大星彩票软件 - 大星彩票下载

评论：新起点，新探索，新使命******

　　中新社北京9月25日电 题：新起点，新探索，新使命

　　中新社记者 安英昭

　　2022年9月23日，中共中央总书记、国家主席、中央军委主席习近平致信祝贺中国新闻社建社70周年。

　　这封贺信既是对中新社70年来工作的充分肯定，也为中新社未来的国际传播事业指明路向。立足新起点，中新社必将求新探索、更努力，担新使命、再出发。

　　新起点，必要厚植爱国主义的根与魂。

　　从第一次报道秦始皇陵兵马俑，到香港回归前率先写出“马照跑，舞照跳，股票照炒”，再到迎接台湾记者脱口而出“等你们38年了”，中新人的笔锋在新闻史上浓墨重彩，正在于其从诞生之日起就明确坚持爱国主义的报道方针。七十载筚路蓝缕，爱国主义早已内化为中新社的精神之源。

　　今天，中华民族比历史上任何时期都更接近、更有信心和能力实现伟大复兴的目标。但中国建设社会主义现代化强国的道路并非一马平川，波谲云诡的国际气候阴晴难辨。值此历史性关键时刻，促进海内外中华儿女大团结的重要性更加凸显。心怀“国之大者”，站稳“中国立场”，既是新起点也是基准线，循此前行，纵道阻且长，亦行则将至。

　　新探索，还要强健国际传播的枝与叶。

　　从1952年10月1日，通过电台广播记录新闻的方式对外播发第一篇新闻稿《首都纪念国庆节举行隆重阅兵式》；到紧密联系华文媒体，为侨服务，创造性地以新闻供版合作联结海外；再到如今建立起24小时不间断信息发布系统，形成覆盖境外大多数华文媒介的用户网络，中新社及其旗下中新网、中国新闻周刊等平台不断创新传播形式推动新闻产品触达国际社会、产生广泛影响，正在于其不断探索国际传播的新路径。七十载守正创新，数以百计的海外华媒与“华文媒体之家”的双向奔赴，堪称典范。

　　今天，媒体融合技术迭代演进，国际传播的格局与形式更趋复杂多变。媒体“国家队”须创新国际传播话语体系，加快融合发展，提高国际传播能力。展现可信、可爱、可敬的中国形象，更需要淬炼“中新风格”，进一步增强报道亲和力和实效性，积极探索媒体融合与学媒结合之道，为开展国际传播工作提供学理支撑，以“实”应“变”，以“融”创“新”。

　　新使命，更要培育文明交流的花与果。

　　文明在交流中融合，在融合中进步。七十载上下求索，中新社通过广泛联络海外华侨华人，“以侨为桥”，促进文明交流；通过双向报道中外发展变迁，“以文化人”，推动民心相通。

　　今天，国际局势风云变幻，“文明冲突”论甚嚣尘上。不同文明、种族、国家间的对立情绪越高涨，做好民心相通工作的重要性就越凸显；外界唱衰、抹黑中国的杂音越刺耳，讲好中国故事、传播好中国声音的紧迫性就越突出；逆全球化、民粹主义的思潮越抬头，弘扬全人类共同价值、倡导人类命运共同体理念的必要性就越上升。时代需要理性对话的平台，文明需要交流互鉴的窗口。八音克谐，方无相夺伦；美美与共，则天下大同。

　　凡是过往，皆为序章。未来，尤需立足五千多年中华文明，全面观照和阐述中国。新起点上，中新社将着力提高国际传播影响力、中华文化感召力、中国形象亲和力、中国话语说服力、国际舆论引导力，以寻求“最大公约数”和画出“最大同心圆”为目标，不断壮大海外知华友华“朋友圈”，为实现中华民族伟大复兴凝心聚力，为构建人类命运共同体作出新贡献。(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）