美国前国务院顾问：美国和北约的错误导致乌克兰危机******

　　中新网1月17日电 综合报道，美国国务院前顾问戴维·L·菲利普斯 (David L. Phillips) 日前在《国家利益》杂志上撰文称，2022年2月，北约和美国有“很多选择”来阻止俄罗斯在乌克兰开展特别军事行动，但他们未能利用好这些选择，在危机发生时反应迟钝、软弱。

　　据《国家利益》13日报道，菲利普斯称，俄罗斯总统普京“早在第一声枪响之前就已经通过电报向(拜登)传达了他的军事计划”。

　　拜登早期承诺北约军队不会部署在乌克兰。当时美国担心如果西方干涉，俄罗斯可能会使用核武器，因此拜登政府“谨慎地采取折衷措施”应对危机。

　　菲利普斯声称，如果西方在2022年2月之前采取“积极预防措施”，这可能会“改变普京的计划”。

　　菲利普斯还表示，西方对俄罗斯的制裁“实施得如此循序渐进，以至于普京能够缓和它们对俄罗斯经济的负面影响”。菲利普斯还建议乌克兰应该从一开始就获得“最先进的北约武器”。

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