正规网投- - 新版APP下载

安徽省政协香港地区委员吴志斌：科创是深化皖港合作新突破口******

　　中新网合肥1月14日电 (记者 张强 吴兰 张俊)“目前，安徽省正融入长三角一体化发展的新车道，努力成为国家科技体制改革的‘试验田’，在此历史发展的契机下，要深化皖港两地的经济文化互动合作，科创必然是一个新的突破口和增长点，更是开创皖港合作的新面向。”安徽省政协香港地区委员、安徽省侨联副主席、香港安徽联谊会总会常务副会长吴志斌14日在接受中新网记者专访时如是说。

　　当日，安徽省“两会”继续在合肥市举行。作为“老委员”，吴志斌坦言，五年的委员任期，让他从对安徽感到陌生变得熟悉与亲切，从一位对安徽的旁观者、欣赏者变成了安徽发展的参与者、见证者，从最初的荣誉感变成了一种自觉的、沉甸甸的责任感。

　　过去五年，作为安徽省政协委员，吴志斌共参加了皖港活动逾百场。三年的疫情，让港澳委员来皖履职增加了很多困难，但吴志斌2021年至2022年之间仍克服困难，每年都二次返皖履职交流。

　　履职期间，吴志斌积极参与安徽省脱贫攻坚，设立的“吴国修端仁教育基金”五年来资助了二百多名贫困中学生升读大学，扶贫助学与扶贫消费总额逾百万元。

　　同时，吴志斌还深入安徽九个地市，推动各地市在港成立地市级“同乡联谊会”，2022年底“香港合肥同乡联谊会”正式成立并运作。“我觉得变的是环境，不变的是履职的初心、心中的责任，有信念，办法总比困难多。”

　　如今，参政履职的工作让吴志斌成为一名“新安徽人”，不仅自己在安徽置业，更动员香港中文大学毕业的女儿到安徽创业。

　　在今年安徽省“两会”上，吴志斌根据安徽发展动态，重点关注皖港科创交流合作，并积极建言献策。

　　吴志斌说，皖港科创合作有基础有政策。安徽省区域创新能力为全国第7位，并连续11年位居全国第一方阵。作为综合性国家科学中心的合肥和立志建立“国际创新科技中心”的香港，具有高度的战略重叠性。皖港两地从技术发展的资源储备、创新政策的支持力度以及人才吸引到企业落户等方面，都有相同的策略性谋划和施政目标。

　　为实现皖港两地在科技创新的多、深、广的合作交流，吴志斌建议，安徽应建立省级科创统筹领导小组，制定专门与港交流、协作的相关机制，弥补皖港长久以来的互动欠缺，针对性设立皖港科创基金，实现和培育有深度、有专题、精细化的科创交流活动。支持鼓励两地共建优势学科、实验室和研究中心。

　　同时，应发挥省级国有公司、在港窗口公司(香港黄山公司)、民营在港企业的主体性作用，深入洞察两地合作的“契合点”，尤其是在发挥合肥综合性国家科学中心优势方面，着重结合香港特区政府对生物科技、人工智能、智慧城市等方面的政策支持，引进相关企业项目，完善两地科创生态圈。

　　此外，要实现人才和项目的互动互联，其中在港安徽政协委员在发挥履职双重作用的同时，更要进一步起到“双面黏合”的作用。自改革开放以来，皖籍海归和港漂科创、金融人才落户香港，成了香港科技进步和创新的新生力量。安徽省需调动且发挥这一批人才的积极性，创立多领域、多面向的人才交流合作项目，定期举办人才项目峰会和考察活动，以国家级科创项目计划为主导，联合两地高精尖人才团队，以实现人才、资源和项目的互认、互动、互赢。(完)

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）