做大做强做优 打造新增长极******

　　过去五年，福建紧紧扭住发展第一要务，跑出了高质量发展“加速度”。政府工作报告提出，经济体系现代化是中国式现代化的重要支撑，是实现高质量发展的必由之路。如何以推动高质量发展为主题，加快建设现代化产业体系，奋力打造富强福建？代表们纷纷建言献策。

　　“四大经济”是福建新增长极，也是代表们热议的重点。

　　“以‘智慧海洋’带动海洋信息化深入发展，是推动福建海洋经济高质量发展的必然选择。”省人大代表、闽江学院副教授黄蕾在调研中发现，当前我省海洋信息产业在规模化、市场化和产业化程度方面仍有较大的提升空间，重点企业数量少、数字化水平较低，涉海数据资源较为分散，数据共享使用审批难度大，涉海业务应用协同难度较大等问题较为凸显。

　　“要大力发展海洋信息产业，构建智慧海洋发展新模式，助力我省加快打造海洋强省。”黄蕾建议，应尽快扭转“传统海洋产业强、海洋科技弱”的不利局面。她认为，要构建“感传知用”智慧海洋全产业链体系，集成涉海政产学研金等创新要素和创新资源，加强顶层设计，出台专项规划给予赋能支撑；大力发展海洋电子信息产业，深化云计算、大数据、区块链、人工智能等新一代技术在海洋领域的融合应用；搭建海洋产业工业互联网，深入推进海洋产业数字化转型，以数据赋能海洋强省建设；发挥金融指引作用，加大蓝色金融支持力度，并加快智慧海洋产业载体建设；围绕产业链布局学科链，积极打造复合型海洋专业人才培养体系，不断提升强化海洋产业政策研究能力，全力打造国家级海洋特色智库。

　　新能源汽车是绿色低碳新兴产业的重要增长极。省人大代表，永安市委副书记、市长温欣传认为：“新能源汽车将带动我省汽车产业进入一个新的发展机遇期，并为‘双碳’目标实现提供助力。率先对新能源商用汽车产业进行布局，将有助于创造更多新能源交通应用场景，也会带动更多新能源产业链强企布局福建，提升福建新能源汽车产业链发展质量。”

　　温欣传建议，大力推进对公市场使用新能源商用车，鼓励开展公共领域车辆全面电动化试点，鼓励使用省内企业生产的新能源汽车。同时，加大新能源商用车政策扶持力度，适当降低省内生产企业申报新能源汽车补助政策的门槛，并对在省内推广新能源汽车予以一定的奖励支持。支持新能源商用车下乡，在路权、电价、停车、高速收费等方面给予省内新能源商用车倾斜。

　　如何持续做强万亿级支柱产业？

　　来自漳州的省人大代表戴鹏飞表示，作为全国七大石化产业基地之一，目前古雷石化产业园在经济体量、产业基础上与国内外一流石化园区还存在差距。应发挥优势，加快闽台石化产业融合发展。

　　戴鹏飞建议，积极打造两岸石化行业共同市场福建样板，继续推动古雷开发区升格为国家级经济开发区。深化闽台石化产业双循环新模式，逐步建立上中下游完整的闽台大石化产业合作体系。对标国内外一流石化园区，在要素保障等方面补齐短板。

　　只有过硬的质量，才有过硬的品牌，才能在广阔的国内国际市场上开疆拓土。

　　“政府工作报告提出，聚焦质量品牌建设，引导企业以高标准引领高质量，以高质量创建名品牌。这对于提升制造业竞争力，具有很强的指导性。”省人大代表、才子服饰股份有限公司投资总裁蔡伟生深有体会地表示，才子服饰深耕行业40多年，始终坚持把品牌建设摆在企业发展的第一位，通过品牌提升产品竞争，重塑文化自信。品牌就是持久的竞争力，就是营商环境，我省数字品牌、绿色品牌、服务品牌等，都是一张张“金名片”。建议政府、部门和企业进一步深化密切配合和通力合作，坚持保牌与创牌并举，久久为功，营造品牌成长的优良环境，打造更多叫得响的“金字招牌”。（王永珍 李珂）

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