点击右上角
微信好友
朋友圈
请使用浏览器分享功能进行分享
斯蒂芬·德波尔：希望各方共同努力达成“2020年后全球生物多样性框架”******
中新网蒙特利尔12月8日电 “希望未来几周，我们能共同努力，达成‘2020年后全球生物多样性框架’。该框架将汇集全球各国的力量来遏制生物多样性丧失以及自然与生态系统的退化。”
加拿大环境与气候变化部国际关系助理副部长斯蒂芬·德波尔7日在COP15第二阶段会议“坚持人与自然和谐共生 共建清洁美丽世界”边会上如是表示。
边会由生态环境部环境与经济政策研究中心、中国新闻社主办，中国新闻网承办。
加拿大环境与气候变化部国际关系助理副部长斯蒂芬·德波尔在边会上作主旨发言。尹灵 摄斯蒂芬.德波尔表示，“加拿大一直支持中国担任主席国，确保COP15第二阶段会议能在自然环境方面通过达成全球生物多样性框架来取得积极成果。该框架将有利于大自然。”
在斯蒂芬.德波尔看来，气候和自然危机息息相关，因此两种危机应共同得到解决。加拿大愿同各方共同努力，采取紧急行动，通过综合性的方式来应对气候变化和生物多样性丧失。
斯蒂芬.德波尔表示，中国和加拿大在环境方面有着悠久的合作历史。两国在COP15第二阶段会议的合作仅仅只是两国历史上合作成就中最近的一项。两国在达成阻止自然环境破坏并恢复自然环境的共同目标上取得良好进展。
“对中加两国在保护环境上共同达到的成就，我感到非常自豪。同时，我也很期待两国未来的合作。”斯蒂芬.德波尔说。(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） [责编：天天中] 阅读剩余全文（）  视觉焦点
大发平台地图 |
)