小开放阅读框（Small Open Reading Frame,sm ORF）为编码蛋白质长度不超过100个氨基酸的序列,编码sm ORF及其编码产物长期以来被忽视。近年来质谱和核糖体印迹测序等技术的发展加快了对编码sm ORF的研究,其编码产物被发现具有调控生化过程、细胞间通信、维持细胞内环境稳定等多种生物功能,这使得对编码sm ORF的研究逐渐被重视起来。传统基因注释工具利用特征工程选择的特征来识别基因,已有的特征难以将编码sm ORF与数量巨大的随机序列区分开,因此这些工具忽略了对编码sm ORF的注释。开发基于计算的编码sm ORF预测工具能够为相应的研究提供支持,提高针对sm ORF研究的效率。目前编码sm ORF注释工具的开发处于探索阶段,直接对DNA序列进行注释还存在很多挑战,原核生物基因结构相对简单,适合作为注释工具算法研究对象。另一方面,分离培养等瓶颈使得原核生物编码sm ORF注释中基于计算的工具能发挥更重要的作用。编码sm ORF注释工具开发中,一种思路是使用新的特征,例如Sm ORFer使用序列的周期性来识别编码区域,这种方法预测结果假阳性错误较多,只适用于粗略的筛选。机器学习方法可以从大量序列数据中学习复杂的模式,Ran SEPs使用随机森林方法注释原核生物基因组中编码sm ORF。但是该工具需要输入物种的详细基因注释信息训练随机森林模型,使得该方法只能用于原核生物中已经完整测序并注释的物种。深度学习方法可以突破特征工程的限制,在生物信息学领域得到了许多应用。目前只有Sm ORFinder将深度学习技术用于编码sm ORF注释,该工具使用口腔、肠道等与人类相关的宏基因组中的sm ORF进行训练,集成卷积神经网络,长短期记忆网络和隐马尔可夫模型预测编码sm ORF。Sm ORFinder的训练数据来源于特定的环境,这使得数据可能存在偏差。将深度学习技术用于编码sm ORF注释的过程中,数据收集、模型结构等方面还有很多改进空间。本文结合长短期记忆网络、一维卷积神经网络和注意力机制,提高网络提取序列特征的能力,开发了编码sm ORF预测方法Deepsm ORF。在口腔、肠道等人类相关的宏基因组sm ORF数据集测试中,Deepsm ORF的F1-score比Sm ORFinder高出3.2%。以NCBI数据库原核生物注释编码sm ORF为基础创建数据集对模型进行训练,对Deepsm ORF学习得到信息进行的尝试性分析显示模型学习到了编码序列的生物特征,训练过程没有被数据偏差干扰。在模拟真实环境的独立测试集上,模型能够从数量巨大的随机序列中识别出编码sm ORF,F1-score达到0.836。基因组中存在大量目前了解不多的sm ORF,收集数据过程中无论使用何种标准将其分为编码和非编码序列都难免造成一些偏差。另外,实际应用中基因组中数量巨大的随机序列会使预测假阳性错误影响模型应用效果,因此对模型应用效果进行评价是十分重要的。将Deepsm ORF用于大肠杆菌、枯草芽孢杆菌和金黄色葡萄球菌,使用核糖体印迹数据,质谱数据,结构域信息,信号肽信息对模型预测的编码sm ORF进行验证。在三个物种的预测结果中,分别有62.3%、64.9%和50.3%的编码sm ORF具有其他形式的证据证明其具有生物功能。说明Deepsm ORF的训练过程没有明显受到数据偏差影响,假阳性错误在可以接受范围内,模型可实际应用于原核生物编码sm ORF筛选。