90后重庆小伙儿辜国强在组装花丝镶嵌作品“凤引九雏”。新华社发
在浙江湖州市八里店镇潞村,陶瓷艺人在瓷器上作画。新华社发
湖南泸溪县,手艺人李铁骑在展示“踏虎凿花”苗族传统手工艺作品。新华社发
贵州省黔西市新仁苗族乡化屋村易地扶贫搬迁安置点,村民在刺绣。史开心摄/光明图片
编者按
广袤山乡,有这样一群人:他们默默无闻,却靠着一双双巧手传承传统技艺、助力家乡发展。雕刻彩绘、造屋筑桥、器具制作、刺绣印染……有他们的地方,就有民俗风物之美,也有产业致富之路。他们,拥有一个朴实无华的名字——乡村工匠。
在日前召开的中央农村工作会议上,习近平总书记强调,“要坚持本土培养和外部引进相结合”“育好用好乡土人才”。此前,国家乡村振兴局、教育部等8部门联合印发的《关于推进乡村工匠培育工作的指导意见》,要求围绕巩固拓展脱贫攻坚成果、全面推进乡村振兴,挖掘培养一批乡村工匠,促进农民创业就业,为乡村全面振兴提供重要人才支撑。今天,让我们走近四位乡村工匠,观摩他们的“指尖绝活”,倾听他们的奋斗故事,感受他们传承技艺、惠泽一方的拳拳初心。
(项目团队:本报记者 张胜、王胜昔、李晓东、周洪双、李宏、张国圣、苏雁、王斯敏 本报通讯员段阳东、叶春艳)
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)