城乡互帮互助，多地动员带药返乡、号召社会捐赠余药******

　　农村地区药品短缺问题该如何缓解？

　　日前，昆明市委组织部发布《关于城乡基层党组织做好新阶段疫情防控工作的通知》，动员城乡基层党组织充分发挥战斗堡垒作用和党员先锋模范作用，扎实抓好新阶段城乡疫情防控工作。

　　这份通知提到，建立互帮互助机制方面，村(社区)党组织要动员党员带头互帮互助，街道(社区)党组织要动员感染新冠病毒转阴且春节回乡的居民，把家中与新冠感染相关的剩余药品带回农村等。

　　通知还提出，要把工作重点放到应对郊县、农村可能出现的进一步传播，以及春节前后可能出现的第二波高峰和重症高峰上，重点关注农村疫情发展变化情况，全面加强农村地区疫情防控工作。

　　澎湃新闻注意到，稍早前，贵州省黔东南州的从江县、黄平县已相继发出倡议书，号召社会家庭回赠治疗新冠疾病余药。

　　从江县倡议书写到，当前，我县疫情防控进入新阶段，农村群众在新冠疾病治疗药品需求量激增。在这共克时艰的关键时刻，现号召全县各社会家庭或个人积极响应号召，踊跃回赠家中余药，切实帮助全县同胞特别是农村群众共同应对新冠病毒疫情。回赠药品以退烧类的药品为主，止咳、抗病毒等其他类型药品也可回赠。

　　从江县疫情联防联控机制综合组介绍，药品是要处于保质期内，通过正规途径购买。整盒或开盒后不影响服用的散装药品均可回赠。县城家庭可以个人送达或以单位统一收集送到从江县中医医院北上院区药房，乡镇家庭可直接送到各乡镇卫生院药房。

　　从江县疫情联防联控机制综合组承诺，接受回赠的所有余药由县卫生健康局统筹安排，经药剂专业人员再次确认归类后，按量配发给各乡镇卫生院和村卫生室，经医务人员免费发放给需要的群众。并由县卫生健康局定期公布药品回赠数量和使用情况，并监督发放，严格管理。

　　黄平县发布的倡议书也称，在这共克时艰的关键时刻，现号召全县各社会家庭或个人积极响应号召，踊跃回赠家中余药，切实帮助全县同胞特别是农村群众共同应对新冠病毒疫情。

　　此外，在陕西省商洛市丹凤县，县疫情防控工作领导小组办公室号召干部职工捐赠医疗药物，帮助农村群众共度难关。

　　倡议书称，丹凤县城区居民感染新冠病毒高峰期即将过去，临近春节，农村务工人员开始大规模返乡，农村群众感染新冠病毒高峰期即将到来，农村孤寡老人、孕产妇等弱势困难群体缺医少药现象严重。为此，丹凤县委、县政府现向全县广大干部职工发出倡议，号召全县党政企事业单位干部职工奉献爱心，积极将家里剩余医疗药品捐献，统一向农村弱势困难群体发放，帮助农村群众共度难关，共同营造欢乐祥和节日环境。

　　所列的捐赠药品包括温度计、退烧药、止咳药、抗病毒类药等用于治疗新型冠状病毒有关药品。丹凤县委、县人大、县政府、县政协领导干部捐赠地点分别在县委办、县人大办、县政府办、县政协办。县委工作机关、直属事业单位、各人民团体、审判和检察机关干部职工捐赠地点在县委办。县政府工作部门、事业机构及中、省、市驻丹各单位干部职工捐赠地点在县政府办。所有捐赠地点单位负责将捐赠药品逐人造册登记。

　　丹凤县疫情防控工作领导小组办公室还介绍，全县广大干部职工捐赠药品情况定期进行通报，并向社会公布。感染新冠病毒治愈后，剩余治疗药品作用并不大，倡议全县广大干部职工都积极行动起来，加入药品捐赠行列，向农村困难群体献出自己的一片爱心，共同守护全县人民生命健康安全。（澎湃新闻记者 钟煜豪）

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