赵建军背着母亲下楼。受访者供图
“妈妈在我身边好照顾,不在我身边我也不放心。”对于学校提供的方便,赵建军颇为感激,这让他既能安心上学又方便照顾母亲。
“在妈妈病情稳定后,我便从医院带着她来到学校,开始了‘带母求学’之路。”每天早上不到六点就起床,为母亲洗漱、按摩、做早餐。在安顿好母亲后,赵建军便匆匆前往实验室学习。晚上回到宿舍,临睡前,再给母亲洗脚按摩,做康复运动。
“这几年里,我去过了南昌几乎所有三甲医院的每个角落,对医院的挂号、问诊、陪护、出入院等流程都无比熟悉。”天气好时,赵建军只要有时间就会用轮椅推着母亲去校园晒晒太阳,看看校园、讲讲趣事。
“看着妈妈笑容越来越多起来,感觉所做一切都是值得的。”赵建军说道,身边部分同学受到他的影响,从基本不给父母打电话,到现在每星期都和父母联系了。
“这一路走来,有太多人帮助我,我也希望能够成为给予别人光明的人。”如今,赵建军母亲可以拿掉拐杖,自己走一点路,赵建军便在空闲时间参加各种志愿活动。
赵建军说,一路走来,他受到了很多人的帮助,毕业后他希望尽自己所能去帮助他人,同时感谢那些帮助过自己的人。(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() ![]() y39彩票地图 |