徐鹏宇 制
金李指出,中国沉着应对外部压力。从2018年起,少数西方政客鼓吹中国威胁论,带来全球供应链的重整,短期内对我国的供应链产业链带来了一定的困难。但这也给了我们一次压力测试,让我们清醒认识到自己的短板,从而苦练内功,补齐短板。
“中国有世界上最齐全的制造业门类,还应该继续向更高科技水平攀登。相信假以时日我们可以全面打破西方的技术封堵,使得中国经济继续平稳有序发展。”金李说。
金李表示,中国有效化解自身问题。在进一步稳定房地产市场,稳定外贸的同时,还需要进一步理顺出口、投资和消费之间的关系。
“我个人尤其看好和民生相关的产业,比如大养老产业,具有巨大的未被充分满足的需求,也可以全面提升人民群众的获得感,幸福感和安全感。”金李说。
金李指出,接下来,要继续坚持市场在资源配置中的决定性作用,同时要发挥好政府的作用。要协调处理好安全和发展,效率和风险之间的关系。
金李表示,在重视共同富裕、确保经济发展的成果惠及全社会的同时,也要充分认识到企业家和科技人员对经济发展的引领作用,坚持“两个毫不动摇”,鼓励企业家和科技人员发挥出自己无穷的潜力,推动经济发展。(完)
搜索
复制
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
(文图:赵筱尘 巫邓炎) [责编:天天中] 阅读剩余全文() |