盈彩网技巧|盈彩网赔率

新华社评论员：时刻保持解决大党独有难题的清醒和坚定——学习贯彻习近平总书记在二十届中央纪委二次全会重要讲话精神******

　　新华社北京1月11日电题：时刻保持解决大党独有难题的清醒和坚定——学习贯彻习近平总书记在二十届中央纪委二次全会重要讲话精神

　　新华社评论员

　　“全面从严治党永远在路上，要时刻保持解决大党独有难题的清醒和坚定。”习近平总书记在二十届中央纪委二次全会重要讲话中，深刻分析大党独有难题的形成原因、主要表现和破解之道，体现了对党的自我革命规律认识的进一步深化，充分彰显坚定不移推进全面从严治党的深沉忧患意识、高度历史自觉和强烈使命担当。

　　我们党是世界上最大的政党，大就要有大的样子，同时大也有大的难处。把这么大的一个党管好很不容易，把这么大的一个党建设成为坚强的马克思主义执政党更不容易。打铁必须自身硬。实践充分证明，我们党作为世界上最大的马克思主义执政党，要始终赢得人民拥护、巩固长期执政地位，必须时刻保持解决大党独有难题的清醒和坚定，持之以恒推进全面从严治党。

　　经过新时代十年顽强努力，全面从严治党取得了有目共睹的成绩，得到人民群众充分肯定。同时，要清醒看到，党内一些深层次问题尚未根本解决，一些老问题反弹回潮的可能始终存在，稍有松懈就会死灰复燃，新的问题还在不断出现，党面临的执政考验、改革开放考验、市场经济考验、外部环境考验将长期存在，精神懈怠危险、能力不足危险、脱离群众危险、消极腐败危险将长期存在，管党治党一刻也不能放松。

　　常怀远虑，居安思危。在二十届中央纪委二次全会上，习近平总书记深刻指出，如何始终不忘初心、牢记使命，如何始终统一思想、统一意志、统一行动，如何始终具备强大的执政能力和领导水平，如何始终保持干事创业精神状态，如何始终能够及时发现和解决自身存在的问题，如何始终保持风清气正的政治生态，都是我们这个大党必须解决的独有难题。总书记提出的“六个如何”对“大党独有难题”作出了深入系统的阐释，具有很强的政治性、指导性、针对性。解决这些难题，是实现新时代新征程党的使命任务必须迈过的一道坎，是全面从严治党适应新形势新要求必须啃下的硬骨头。

　　“犯其至难而图其至远”。时刻保持解决大党独有难题的清醒和坚定，就要始终牢记，全面从严治党永远在路上，党的自我革命永远在路上，决不能有松劲歇脚、疲劳厌战的情绪，必须持之以恒推进全面从严治党，深入推进新时代党的建设新的伟大工程，以党的自我革命引领社会革命。只有严管严治，才能保持大党应有的风范，解决大党独有的难题。新时代新征程上，必须始终坚持问题导向，保持战略定力，把全面从严治党作为党的长期战略、永恒课题，把严的基调、严的措施、严的氛围长期坚持下去，把新时代党的伟大自我革命进行到底，把党建设成为始终走在时代前列、人民衷心拥护、勇于自我革命、经得起各种风浪考验、朝气蓬勃的马克思主义执政党，确保党始终成为中国特色社会主义事业的坚强领导核心。

　　一个饱经沧桑而初心不改的党，才能基业常青；一个铸就辉煌仍勇于自我革命的党，才能无坚不摧。“志行万里者，不中道而辍足。”全面建设社会主义现代化国家新征程上，在以习近平同志为核心的党中央坚强领导下，发扬彻底的自我革命精神，驰而不息推进全面从严治党，我们党必将在自我革命中不断焕发蓬勃生机，始终成为中国人民最可靠、最坚强的主心骨，团结带领亿万人民创造新的历史伟业。

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）