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

玻璃吹制：火焰里的艺术******

　　初冬时节，位于山西省运城市闻喜县的玻璃器皿加工基地里，一派热火朝天的生产景象。经过挑、滚、吹、定等工序，如糖浆般粘稠的玻璃原液在火焰里绽放出千姿百态。

　　成型后的玻璃，还要再经过切、磨、烘、检、洗等流程，一件晶莹剔透的玻璃杯才算制作完成。（王浩庆/文 兰立强/摄）

　　吹制的第一道工序是挑料。工人用挑料杆在玻璃液中轻轻一挑，一团橘黄色的玻璃液便附着在管口。

　　随后，吹制工人将玻璃液吹成灯泡状的小球，随后固定在滚轴上保持形态。这一步骤俗称吹“小泡”。图为初步吹制过后的玻璃“小泡”。

　　在料团成型的基础上再次取料，放入滚料碗中不断转动，滚成圆形，为下一步吹制做好准备。

　　待料团匀称后，吹制工人从挑料杆的另一头将气平缓吹入杆内，同时转动杆体。吹气时间和吹气量是保证产品尺寸的关键，吹气过大会使制品端部过薄，尺寸偏大；反之则端部过厚，尺寸偏小。

　　将吹制后的料团放入模具中，一边吹气一边调整角度。在不停吹气和转动下，使料泡不断胀大，逐渐贴合模具。这一步骤被称作吹“大泡”，对吹制工人的技艺要求较高，通常需要多年的吹制经验才可完成。

　　据工作人员介绍，玻璃在吹制过成中经受了强烈的温度和形状变化，这种变化在玻璃中留下了热应力。热应力会降低玻璃制品的强度和热稳定性。如果直接冷却，很可能在存放、运输和使用过程中破裂。

　　为避免这一问题，玻璃制品在成型后必须进行退火处理。在适当的温度范围内保温或缓慢降温一段时间，减少玻璃中的热应力。

　　玻璃吹制的整个生产流程都需在高温环境下实现。图为工人正使用加热枪烘烤瓶底。

　　等杯子冷却下来，针对杯口处的废料，需按订单尺寸将多余部分进行切割。通常工人会先用玻璃刀割出划痕，紧接着再用火烤，使其自然脱落，确保杯口平滑圆润。

　　图为工人在给玻璃杯进行“烘口”。

　　制作完成的玻璃杯还需进行清洗、检验。图为工人透过光线检查成品。

　　图为工人检查成品。

　　装箱前，工人正清洗玻璃杯。

　　近年来，当地的玻璃制品在市场中越来越走俏，还闯出了国门。