天下彩票充值 - 平台推荐安卓版v2.9.1(2023已更新)

曾光：XBB.1.5不会造成类似第一波的重症高峰******

　　多地发布最新研判，已度过第一波感染高峰，发热门诊就诊量持续下降。与此同时，XBB.1.5新毒株跃入了人们的视野，这是美国上升势头最快的毒株，已引发美国内超40%的感染病例。

　　很多人刚从“正阳”“阳康”中缓过劲儿，面对新毒株，不免有些担忧。XBB.1.5毒株危险程度如何？是否会引发我国“第二波感染高峰”？感染新毒株后重症比例如何？面对广大网友的担忧，央广网专访了知名公共卫生与流行病学专家曾光。

　　变异株近期不会在中国掀起大浪 也不会引发重症高峰

　　曾光介绍，从全国来看，感染高峰、重症高峰呈现出此起彼伏、逐渐从涨潮到落潮的过程。“这一波疫情的高峰像暴风骤雨一样到来，我也没有想到它来得这么快、这么凶、这么猛。”因此，人们自然会对“第二波”感到紧张和焦虑。

　　对于XBB.1.5毒株的担忧，很大程度上源于我们对病毒的不了解。曾光介绍，XBB.1.5变异株在美国的占比可能还会进一步上升，但根据研究，感染该毒株后，死亡率并没有随之大幅上升。随着XBB.1.5逐步在美国占据“优势地位”，新冠病毒感染的发病率在增加，但增高幅度不大。曾光说：“这一情况可以给我国认识XBB.1.5提供一个参考。”

　　“我估计变异株在中国不会掀起大浪，至少最近不会。”曾光认为，XBB.1.5能在美国大范围流行，也有美国人群产生的自然免疫正在消退的影响。但目前，我国正在集中出现感染高峰，疫苗免疫、自然感染两种状态相加，会在一段时间内达到一定的群体免疫效果，对国外的变异株不会过分敏感。因此，曾光推测：“XBB.1.5在中国可能会造成一部分传播，但传播速度不会太快，绝不会像第一波时迅速出现感染高峰，也不会出现类似的重症高峰。”

　　即使有了这种谨慎乐观的判断，曾光仍强调，我们还是要重视实际监测结果，根据结果及时调整防控策略。

　　流感盛行 警惕流感等流行病与新冠叠加

　　现在出行方便了，但我们不能放松大意，仍需做好个人防护。曾光提醒，除了避免感染新冠病毒，还要避免感染流感等流行病，警惕病情叠加增加重症风险。

　　曾光介绍，今年冬季，世界各国都出现了流感的流行高峰。根据我国最近的流感监测结果，今年的流感患病率比去年同期上升了一倍。

　　流感病毒感染与新冠病毒感染非常相似：通常起病急，一般会发烧3～5天，常达38.5℃以上，并伴有寒战、肌肉酸痛、头痛、咽痛、全身乏力。大多数流感患者能够在1～2周内自行恢复。有些可能会出现肺炎、急性呼吸窘迫综合征、心肌炎、心力衰竭、脑炎等并发症。5岁以下儿童、65岁以上的老人，以及有慢性基础疾病的患者，因流感出现重症的风险较高，是住院治疗的主要人群。

　　曾光介绍，现有研究显示，流感感染后会打开呼吸道门户，增加其它病原体感染几率。新冠病毒感染也是如此。若两者叠加感染，极易增加重症几率。他举例说，有些人感染过了5天或7天后，突然又开始体温增高，又开始呼吸急促，甚至出现黄痰、绿痰。这种情况可能是多重感染导致的，与“阳康”咳嗽不一样，往往提示有细菌性继发感染，须及时就医，必要时增加抗生素治疗。

　　最后，曾光强调，现在大家外出旅行、到人流聚集处时，仍需戴好口罩，做好个人清洁与防护，减少传染病发病风险。(记者 雷妍)

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）