371 / journal.pone.0074612 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Хоффстеттер А., Кабрера А., Хуанг М., Снеллер К. (2016). Оптимизация данных по обучению популяции и проверка геномного отбора по экономическим признакам мягкой озимой пшеницы. G3 (Bethesda) 6 2919–2928.10.1534 / g3.116.032532 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Исидро Дж., Яннинк Дж. Л., Акдемир Д., Поланд Дж., Хеслот Н., Сорреллс М. Э. (2015). Оптимизация обучающей выборки под популяционную структуру при геномной селекции. Теор. Прил. Genet. 128 145–158. 10.1007 / s00122-014-2418-4 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Яннинк Дж. Л., Лоренц А. Дж., Ивата Х. (2010). Геномный отбор в селекции растений: от теории к практике. Краткое.Функц. Геномика 9 166–177. 10.1093 / bfgp / elq001 [PubMed] [CrossRef] [Google Scholar]
• Яркин Д., Кросса Дж., Лаказе X., Дю Шейрон П., Докур Дж., Лоргеу Дж. И др. (2014a). Модель нормы реакции для геномного отбора с использованием многомерных геномных и экологических данных. Теор. Прил. Genet. 127 595–607. 10.1007 / s00122-013-2243-1 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Яркин Д., Коджак К., Посадас Л., Хайма К., Джедлика Дж., Грэф Г.(2014b). Генотипирование путем секвенирования для прогнозирования генома в селекционной популяции сои. BMC Genomics 15: 740 10.1186 / 1471-2164-15-740 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Кирст М., Ресенде М., Муньос П., Невес Л. (2011). Сбор и генотипирование генетического разнообразия деревьев по всему геному для картирования ассоциаций и геномного отбора. BMC Proc. 5:17 10.1186 / 1753-6561-5-S7-I7 [CrossRef] [Google Scholar]
• Ладо Б., Барриос П. Г., Квинке М., Сильва П., Гутьеррес Л. (2016). Моделирование взаимодействия генотип × среда для геномной селекции с несбалансированными данными программы селекции пшеницы. Crop Sci. 56 1–15. 10.2135 / cropci2015.04.0207 [CrossRef] [Google Scholar]
• Li X., Wei Y., Acharya A., Hansen J. L., Crawford J. L., Viands D. R. и др. (2015). Геномное прогнозирование урожайности биомассы в двух циклах отбора селекционной популяции тетраплоидной люцерны. Геном растения 8 1–10. 10.3835 / plantgenome2014.12.0090 [CrossRef] [Google Scholar]
• Липка А. Э., Лу Ф., Черный Дж. Х., Баклер Э. С., Каслер М. Д., Костич Д. Э. (2014). Ускорение цикла размножения проса проса ( Panicum virgatum L.) с использованием подходов геномной селекции. PLoS ONE 9: e112227 10.1371 / journal.pone.0112227 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Лоренц А. Дж., Чао С., Асоро Ф. Г., Хеффнер Э. Л., Хаяси Т., Ивата Х. и др. (2011). Геномная селекция в селекции растений: знания и перспективы. Adv. Агрон. 110 77–123. 10.1016 / B978-0-12-385531-2.00002-5 [CrossRef] [Google Scholar]
• Mackay T. F. (2001). Генетическая архитектура количественных признаков. Annu. Преподобный Жене. 35 год 303–339. 10.1146 / annurev.genet.35.102401.0 [PubMed] [CrossRef] [Google Scholar]
• Маррони Ф., Пиносио С., Морганте М. (2012). Поиск редких вариантов: объединенное мультиплексное секвенирование растений нового поколения. Фронт. Plant Sci. 3: 133 10.3389 / fpls.2012.00133 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Мецкер М. Л. (2010). Технологии секвенирования — следующее поколение. Нат. Преподобный Жене. 11 31–46. 10.1038 / nrg2626 [PubMed] [CrossRef] [Google Scholar]
