Zhou 及其同事在The Plant Cell 在线发表了题为Prediction of gene responses to heat and cold stress in maize的研究论文。该研究阐释了玉米幼苗对冷和热胁迫在转录水平的响应，通过机器学习方法分析了基因表达能够到何种程度被启动子上的顺式作用元件所预测。

背景：植物已经发展出复杂的机制对不断变化的环境进行响应和适应。转录调控可以通过反式作用因子（转录因子， TF）和顺式作用元件（启动子上转录因子的结合位点， TFBSs）完成。在一个群体中，研究表明反式作用因子（转录因子的水平）和顺式作用元件（TFBSs序列的差异）都普遍存在变异。虽然转录因子的水平与其靶基因对胁迫的响应有直接的联系，但是顺式作用元件序列的差异如何贡献于基因对胁迫响应的不同仍不清楚。

科学问题：为什么一些基因在一种基因型背景下对热胁迫响应，而在另一种基因型背景下不响应？这种响应是依赖于反式作用因子（转录因子的水平）还是顺式作用元件（转录因子结合位点的序列差异）？我们是否能够鉴定顺式作用元件中与胁迫响应表达模式相关的基序？这些基序能否用于训练机器学习模型来预测对胁迫响应的基因？

研究结果：通过三个大规模RNA-seq实验，我们系统地分析了玉米幼苗转录组水平对热 和冷胁迫的响应，我们鉴定到了大量在胁迫条件下其表达模式在不同基因型的玉米中存在差异的基因，并依据F1代的杂交数据将其归因于顺式作用元件或反式作用因子。我们鉴定到了与不同胁迫响应模式相关的基序，并用其建造模型来预测转录组水平的响应。我们突出了基序检测和表达响应模型建造的重要参数。我们发现了用一种基因型的数据来预测另一种基因型响应的潜在的应用及缺陷。由于顺式作用元件的差异导致的差异响应的基因突出了插入与删除，结构变异在不同倍体中产生的关键基序的多态性的重要性。

展望：鉴定已知的和新的顺式作用元件参与胁迫响应能够应用于生物技术，譬如设计胁迫响应的启动子。模型的构建仍然有改进的空间：通过合成更多训练数据（更大的基因型群体，更多的数据类型）以及采用更加复杂的训练算法（卷积神经网络）， 我们希望更好的训练模型来捕捉多个顺式作用元件的组合逻辑。