提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

众议院议长“难产” “美国政治混乱的又一个标志”******

　　议长“难产”，众议院瘫痪，映照出了美国政治机能失常以及美式民主的“尴尬”底色。对此有媒体评论道，这是美国政治混乱的又一个标志。

　　当地时间1月4日，美国总统拜登就众议院议长“难产”一事回应称，这种情况“令人尴尬”。

　　美国总统拜登：这对整个国家来说都很难堪，国会不能正常工作令人尴尬。

　　此次众议院议长“难产”，是因为原本只以微弱优势占据多数的共和党内部分歧难以弥合，大约20名党内强硬派人士拒绝支持众议院共和党领袖担任议长，使得其一直无法获得简单多数支持、也就是至少218张赞成票。

　　面对这种情况，美国前总统特朗普也公开喊话，他4日在个人社交网站上发文，呼吁共和党众议员“达成协议，取得胜利”，“不要把一个伟大的胜利变成一个巨大而尴尬的失败”。然而，特朗普的表态并未改变投票结果。

　　法新社发文列举了美国国会两党2023年在几方面可能经历的缠斗，包括针对拜登及其家人和其他民主党人士的调查、多项立法博弈以及乌克兰问题等。法新社指出，跨党派合作的时代或将结束，美国国会将迎来“调查、分裂和僵局”。

　　加拿大《环球邮报》报道说，此次美国国会众议院议长“难产”，“是美国政治混乱的又一个标志”。

　　文章说，随着众议院100年来首次为选出议长进行多次投票，众议院被卷入一场政治风暴，其根基被动摇了。面对美国的政治乱象，文章提出了尖锐的问题：“这个国家的政治阶层是否有能力治理国家，政党的内部冲突和矛盾是否会污染整个政治体系？”

　　美国盖洛普公司2022年12月发布的一项民调结果显示，超过七成的美国人不认可国会的工作表现。根据这项民调，仅22%的美国人对国会工作表现持肯定态度，持否定态度的人达到了73%。

　　2022年12月宣布脱离民主党的美国国会参议员西内马表示，美国人期待从政治中得到的，与两党所提供给民众的东西已经脱节，政客们更关注打压对手而不是改善民众生活。