甘肃肃州种业“新事”：5G无人驾驶作业 种子有了“身份证”******

　　1月上旬，甘肃酒泉市肃州区国家现代种业产业园内，科研人员进行种子实验。李建平 摄

　　(新春走基层)甘肃肃州种业“新事”：5G无人驾驶作业 种子有了“身份证”

　　中新网兰州1月11日电 (闫姣 刘潇田鹏鹤)作为以蔬菜花卉制种产业为主的“国字号”产业园，位于甘肃酒泉市的肃州区国家现代种业产业园随处可见“肃州种子播种全球”的标语。该产业园管理办公室主任芦克明解释这种“底气”时说，肃州种子占据全国市场的一半以上，并销往全球数十个国家和地区。

　　肃州土壤肥沃，光照充足、气候干燥，昼夜温差大、天然隔离条件好，是全球公认的最具优势的农作物制种区之一，被誉为“天然的种子繁育场和种子生产黄金带”。从专注于为国外作物制种，到如今拥有自主知识产权品种，40余年来，肃州种业不断与时偕行。

　　有多年农机产品生产经验的酒泉奥凯种子机械有限公司，见证了肃州种业的发展。企业技术中心主任付秋峰1月上旬接受中新网记者采访时称，企业由生产种子加工机械的“小铁匠铺”起步，到如今成为业界“领头羊”，目前已布局种子全产业链，“我在很多文献中看到，肃州区种业也经历了由小到大的发展过程。”

　　肃州区“老牌”企业奥凯种子机械有限公司陈列展示各类种子。闫姣 摄

　　“每条加工线每小时的种子加工量为10吨，正在往每小时15吨发展。”付秋峰说，以前种子加工手段落后，效率、规模都提不上去，这几年在自动化方面进步很快，新近研发的5G无人驾驶抽雄机，再次延长了制种业的产业链。

　　据该企业下属田间育种装备制造公司经理侯景僖介绍，无人导航抽雄机主要用于杂交制种玉米的去雄作业，以获得最优质杂交玉米种子，通过提前设置程序，规划路径，自动完成田间作业，“以前进口设备进价高，且有些水土不服，需要人工一颗一颗抽取玉米雄穗，劳动强度大。我们研发这款产品后，一天能代替近300人工。”

　　如今，酒泉市已有200多家登记注册种子生产企业，已建成种子生产基地50多万亩，参与制种农户7.2万多户，先后培育了玉米、花卉和蔬菜种子品牌20多个，审定、登记各类农作物品种1000多个，制种成了当地的“金字招牌”。

　　制种为当地带来“名声”的同时，也引来了投资，敦煌种业先锋良种有限公司就是一家中外合资企业。中新网记者走访该公司生产车间时看到，各个生产线有蓝色、粉色、红色、紫色的玉米种子在生产线上传送，每个包装袋上都有二维码，是该产品的“身份证”，便于消费者识别产品真伪。

　　该企业后段加工负责人闫常斌说，目前生产车间在售的有26个品种，而且每年还有新研发的产品，“单粒播种由我们公司首先提出，而且在售产品的核心竞争力在于所有质量指标在行业领先，高于国家标准。根据客户不同需求和病虫害的影响，我们有不同配方。”

图为肃州区应用于种子制造业的5G无人驾驶抽雄机。李建平 摄

　　酒泉蓝翔园艺副总经理郭海辉称，企业主要以花卉种子加工生产为主，而且自建了种质资源库，种质资源达到3200份，在2020年通过了国家级评审，“后期也会通过引种，来增加存放的草本花卉种质资源。”

　　目前，酒泉正以国家级现代种业产业园为引领，构建研发繁育、种植加工、检验检测、机械制造、流通服务于一体的现代种业全产业链，致力于打造国家级玉米种子基地和世界级蔬菜花卉种子基地。

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