盈彩计划群|盈彩骗局

邵丽推出长篇小说《金枝（全本）》******

　　《金枝（全本）》书封　人民文学出版社供图

　　中新网北京1月10日电 (记者应妮)作家邵丽的最新长篇小说《金枝(全本)》日前由人民文学出版社推出。这部作品被评论家们誉为“中原大地上的女性史诗”。

　　邵丽以恢宏笔触架构了一个庞大的家族故事，囊括了周氏一家五代人在近百年间经历的沧桑巨变。在与宏阔历史对话的同时，她也不忘把视角转向她熟悉的个体家庭，转向那些纠缠不清的父子、母女、婆媳、夫妻等种种关系，并以她独有的触角，伸向人物命运的深处，拷问、审视家族延续的意义、婚姻爱情对女性的塑造和改变。家族故事、革命故事、婚姻故事，伦理、爱情、血缘亲情？?这些复杂因素缠绕在女性捍卫家庭、冲破命运、自我更新的成长历程中，终以不可遏制的力量使中原千年故土新生。

　　人民文学出版社总编辑李红强指出，邵丽是一位勤奋的作家，也是一个有野心的作家，在她心中有一个不断需要抵达的文学理想。也基于此，邵丽对待写作这件事极其认真。《金枝(全本)》在出版前被反复打磨，几经彻底修改，是一部充满作者诚意的作品。从《金枝》到《金枝(全本)》，邵丽实现了一次完美蜕变。她打开叙述维度，在现实中曾无法原谅的亲人身上寻找到写作突破，转换不同的叙述视角全面再现家族史诗。尤其是对家族几代女性内心的探索，非常具有开拓性，堪称“中原大地上的女性史诗”。

　　在中国作协副主席、评论家李敬泽看来，邵丽是一位具有强大文化自信和性别自信的作家。她的写作直面了当代史的叙述难题，在时代变迁中重建了当代的家族叙事。邵丽面对的生活世界不是《白鹿原》的传统家族世界，而是在这个时代重新把家族和血缘的联系以及由此而来的情感和社会联系作为一种想象对象。所以从这个角度来说，该书的主要价值不仅仅在“史诗”层面，更是从人类学意义上让读者看到这个时代的人们是如何重新面对这些生命中的基本联系，如何在生命的基本联系中重新发现和确立自己生命的意义。无论在生活中，在历史的发展中、时代的变化中，还是在文学的书写中，这都是非常敏锐也非常值得我们进一步探讨的向度。

　　中国作协创研部主任何向阳表示，《金枝(全本)》是中国作家协会“新时代文学攀登计划”的入选作品，这部作品写的是中原女性，但它并不局限于“中原大地上的女性史诗”这样的概括，它还写了家族、乡土，写了家庭结构、血缘关系等等，涉及面非常广博，这样一部作品确实让我看到《金枝(全本)》是一部心血之作；甚至有些部分看了之后非常心痛，可谓杜鹃泣血之作。邵丽能够写到血缘关系中深层次的既亲又爱、相爱相杀，这些非常复杂、非常丰富、非常疼痛的部分，确实我们都有各个层面的亲身经历。当然不同家庭的幸福和不幸都不一样，但她确实写出了一种普遍性。尤其是在下半部，她完成了“女娲补天”的故事，这个“天”就是人与人、亲人与亲人、血缘与血缘之间原有的一种撕裂、抵触、冲突、焦灼、紧张等等，基本上是一种分裂的状态，但是最终达到一种和解与升华，让大地重新恢复了生机。

　　“邵丽老师非常让人敬佩的地方是她特别锐利地把我们难以直视的人和人之间的关系都非常尖锐地呈现出来，尤其是女人和女人之间、女儿和女儿之间、前妻和现妻之间这样复杂的关系。”评论家、北京师范大学文学院教授张莉说，很难讲哪位是完美女性，书中并没有一个完美女性，但各种女性形象都在这里。如灯光底下的女性朱珠和暗影里面的穗子，作者把她们放在一起，在一个家族内部完成历史意义上的对话，这应该是这部作品被誉为“中原大地上的女性史诗”的原因。(完)

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）