大发平台交流群|大发平台代理

苏州：政策创新增强新就业群体使命感******

　　【新时代新征程新伟业】

　　光明日报记者 苏 雁 光明日报通讯员 姬尊雨

　　12月23日，在江苏省苏州市虎丘区苏州科技城（东渚街道）致远大厦附近，接单间隙的外卖员孙雨把电瓶车停到了外卖快递车辆专属的“悦享车位”中。三步并作两步，他迈进了设置在建设银行网点的新业态群体“悦‘新’驿站”。“手机和电瓶车就是我们的生产工具，等单时我就来驿站充充电，歇个脚。天冷了，还能喝口热水。”话音刚落，孙雨熟练地从站点配备好的多种手机充电线中找到一条Type-C线，“嗡”的一声，手机开始充电。

　　今年以来，苏州科技城聚焦新业态新就业群体特点，以“党建+公益”为抓手，凝聚机关、社区、商户等力量，在辖区内陆续设立了以东渚为民服务中心为核心，遍布太湖光子科技园、丰茂里商业广场等新就业群体高密度场所的8个“悦‘新’驿站”示范点，以及基于各个社区的多个服务站，构建起新就业群体“15分钟暖心服务圈”。

　　苏州科技城活跃着500余名新就业形态劳动者，他们如同细胞一般保障着这座城市的有序运行。记者在东渚为民服务中心的“悦‘新’驿站”看到，饮水机、方便食品、应急小药箱、雨具等各类物资设施一应俱全。在为小哥们准备的“海棠书架”上不仅摆放着“最美小哥”“先锋骑手”水晶奖杯，还有与学习党的二十大精神相关的书籍。

　　在享受便利服务的同时，外卖快递小哥也被赋予了“新使命”。“在路口发现有门牌被风吹歪，存在安全隐患，请尽快来处理。”这天，某外卖平台东渚站点的外卖配送员舒龙在东渚新苑送外卖的路上发现小区门牌被吹落，他随即点开“东渚发布”微信公众号的“民意连心桥”功能，不一会儿就完成了“文明随手拍”的路障上报。

　　舒龙还有一重身份——“悦‘新’驿站”站长。“作为外卖员，在基层治理中，我们有流动性强、联系面广、影响范围大的优势。”他告诉记者，未来，他将继续引导站点的新就业群体担当好方针政策宣传员、社情民意信息员、安全隐患排查员、环境卫生巡逻员，促进新业态新就业群体融入基层治理。

　　对新就业群体来说，参与社区志愿服务还有另一个好处——能“积分”。“参加普法宣传、文明城市宣传积3分，参与小区环境卫生整治等志愿服务积5分，参与应急救援等志愿服务最高积20分……”外卖员唐旭掰着手指头给记者算起了积分。

　　“积分有啥用？”记者追问。

　　“30分能申请购买个人保险，50分能在东渚卫生院安排一次定期检查，要是能攒到150分，去科技城医院做一次全身体检也免费！”唐旭说。

　　今年11月，在苏州市流动人口积分管理办法基础上，苏州科技城创新推出了积分“五入”管理办法，以社会志愿服务换取积分，达到一定分值可以申请兑换“入医”“入学”“入岗”“入托”“入网”等服务。

　　新业态新就业群体的认同感和归属感也越来越强。今年9月，随着《苏州科技城新业态新就业群体党建工作指引》和“携‘新’同行”守护16条的发布，越来越多的爱心商户参与到关爱“两新”群体的工作中。“党的二十大报告明确提出，加强新经济组织、新社会组织、新就业群体党的建设。”曹裕银说，如今苏州科技城的新就业群体不仅听党话、感党恩、跟党走，而且积极主动融入城市治理，为基层治理工作建言献策，成为城市美好生活的创造者、守护者。

　　《光明日报》（ 2022年12月27日 03版）

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）