在自然界中，已经发生了许多事情，它们的大小，颜色以及最重要的是形状都不同。尽管可以容易地描述物体的颜色或大小，但是形状的描述更为复杂。在《自然通讯》上发表的一项研究中，马克斯·普朗克分子植物生理研究所的杰奎琳·诺瓦克和她的同事们概述了一种基于网络表示法来描述形状的新方法和改进方法，该方法还可以用于重组和比较形状。

Jacqueline Nowak设计了一种新颖的方法，该方法依赖于基于网络的形状表示(称为可见性图)以及用于分析形状的工具GraVis。可见性图表示对象的形状，该对象由其周围的轮廓定义，GraVis背后的数学结构由围绕轮廓等距放置的一组节点指定。然后，节点通过不与形状边界交叉或对齐的边缘彼此连接。结果，测试所有节点对之间的连接将为分析的形状指定可见性图。

在本研究中，杰奎琳·诺瓦克(Jacqueline Nowak)使用可见性图和GraVis工具比较了不同形状。为了测试新方法的功能，将简单的三角形，矩形和圆形形状的可见性图，以及沙粒，鱼形和叶形的复杂形状进行了比较。

通过使用不同的机器学习方法，他们证明了该方法可用于根据形状的复杂性来区分形状。此外，可见性图可以区分表皮路面细胞所显示形状的复杂性在植物中，其形状类似于拼图碎片。对于这些细胞，可以使用GraVis准确量化不同的形状参数，如瓣长，颈宽或细胞面积。GraVis项目负责人，系统生物学研究负责人Zoran Nikoloski说：“使用GraVis定量表皮细胞的叶数优于现有工具，这表明它是解决与形状分析有关的特定问题的有力工具。马克斯·普朗克分子植物生理研究所的数学模型”和波茨坦大学的生物信息学教授。

将来，科学家们希望利用表皮细胞和整片叶子的可见性图来获得影响形状的关键细胞过程的生物学见解。此外，通过GraVis量化的不同植物细胞的形状特征可以促进遗传筛选以确定形态发生的遗传基础。最后，GraVis的应用将有助于更深入地了解自然界中细胞与器官形状之间的相互关系。