大发彩票漏洞_大发彩票注册网

开业运营7周年 亚投行“朋友圈”何以越来越大？******

　　新华社北京1月16日电 题：开业运营7周年 亚投行“朋友圈”何以越来越大？

　　新华社记者潘洁

　　1月16日，亚洲基础设施投资银行迎来开业运营七周年。从七年前的57个创始成员国到如今拥有来自世界六大洲的106个成员，亚投行“朋友圈”何以越来越大？

　　坚定践行多边主义，同行伙伴越聚越多——

　　半个多月前，非洲国家毛里塔尼亚获批加入亚投行。如今，亚投行已拥有106个成员，覆盖全球81%的人口和65%的GDP，成为成员数量仅少于世界银行的全球第二大国际多边开发机构。

　　保持开放，始终敞开大门；共促发展，与合作伙伴携手前行。

　　2022年，亚投行新成立了融资伙伴关系局，拓宽与全球发展领域机构的友好合作关系。此外，亚投行还同欧佩克国际发展基金、拉丁美洲开发银行、德国复兴信贷银行以及中国进出口银行等机构建立了合作伙伴关系，共同推动解决全球发展问题。

　　项目越做越多，公信力不断提升——

　　2018年，孟加拉国帕德玛巴瑞村首次实现电力接入。七年来，像这样通过助力基础设施建设、推动当地经济社会发展、改善人民生活的项目，亚投行已累计批准了202个，融资总额超过388亿美元，带动资本近1300亿美元。

　　在坚定支持亚洲域内成员可持续发展的基础上，2022年亚投行加大了对域外成员的融资支持力度，首个巴西项目与首个科特迪瓦项目先后获批。七年来，亚投行的项目分布在全球33个国家，涉及能源、交通、水务、通信、教育、公共卫生等行业领域。

　　快速增长的业务规模也在推动亚投行不断扩大全球业务布局。继天津办公室2021年设立和启用后，亚投行2022年开始筹建在阿联酋首都阿布扎比的首个海外办事处，拓展在中东、中亚、非洲、拉美等地区的投资业务。

　　得益于良好的业务发展、审慎的风险控制、高标准的内部治理和管理，亚投行始终保持三大国际评级机构给予的最高AAA级信用评级。

　　合作质量越来越高，发展越来越快——

　　2020年9月，亚投行出台了首个中期发展战略(2021—2030)，绿色基础设施被列为四大业务重点领域之一。为此，亚投行设立了气候融资目标，即到2025年气候融资至少要占核准融资总额的50%。2022年，亚投行的全年气候融资尤其显著，占比达到55%。

　　勇于开拓创新，响应多元需求。作为国际多边机构大家庭中的新成员，亚投行创新发展理念、业务模式与机构治理，通过灵活多样的发展融资产品，促进互联互通、推动绿色发展。

　　2022年6月，亚投行在中国银行间市场成功发行15亿元可持续发展熊猫债。这是可持续发展债券推出后国际多边机构在中国境内发行的首单可持续发展债券，为境内外投资人提供了高质量人民币资产。

　　此外，亚投行还根据成员需求第三次扩大“新冠疫情危机恢复基金”规模，为成员有效应对疫情冲击和恢复经济社会发展提供资金支持；同时，新设立了“低收入国家特别基金窗口”，帮助低收入成员提高项目准备和执行能力、降低融资成本。

　　回望七年，硕果累累；展望未来，前景可期。

　　亚投行行长金立群表示，站在新的起点，亚投行将继续肩负国际社会，特别是发展中国家对促进共同发展、完善全球经济治理的期待，秉持多边主义，坚持国际化、规范化和高标准经营，积极推动多边对话、深化国际合作，为应对全球性挑战、促进可持续发展作出更大贡献。

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）