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

更好管理情绪可防病理性衰老******

　　科技日报北京1月17日电 (实习记者张佳欣)负面情绪、焦虑和抑郁被认为会导致神经退行性疾病和痴呆症的发生。但它们对大脑的影响是什么？它们的有害影响是否有限？瑞士日内瓦大学神经科学家观察到年轻人和老年人在面对他人的心理痛苦时大脑的激活。老年人的神经元连接表现出明显的情绪惰性，负面情绪在很长一段时间内过度地改变它们，特别是在后扣带皮层和杏仁核中，这两个大脑区域强烈参与情绪管理和自传体记忆。最新发表在《自然·衰老》杂志上的这些结果表明，更好地管理这些情绪，例如通过冥想，可帮助限制神经退化。

　　研究人员向志愿者展示了显示人们处于情绪痛苦状态的电视短片，以及具有中性情绪内容的视频，以便使用功能性磁共振成像观察他们的大脑活动。首先，研究小组将27名65岁以上的人与29名年龄在25岁左右的人进行了比较，然后对127名老年人重复了同样的实验。

　　研究表明，老年人通常表现出与年轻人不同的大脑活动和连接模式。这在默认模式网络的激活程度上尤其明显，默认模式网络是一种在休息状态下高度激活的大脑网络。它的活动经常受到抑郁或焦虑的干扰，这表明它参与了情绪的调节。在老年人中，负责处理自传体记忆的后扣带皮层与处理重要情感刺激的杏仁核的联系增加。

　　然而，老年人往往比年轻人更能调节自己的情绪，并且更容易关注积极的细节，即使是在消极事件中也是如此。但是，后扣带回皮层和杏仁核之间连通性的变化可能表明与正常衰老现象的偏差，这种现象在有更多焦虑、沉思和负面情绪的人身上更加明显。后扣带回皮层是受痴呆症影响最严重的区域之一，这表明这些症状的出现可能会增加神经退行性疾病的风险。