彩虹多多手机版APP|在线用户注册首页登录平台

推动儿童健康服务下沉社区******

　　本报记者 孙颖

　　构建首都基础教育良好生态，推动儿童健康服务下沉社区，建立“三位一体”心理健康服务网络……从教育到医疗，再到心理健康，孩子们的健康成长一直是市政协委员们关注的话题。在市政协十四届一次会议上，委员们纷纷建言献策，让祖国的花朵健康绽放。

　　让教师交流轮岗“活”起来

　　“双减”背景下，如何构建基础教育良好生态？民进北京市委提交党派提案，建议健全中小学教师交流轮岗考评机制和激励机制，推进“区管校聘”管理改革，让中小学教师交流轮岗“活”起来。

　　“完善顶层设计，构建有力的协同推进机制，明确义务教育教师定期参加交流轮岗的义务，并对交流轮岗的对象、年限、程序、待遇等做出全面规范。”民进北京市委相关负责人介绍，教育行政部门应充分发挥宏观规划协调的职能，统筹学区、集团、学校和教科研部门参与教师交流轮岗工作，如推进“区管校聘”管理改革，进一步明确教育部门与编制、人社等部门的权责，强化部门之间的横向协同。

　　“我们还建议，不断完善教师交流轮岗大数据管理平台，实现交流轮岗供需全面统筹、精准调配，健全考评机制和激励机制，创新交流形式，实施多元化交流，灵活运用全职与兼职两种形式。”民进北京市委相关负责人介绍，比如城区之间学校的交流轮岗，可通过兼职方式有选择地实施较长期限的交流轮岗，统筹开展“双师”直播课堂、同步课堂等线上线下相结合的教师交流，突破交流轮岗时空限制，促进普通学校转型升级。

　　推动儿童健康服务下沉社区

　　“许多婴幼儿疾病，如果能早期发现并及时有效干预，预后效果会很好。而早发现，儿童保健医生是关键一环。”来自九三学社界的市政协委员、北京大学神经科学研究所研究员伊鸣建议，推动0至6岁儿童健康服务下沉社区，提高儿童生命质量。

　　伊鸣说，对于0至6岁儿童开展健康管理是国家基本公共卫生服务项目的重要组成部分，如满月体格检查和发育评估、婴幼儿体格检查和疫苗接种等服务。但是许多儿童在基层医疗机构只能接受最基本最简单的体检服务，一些国家要求新增的服务项目，如眼部和视力检查等，并未得到切实开展。

　　如何让公共卫生服务在儿童健康管理服务更有实效？伊鸣建议，要严格落实儿童保健医生在基层医疗卫生机构的数量要求和比例要求，确保能够充分满足临床诊疗及预防保健需求。要加强儿童保健人员知识培训，需制定一套标准化与个性化相结合教案，确保儿童保健医生熟练掌握儿童常规适宜技术。

　　构建“三位一体”心理健康服务网

　　近年来青少年心理健康问题日趋引人关注。来自民建界的市政协委员、丰台区人大常委会副主任张婕建议，构建家庭、学校、专业机构“三位一体”心理健康服务网络。

　　“全国妇联儿童工作部的调查数据显示，‘不知道用什么方法教育孩子’排在家长对家庭教育指导服务需求的第一位。”张婕说，学校心理教育有优势，也有不足，在碰到复杂的学生心理问题时显得无能为力，专业心理机构虽然有专业上的优势，但存在难以进校园、难以得到家长认可的情况。

　　“要将教师、学生心理健康筛查纳入卫健委、教委日常工作，设定相应指标，与青少年肥胖率、近视眼率一并纳入学生健康指标进行考核。”张婕建议，建立心理咨询资源库，统筹中小学与专业心理咨询、治疗机构沟通机制，及时传递双方需要的信息，提高学校心理教育的水平以及专业心理机构咨询与治疗的效果。要对专业心理咨询机构进入校园出台鼓励措施，家庭、学校、专业机构一同帮助学生改善心理健康状态。

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）