• Меувиссен Т. Х. Э., Хейс Б. Дж., Годдард М. Э. (2001). Прогнозирование общей генетической ценности с использованием плотных карт маркеров для всего генома. Генетика 157 1819–1829 гг. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Мишель С., Аметц К., Гунгор Х., Эпуре Д., Граусгрубер Х., Лёшенбергер Ф. и др. (2016). Геномная селекция по нескольким циклам селекции в селекции мягкой пшеницы. Теор. Прил. Genet. 129 1179–1189. 10.1007 / s00122-016-2694-2 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Oury FX, Godin C., Mailliard A., Chassin A., Gardet O., Giraud A., et al. al. (2012). Изучение генетического прогресса в результате отбора показывает негативное влияние изменения климата на урожай мягкой пшеницы во Франции. Eur.J. Agron. 40 28–38. 10.1016 / j.eja.2012.02.007 [CrossRef] [Google Scholar]
• Петерсон Т. В., Нам С. Дж., Дарби А. (2010). Исследование секвенирования следующего поколения, Исследование рынка акций Северной Америки. Нью-Йорк, Нью-Йорк: JP Morgan Chase & Co. [Google Scholar]
• Pierre C. S., Burgueo J., Crossa J., Dvila G. F., Lpez P. F., Moya E. S. и др. (2016). Модели геномного прогнозирования урожайности яровой мягкой пшеницы в различных агроэкологических зонах. Sci. Репутация 6 1–11.10.1038 / srep27312 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Poland J., Endelman J., Dawson J., Rutkoski J., Wu S., Manes Y., et al. (2012). Геномная селекция в селекции пшеницы с использованием генотипирования путем секвенирования. Геном растения 5 103–113. 10.3835 / plantgenome2012.06.0006 [CrossRef] [Google Scholar]
• Прайс А. Л., Зейтлен Н. А., Райх Д., Паттерсон Н. (2010). Новые подходы к стратификации населения в полногеномных ассоциативных исследованиях. Нат. Ред.Genet. 11 459–463. 10.1038 / nrg2813 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Раман Х., Раман Р., Кумбс Н., Сонг Дж., Прангнелл Р., Бандаранайке К. (2015). Полногеномный ассоциативный анализ показывает сложную генетическую архитектуру, лежащую в основе естественной изменчивости времени цветения канолы. Plant Cell Environ. 39 1228–1239. 10.1111 / pce.12644 [PubMed] [CrossRef] [Google Scholar]
• Рэй С., Сатья П. (2014). Технологии секвенирования нового поколения для селекции растений нового поколения. Фронт. Plant Sci. 5: 367 10.3389 / fpls.2014.00367 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Рейнольдс М. П. (2010). Изменение климата и растениеводство. Оксфордшир: CABI International. [Google Scholar]
• Ридельсхаймер К., Эндельман Дж. Б., Штанге М., Сорреллс М. Э., Яннинк Дж. Л., Мелчингер А. Э. (2013). Геномная предсказуемость взаимосвязанных двух родительских популяций кукурузы. Генетика 194 493–503. 10.1534 / genetics.113.150227 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Руткоски Дж.Э., Хеффнер Э. Л., Сорреллс М. Э. (2011). Геномный отбор для обеспечения стойкости к стеблевой ржавчине у пшеницы. Euphytica 179 161–173. 10.1007 / s10681-010-0301-1 [CrossRef] [Google Scholar]
• Rutkoski J. E., Poland J. A., Singh R. P., Huerta-Espino J., Bhavani S., Barbier H., et al. (2014). Геномный отбор для количественной устойчивости к стеблевой ржавчине взрослых растений пшеницы. Геном растения 7 1–10. 10.3835 / plantgenome2014.02.0006 [CrossRef] [Google Scholar]
