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

具超长可重复相干时间的通量量子比特问世******

　　以色列巴伊兰大学物理系暨量子纠缠科学与技术中心迈克尔·斯特恩及其同事基于一种称为超导通量量子比特的不同类型的电路构建超导处理器。在发表于《物理评论应用》上的一篇论文中，他们提出了一种控制和制造通量量子比特的新方法，该方法具有前所未有的可重复长相干时间。

　　通量量子比特是一种微米大小的超导环路，其中电流可顺时针或逆时针流动，也可双向量子叠加。与传输子（transmon）量子比特相反，这些通量量子比特是高度非线性的对象，因此可在非常短的时间内以高保真度（即无错误地进行计算的能力）进行操作。

　　超导传输子量子比特被认为是可扩展量子处理器的基本构建块。多年来，传输子量子比特的保真度不断提高，IBM、亚马逊和谷歌等科技巨头在最近的竞争中相继展示了量子优越性。

　　但随着处理器变得越来越大，如IBM刚刚宣布推出一款具400多个传输子量子比特的处理器，此类系统的保真度和可扩展性要求变得越来越严格。特别是，传输子量子比特是弱非线性对象，这本质上限制了它们的保真度，并且由于频率拥挤的问题带来了对可扩展性的担忧。

　　而通量量子比特的主要缺点是，它们特别难以控制和制造，这导致了相当大的不可重复性，之前它们在工业中的使用仅限于量子退火优化过程。

　　在新研究中，研究团队与澳大利亚墨尔本大学合作，使用新颖的制造技术和最先进的设备，成功地克服了这一范式的重大障碍。

　　斯特恩表示，他们在这些量子比特的控制和可重复性方面取得了显著改善。这种可重复性使他们能够分析阻碍相干时间的因素并系统地消除它们。这项工作为量子混合电路和量子计算领域的许多潜在应用铺平了道路。

　　这项研究得到了以色列科学基金会的支持。（记者张梦然）