天下彩票漏洞 - 天下彩票投注

访谈｜从参展商变投资商 阿斯利康持续加码中国本土创新******

　　(第五届进博会)访谈｜从参展商变投资商 阿斯利康持续加码中国本土创新

　　中新网上海11月4日电 题：访谈｜从参展商变投资商 阿斯利康持续加码中国本土创新

　　中新网记者 李佳佳

　　作为中国国际进口博览会的“五年老友”，阿斯利康全球执行副总裁、国际业务及中国总裁王磊至今仍对第一届参展盛况印象深刻，“没想到政府支持力度如此之大，全世界参与力度如此之大”。王磊说，进博会是全世界的盛会，“如果不是疫情的原因，我想应该有更多的外国来宾，这个平台举足轻重”。

　　因为这个原因，今年阿斯利康主展台延续了去年1000平方米的规模，以“举创新、致中国、链全球”为主题，成为进博会医疗器械及医疗保健展区占地面积最大的展台之一。

　　投资约4.5亿美元在青岛高新区建立吸入气雾剂工厂，助力胶东经济圈高质量发展；在泰州全球供应基地增资1.8亿元人民币，用于建设安达唐生产线，供应中国及海外市场；在无锡全球供应基地投资1亿元人民币，用于引进利倍卓新产线，推动长三角一体化进程；和暨南大学粤港澳大湾区药品医疗器械真实世界研究院宣布将共同推动构建粤港澳大湾区真实世界研究体系，助力粤港澳大湾区一体化战略；与3家新入驻企业达成战略合作共促西部区域医药产业质量发展，响应川渝双城经济圈建设……今年，除4款创新药外，阿斯利康还将在进博会上宣布一系列在华投资布局，以此彰显其对中国市场的坚定信心。

　　巨大的市场体量无疑是吸引阿斯利康的主要原因。其次，中国市场韧性十足的供应链体系也让它在生产研发之余少了后顾之忧。王磊告诉记者，阿斯利康不停地在中国制造业加码，也是看重中国在疫情常态化防控下的供应链保障能力，“中国的供应链是有效率的、顺畅的，所以我们相信全世界的产能以及制造业都应该往中国归拢”。

　　与其他医疗行业展会相比，王磊认为进博会具备无可比拟的优势，这不仅体现在办展的机制上，还体现在这是一个可以“跟中国各地政府以及整个生态圈伙伴进行合作的平台”。如今的阿斯利康已不仅仅满足于成为进博会的参展商，它还积极地在这个平台上寻找投资标的，从药企变身投资商。

　　阿斯利康与中金资本合作成立的阿斯利康中金医疗产业基金就是第三届进博会的“产物”。从成立至今，该基金已完成计划募资10亿美元，成功投资10多家创新企业。“我们非常看重中国的创新，看重中国在自主创新方面的投入，以及在生物医药创新方面领先世界的决心和已经取得的成绩”，王磊说，在中国创新崛起的大形势下，我们希望利用好中国资本市场支持创新。不久前中国六部委发文鼓励外资企业用好中国资本市场发展在华业务，我想阿斯利康在这方面已经提前一步。

　　“不可能所有的创新都在阿斯利康内部发生，我们一定要通过投资来推动更多创新落地，把中国的创新力量团结好，助力中国创新出海。”谈及未来，王磊说，有三点是阿斯利康未来着重会去做的，首先在支持区域经济上加强跟各地政府的合作，深化各地区域总部；其次，加大对制造业的投入，扩大产能，归拢全世界产能；第三，加快资本产业对接，打造创新生态环境，利用好阿斯利康与国投创新合资成立的迪哲医药、阿斯利康全球研发中国中心、阿斯利康中金医疗产业基金、各地的创新园和创新中心，以此为抓手与中国创新企业合作，帮助全世界的患者。(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）