表不雅观遗传润色包括DNA/RNA甲基化和组蛋白润色，是调控真核生物基因转录、RNA代谢以及其他生物过程的紧张驱出发分。
近年来，检测技能和高通量测序的发展推动了作物表不雅观组学的研究。
然而，由于受到检测技能、实验本钱、取材组织以及表不雅观润色动态可逆的调控特性，仍有大量表不雅观润色位点没有得到发掘和研究。
因此，如何利用现有表不雅观组学数据深入探索潜在的表不雅观润色位点是当前表不雅观遗传研究面临的关键问题。

目前，人工智能技能在表不雅观组学大数据剖析和预测上展现广阔的运用潜力。
该研究基于卷积神经网络方法，利用课题组前期绘制粳稻日本晴的多种表不雅观润色图谱，构建得到了具有高准确度的智能预测模型（SMEP）。
该模型经由参数优化、交叉验证以及实验验证，SMEP在预测DNA甲基化、RNA甲基化和组蛋白润色等表不雅观遗传润色位点中具有高可信度。
同时，该研究还成功地将SMEP模型运用于籼稻代表品种93-11及玉米品系B73中表不雅观润色位点的预测。
由于SMEP预测了大量正常实验条件下检测不到的位点，团队进一步通过热激胁迫处理实验，验证了SMEP预测的特异地相应热激反应的6mA润色位点，表明SMEP预测的表不雅观润色位点可能参与多种环境相应。
末了，在线构建了SMEP智能预测工具，供应了检索表不雅观遗传润色位点和基因表达数据的可视化界面供用户参考利用，为水稻、玉米等物种的主要农艺性状智能设计供应挖掘工具和数据支撑。

据理解，该研究得到国家自然科学基金、中国农科院科技创新工程等项目帮助。

基于深度学习任务模型的 SMEP 打算事情流程

来源： 光明网