• Саатчи М., МакКлюр М.С., Маккей С.Д., Рольф М.М., Ким Дж., Деккер Дж. Э. и др. (2011). Точность геномной племенной ценности крупного рогатого скота американского ангуса с использованием кластеризации К-средних для перекрестной проверки. Genet. Sel. Evol. 43:40 10.1186 / 1297-9686-43-40 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Славов Г.Т., Ниппер Р., Робсон П., Фаррар К., Эллисон Г.Г., Бош М. и др. . (2014). Полногеномные исследования ассоциаций и прогноз 17 признаков, связанных с фенологией, биомассой и составом клеточных стенок энергетической травы Miscanthus sinensis . New Phytol. 201 1227–1239. 10.1111 / nph.12621 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Spindel J., Begum H., Akdemir D., Virk P., Collard B., Redoña E., et al. (2015). Геномная селекция и картирование ассоциаций риса ( Oryza sativa ): влияние генетической архитектуры признаков, состава обучающей популяции, количества маркеров и статистической модели на точность геномной селекции риса в элитных селекционных линиях тропического риса. PLoS Genet. 11: e1004982 10.1371 / journal.pgen.1004982 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Стэпли Дж., Регер Дж., Фойльнер П. Г., Смаджа К., Галиндо Дж., Экблом Р. и др. (2010). Адаптационная геномика: следующее поколение. Trends Ecol. Evol. 25 705–712. 10.1016 / j.tree.2010.09.002 [PubMed] [CrossRef] [Google Scholar]
• Tester M., Langridge P. (2010). Селекционные технологии для увеличения урожайности в меняющемся мире. Наука 327 818–822. 10.1126 / science.1183700 [PubMed] [CrossRef] [Google Scholar]
• Toonen R.Дж., Пуритц Дж. Б., Форсман З. Х., Уитни Дж. Л., Фернандес-Сильва И., Эндрюс К. Р. и др. (2013). ezRAD: упрощенный метод геномного генотипирования немодельных организмов. PeerJ 1: e203 10.7717 / peerj.203 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Tuberosa R. (2012). Фенотипирование засухоустойчивости сельскохозяйственных культур в эпоху геномики. Фронт. Physiol. 3: 347 10.3389 / fphys.2012.00347 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Varshney R.К., Наяк С. Н., Мэй Г. Д., Джексон С. А. (2009). Технологии секвенирования нового поколения и их значение для генетики и селекции сельскохозяйственных культур. Trends Biotechnol. 27 522–530. 10.1016 / j.tibtech.2009.05.006 [PubMed] [CrossRef] [Google Scholar]
• Висшер П. М., Браун М. А., Маккарти М. И., Янг Дж. (2012). Пять лет открытия GWAS. Am. J. Hum. Genet. 90 7–24. 10.1016 / j.ajhg.2011.11.029 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Wetterstrand K.А. (2014). Затраты на секвенирование ДНК: данные программы NHGRI Genome Sequencing Program (GSP). Доступно по адресу: www.genome.gov/sequencingcosts. [доступ 26 июня 2014 г.] [Google Scholar]
• Рэй Н. Р., Ян Дж., Хейс Б. Дж., Прайс А. Л., Майкл Э., Годдард М. Э. и др. (2013). Подводные камни прогнозирования сложных характеристик на основе SNP. Нат. Преподобный Жене. 14 507–515. 10.1038 / nrg3457 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Сюй Ю., Крауч Дж. Х. (2008). Маркерная селекция в селекции растений: от публикаций к практике. Crop Sci. 48 391–407. 10.2135 / cropci2007.04.0191 [CrossRef] [Google Scholar]
• Ян Х., Тао Й., Чжэн З., Ли К., Суитингем М. В., Ховисон Дж. Г. (2012). Применение секвенирования следующего поколения для быстрой разработки маркеров в молекулярной селекции растений: тематическое исследование устойчивости к антракнозу у Lupinus angustifolius L. BMC Genomics 13: 318 10.1186 / 1471-2164-13-318 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Zhang X., Перес-Родригес П., Семагн К., Бейене Ю., Бабу Р., Лопес-Крус М. А. и др. (2015). Прогнозирование генома в двух родительских популяциях тропической кукурузы в условиях водного стресса и хорошо орошаемой среды с использованием SNP с низкой плотностью и GBS. Наследственность 114 291–299. 10.1038 / hdy.2014.99 [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]
• Zhang X., Sallam A., Gao L., Kantarski T., Poland J., DeHaan L.R. и др. (2016). Создание и оптимизация геномной селекции для ускорения одомашнивания и улучшения промежуточных пырей.