图2. 叶绿素荧光相关联合作者网络（注意R.Strasser和R.J.Strasser是同一个人）。从黄色到红色，协作性更强，中心性更高(K. HU et al, 2020)
学术界对JIP-test方法的研究和应用热度在不断增加，而对脉冲调制式(PAM)方法的兴趣在逐渐减弱。这是什么意思？乍一看，一个可能的解释是源于对OJIP动力学实验测量可用性的增加，主要是因为：1）研究者有新的荧光检测方法可用，2）JIP-test已明显证明是基于半经验合理假设的稳健分析工具(robust analysis tool based on semi-empiricalreasonable assumptions)。
图3：Strasser教授和Hansatech初代PEA植物效率分析仪（Rodriguez, 2000年)
由Reto J.Strasser教授发明授权英国Hansatech公司生产的PEA植物效率分析仪系列产品(Handy PEA、M-PEA...)是目前世界上可以真实测定OJIP曲线的成熟商品化设备。近20年来，JIP-test方法的不断发展及其在野外应用和实验室研究中的应用呈现出显著的增长趋势。
近期发表文章《能量流理论庆祝40年：走向系统生物学概念？》(The energy flux theory celebrates 40 years: toward a systems biology concept?" Photosynthetica, April 2019, 57(2):521-522.)详细阐述了这一研究热点趋势。
2019年末国际光合作用研究杂志(Photosynthetica)推出荣耀特刊，刊发30余篇荣耀文章以表彰纪念Strasser教授在JIP-test理论方向做出的卓越贡献。
荣耀特刊文献预览及下载请点击以下链接文章：
2.主成分分析(PCA)简介
主成分分析(Principal Components Analysis)也称主分量分析，旨在利用“降维”的思想，把多指标转化为少数几个综合指标。在许多研究领域中，通常需要对含有多个变量的数据进行观测，收集大量数据后进行分析寻找规律。多变量大数据集为研究提供了丰富的信息，而在多数情况下，许多变量之间可能存在相关性，从而增加了问题分析的复杂性。
如果分别对每个指标进行分析，分析往往是孤立的，不能完全利用数据中的信息，因此盲目减少指标会损失很多有用的信息，从而产生错误的结论。鉴于各变量之间存在一定的相关关系，因此可以考虑将关系紧密的变量变成尽可能少的新变量，使这些新变量是两两不相关的，那么就可以用较少的综合指标分别代表存在于各个变量中的各类信息。
主成分分析PCA就属于这类降维算法，将高维度的数据保留下最重要的一些特征，去除噪声和不重要的特征，从而实现提升数据处理速度的目的。
图4a. 数据点降维的信息损失与矫正：X轴投影
如何降维？我们以简单的二维转一维为例，如图4中就是把二维平面上不同位置上的点投影到同一条直线上（X轴或Y轴）。但是仔细观察前两个图，我们就会发现，有些点在投影过后，位置是重合的，也就是说，存在不同的点在压缩过后表示的信息是完全一样的，投影到x轴，有两个点重合，投影到y轴，有三个点重合。
图4b. 数据点降维的信息损失与矫正：Y轴投影
这就是当所有点集中至一条轴上时，另一维度或另一轴上的信息就会丢失，这是不可逆的过程，这一信息的损失也是必然的。这不是我们想要的结果，最终我们还是希望点与点之间间隔尽可能的远，保留的信息尽可能的多，让所有的点能够尽可能的进行区分。
首页
