Gases such as ethylene, hydrogen peroxide (H 2 O 2 ), nitric oxide (NO), carbon monoxide (CO) and hydrogen sulfide (H 2 S) have been recognized as vital signaling molecules in plants and animals. Of these gasotransmitters, NO and H 2 S have recently gained momentum mainly because of their involvement in numerous cellular processes. It is therefore important to study their various attributes including their biosynthetic and signaling pathways. The present review provides an insight into various routes for the biosynthesis of NO and H 2 S as well as their signaling role in plant cells under different conditions, more particularly under heavy metal stress. Their beneficial roles in the plant's protection against abiotic and biotic stresses as well as their adverse effects have been addressed. This review describes how H 2 S and NO, being very small‐sized molecules, can quickly pass through the cell membranes and trigger a multitude of responses to various factors, notably to various stress conditions such as drought, heat, osmotic, heavy metal and multiple biotic stresses. The versatile interactions between H 2 S and NO involved in the different molecular pathways have been discussed. In addition to the signaling role of H 2 S and NO, their direct role in posttranslational modifications is also considered. The information provided here will be helpful to better understand the multifaceted roles of H 2 S and NO in plants, particularly under stress conditions.

The pod and seed counts are important yield-related traits in soybean. High-precision soybean breeders face the major challenge of accurately phenotyping the number of pods and seeds in a high-throughput manner. Recent advances in artificial intelligence, especially deep learning (DL) models, have provided new avenues for high-throughput phenotyping of crop traits with increased precision. However, the available DL models are less effective for phenotyping pods that are densely packed and overlap in in situ soybean plants; thus, accurate phenotyping of the number of pods and seeds in soybean plant is an important challenge. To address this challenge, the present study proposed a bottom-up model, DEKR-SPrior (disentangled keypoint regression with structural prior), for in situ soybean pod phenotyping, which considers soybean pods and seeds analogous to human people and joints, respectively. In particular, we designed a novel structural prior (SPrior) module that utilizes cosine similarity to improve feature discrimination, which is important for differentiating closely located seeds from highly similar seeds. To further enhance the accuracy of pod location, we cropped full-sized images into smaller and high-resolution subimages for analysis. The results on our image datasets revealed that DEKR-SPrior outperformed multiple bottom-up models, viz., Lightweight-OpenPose, OpenPose, HigherHRNet, and DEKR, reducing the mean absolute error from 25.81 (in the original DEKR) to 21.11 (in the DEKR-SPrior) in pod phenotyping. This paper demonstrated the great potential of DEKR-SPrior for plant phenotyping, and we hope that DEKR-SPrior will help future plant phenotyping.

In the original publication [...]