玛雅彩票登录-360百科

“典”亮新时代｜民富国强，众安道泰******

　　编者按：过去一百年，中国共产党向人民、向历史交出了一份优异的答卷。现在，党团结带领全国各族人民踏上了实现第二个百年奋斗目标新的赶考之路。“两个一百年”奋斗目标历史交汇，我们开启了全面建设社会主义现代化国家新征程，正昂首阔步行进在实现中华民族伟大复兴的道路上。

　　党的十八大以来，习近平总书记多次引经据典、援古证今，赋予典故鲜活的时代内涵，深刻阐释中国共产党初心如磐、历久弥坚的精神密码。央视网《天天学习》特别策划“典”亮新时代系列，与您一起学习领会。

　　【释义】

　　《吴越春秋》是东汉史学家赵晔所著的一部有关春秋时期吴越两国历史的著作，今存十卷。前五卷为吴事，起于吴太伯，迄于夫差；后五卷为越事，自无余以至勾践，注重叙述吴越争霸的史实。

　　“民富国强，众安道泰”出自第八卷《勾践归国外传》，意思是人民富裕、国家强盛，社会安定和平。《勾践归国外传》记述了越王勾践被吴王夫差放回越国后，卧薪尝胆，励精图治，重用范蠡、文种等人，通过一系列发展生产和提升军队战斗力的措施使越国民富国强，具备了伐吴复仇的能力。

　　中国古代就有“藏富于民”之说，认为只有百姓生活富足，国家才能繁荣稳定、长治久安。故《吴越春秋》把“民富”放在“国强”之前。

　　【解读】

　　2021年1月28日，中央政治局就做好“十四五”时期我国发展开好局、起好步的重点工作进行第二十七次集体学习。习近平总书记在主持学习时引用古语“民富国强，众安道泰”，指出进入新发展阶段，完整、准确、全面贯彻新发展理念，必须更加注重共同富裕问题。

　　让人民群众过上更加幸福的好日子是我们党始终不渝的奋斗目标，实现共同富裕是中国共产党领导和我国社会主义制度的本质要求。改革开放以来，我国7.7亿农村贫困人口摆脱贫困，14亿多人民的生活质量和水平大幅度提升，用几十年时间完成了其他国家几百年走过的发展历程。

　　党的十八大以来，我们党对共同富裕道路作了新的探索，对共同富裕理论作了新的阐释，对共同富裕目标作了新的部署。党的十九大报告提出到本世纪中叶“全体人民共同富裕基本实现”的目标；党的十九届五中全会进一步提出，到2035年“全体人民共同富裕取得更为明显的实质性进展”。

　　促进全体人民共同富裕是一项长期任务，也是一项现实任务。我们要始终把满足人民对美好生活的新期待作为发展的出发点和落脚点，在实现现代化过程中不断地、逐步地解决好这个问题。习近平总书记指出：“要自觉主动解决地区差距、城乡差距、收入差距等问题，坚持在发展中保障和改善民生，统筹做好就业、收入分配、教育、社保、医疗、住房、养老、扶幼等各方面工作，更加注重向农村、基层、欠发达地区倾斜，向困难群众倾斜，促进社会公平正义，让发展成果更多更公平惠及全体人民。”

　　在全面建设社会主义现代化国家新征程中，我们必须把促进全体人民共同富裕摆在更加重要的位置，脚踏实地、久久为功，向着这个目标积极有为地进行努力。要抓住人民最关心最直接最现实的利益问题，不断保障和改善民生，促进社会公平正义，在更高水平上实现幼有所育、学有所教、劳有所得、病有所医、老有所养、住有所居、弱有所扶，推动社会全面进步和人的全面发展，朝着实现全体人民共同富裕的目标稳步迈进。

　　（作者 杨立新）

　　（中央广播电视总台央视网）

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）