点击右上角
微信好友
朋友圈
请使用浏览器分享功能进行分享
易发生聚集性疫情的场所有哪些防控关键点？疾控专家回应******
央视网消息：1月11日下午，国务院联防联控机制举行新闻发布会，介绍重点机构和重点场所疫情防控的有关情况。“乙类乙管”后，对于养老机构、学校、邮政快递、医疗等重点机构，以及商超市场、车站等人员密集、空间密闭、容易发生聚集性疫情的重点场所，有哪些防控关键点？我们来听听疾控专家的解答。
中国疾控中心传防处研究员 常昭瑞：相关机构和场所应落实单位防控责任和个人的疫苗接种、自我防护、健康监测、环境清洁消毒和通风换气等措施。此外，对养老机构、社会福利机构等脆弱人群集中场所还应采取以下措施：第一是内部要分区管理，防止不同区域之间的交叉感染。第二是在疫情严重期间，经科学评估适时采取封闭管理，防范疫情引入和扩散风险。第三是疫情流行期间，外来人员进入机构时要提前预约，持48小时内核酸检测阴性证明及现场的抗原检测阴性结果。第四是要明确机构定点医院，建立就医优先的绿色通道，对机构内感染者可第一时间转运和优先救治。
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） [责编：天天中] 阅读剩余全文（）  视觉焦点
三分快三地图 |
)