开心彩票-开心彩票

“乙类乙管”后是否会有第二轮感染？疫情信息如何统计？总台独家专访吴尊友******

　　1月8日起新冠病毒感染实施“乙类乙管”，对于疫情监测数据通报、病毒变异是否会引发新一轮感染，我国又将采取怎样的措施继续实施监控，总台央视记者独家专访中国疾控中心流行病学首席专家吴尊友，他就公众关心的问题进行了解答。

　　总台央视记者 史迎春：大家都在担心在国际上的奥密克戎BQ系列，然后包括XBB系列的变异株，它们在我们实行“乙类乙管”，出入境打开以后，进入国内会掀起第二轮的感染，这是大家普遍担心的一个问题，您认为这个问题应该怎么看。

　　中国疾控中心流行病学首席专家 吴尊友：我们也对国际社会的各个国家流行的新毒株的情况进行了解追踪，那么同时对国内发生的疫情也进行了毒株变异的监测，特别是从境外回国人员当中也检测到这些毒株。会不会造成新一轮的疫情，取决于变异的毒株和我们刚刚流行的这些毒株之间，在结构上面有多大的相似性，或者说它的变异差异有多大。从目前来看，因为它的变异也是奥密克戎亚型里面的分支的变异，马上造成新一轮传播的这种风险的话，应该说不会太大。

　　总台央视记者 史迎春：还有一种担心是认为中国人口基数比较大，感染的人口基数也大，会不会产生新的变种，从而影响整个世界的病毒序列，或者说整个世界的病毒的进程。

　　中国疾控中心流行病学首席专家 吴尊友：优化防控策略以后，本地传播的疫情病例数在有一定的水平和规模的情况下，确实存在着新的变异毒株的可能性，我们也密切关注。所以在“乙类甲管”调整为“乙类乙管”的疫情监测方案当中，就专门提到了新冠病毒变异毒株的监测，在现阶段，每天都在进行新的毒株的样本收集和测序，来对它的变化进行监测。从目前的结果来看，我们现在发现的所有的毒株，都是已经在国际共享平台上分享的毒株，也就是说在国外已经报告了，或者说主要是从境外流行以后传入中国，到目前为止还没有发现国内新出现的变异毒株。

　　为指导全国各地做好当前新型冠状病毒感染疫情监测工作，国务院联防联控机制印发了《新型冠状病毒感染“乙类乙管”疫情监测方案》，及时动态掌握人群感染发病水平和变化趋势，科学研判和预测疫情规模、强度和流行时间，动态分析病毒株变异情况，以及对传播力、致病力、免疫逃逸能力及检测试剂敏感性的影响，为疫情防控提供技术支撑。

　　总台央视记者 史迎春：对于之前疫情通报的数字和自己本身的感受，很多公众觉得差距比较大。我们国家一直的疫情统计和发布的疫情信息，是如何去监测和统计报告的？现在有没有相应的调整？

　　中国疾控中心流行病学首席专家 吴尊友：在武汉疫情控制以后，到我们优化防控方案这期间，是叫严格管控时期。每一起疫情的源头、造成感染的毒株，几乎每一个感染者都能够被诊断管理，所以我们采取的是一个计数统计。现阶段由于防控方案的调整，报告病例数和公众感觉的数字，存在着一定的差距。造成这种差距有两个方面的原因，一个是不再实行行政区的大规模核酸检测了，除了重点机构重点人群以外，采取的方法是愿检尽检的方法，这样的话检测的人数、报告的人数就有明显的下降。第二个方面，疫情的感染者主要以轻症为主，多数人还在家庭自我休息调整、进行抗原检测，这一部分也没有纳入到传染病报告，这就造成了这样的差距。为了更好地做好统计工作，联防联控机制制定下发了新冠病毒感染“乙类乙管”疫情监测方案，采取的是多种渠道的监测，包括住院病例的报告监测、核酸抗原检测的数字统计，还有重点机构像养老福利机构的监测，再有像学校学生的呼吸道症状的监测，以及对部分病人的检测。还有我们在全国设立500多个流感哨点监测。我们采用了多种统计方法综合运用，也能够相对准确评估疫情的发生发展趋势，能够对于疫情的发病，流行的强度，流行的趋势，流行的时间做出研判，对防控效果作出评价。在过去几年，欧美国家和全球其他的国家实际上也是采取这样一个统计方法，它主要就是通过抽样的方法来反映总体情况。(央视新闻客户端)

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）