黑龙江：11起涉黑恶及“保护伞”案件集中公开宣判******url:https://m.gmw.cn/2023-01/06/content_1303245476.htm,id:1303245476

记者从黑龙江省高级人民法院获悉，近日黑龙江高院及6家中级、基层法院对11起涉黑恶及“保护伞”案件集中公开宣判，95名被告人被判处死刑缓期二年执行至有期徒刑八个月不等刑罚。

此次公开宣判的11起案件，均为人民群众十分关注、反映强烈的黑恶势力犯罪及“保护伞”案件，既有发生在社区、乡村等群众身边，实施故意杀人、聚众斗殴、寻衅滋事等违法犯罪行为，严重影响人民群众安全感的案件，又有政府机关工作人员为黑社会性质组织充当“保护伞”的案件，还有发生在工程建设、市场流通等重点行业领域，实施暴力滋扰、非法经营、强迫交易等违法犯罪行为，对当地公共秩序、营商环境造成严重破坏的案件。

此次公开宣判，是黑龙江法院切实推动常态化扫黑除恶斗争向纵深发展，不断增强人民群众获得感、幸福感和安全感的重要举措，充分彰显对黑恶势力犯罪“零容忍”“出重拳”的鲜明态度和坚定决心。

(央视新闻客户端 总台记者 郭晓光)

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