2022年中国农业科学院十大重大科学发现揭晓

1月16日,中国农业科学院召开2023年院工作会议。会上,发布2022年中国农业科学院重大科学发现10项。

1.几丁质定向生物合成的结构基础

(Structuralbasisfordirectionalchitinbiosynthesis)

(植物保护研究所,陈威,第一作者;杨青,通讯作者)

(期刊:NATURE,影响因子:69.504,学科排名:1/74)

几丁质生物合成对农业病虫害的生存和繁殖至关重要,其关键反应由几丁质合成酶催化完成。该研究以大豆疫霉菌的几丁质合成酶PsChs1为研究对象,揭示了“门锁”控制的底物结合、几丁质链的延伸、转运和释放的定向合成过程,以及几丁质合成酶被天然产物尼克霉素抑制的机制。该研究首次从原子尺度阐明了从寒武纪开始就已经存在的几丁质生物合成机制,为靶向几丁质合成酶的绿色农药开发提供了基础性、关键性信息,具有重要的理论和应用价值。

大豆疫霉几丁质合成酶PsChs1的三维结构

几丁质生物合成的模型

天然产物尼克霉素抑制几丁质合成酶的机制

2.图泛基因组捕捉番茄缺失的遗传力并为育种赋能

(Graphpangenome?captures?missing?heritability?and?empowers?tomato?breeding)

(深圳农业基因组研究所,周姚,第一作者;黄三文,通讯作者)

番茄基因组和图泛基因组

遗传变异对遗传力的贡献

番茄图泛基因组研究布局

黄三文研究员与其科研团队成员在番茄大棚内观察实验样本

3.野生与栽培马铃薯的基因组进化与多样性

(Genomeevolutionanddiversityofwildandcultivatedpotatoes)

(深圳农业基因组研究所,唐蝶,第一作者;黄三文,通讯作者)

(期刊:Nature,影响因子:69.504,学科排名:1/74)

该研究解析了栽培和野生马铃薯的遗传多样性和复杂演化史。发现与依赖种子繁殖的近源物种相比,依赖薯块无性繁殖的马铃薯抗病基因数量显著扩张;通过多组学比较分析,发现了在调控马铃薯块茎发育过程中发挥核心功能的薯块身份基因IT1;构建了马铃薯倒位图谱,为育种过程中排除连锁累赘提供了思路。

茄属植物的地理分布与种系发生

马铃薯抗性基因的进化

黄三文研究员及其科研团队成员于实验田收获马铃薯

4.转录因子OsDREB1C可协同实现水稻高产和早熟

(Atranscriptionalregulatorthatboostsgrainyieldsandshortensthegrowthdurationofrice)

(作物科学研究所,魏少博,第一作者;周文彬,通讯作者)

(期刊:SCIENCE,影响因子:63.832,学科排名:2/120)

该研究鉴定到一个受光和低氮诱导的转录因子OsDREB1C,可协同调控光合作用效率、氮素利用效率及抽穗期等生理过程;增强该基因表达可实现水稻田间产量提高30%以上,同时缩短生长周期;此外,OsDREB1C在小麦等不同物种中均具有高产早熟的保守性功能。该研究通过单一基因对多个重要生理途径的聚合调控实现产量的突破,为未来作物育种以及作物生产方式变革、实现作物大幅度增产以及资源高效利用提供了重要的基因资源,创新了作物高产理论,对保障国家粮食和生态安全具有重要意义。

过表达OsDREB1C促进水稻高产早熟

OsDREB1C协同调控产量和生育期

周文彬研究员及其科研团队成员在观察水稻生长情况

5.高质量豌豆参考基因组和泛基因组揭示基因组结构和进化特征

(Improvedpeareferencegenomeandpan-genomehighlightgenomicfeaturesandevolutionarycharacteristics)

(作物科学研究所,杨涛,第一作者;宗绪晓,通讯作者)

(期刊:NATUREGENETICS,影响因子:41.307,学科排名:2/175)

豌豆基因组的重要特征

116个代表性栽培和野生豌豆的泛基因组分析结果

宗绪晓研究员及其科研团队成员

6.甘蓝型油菜产量持续提升的遗传基础

(Geneticbasisunderpinscontinuousyieldincreasinginrapeseed)

(油料作物研究所,胡继宏,第一作者;伍晓明,通讯作者)

(期刊:NatureGenetics,影响因子:41.376,学科排名:2/175)

油菜是我国最大油料作物,单产近70年提升了近4倍。该研究首次发现我国甘蓝型油菜基因组经历了适应性和高产优质选择两个过程,通过对控制发育节律、株型、光合作用、产量和抗逆等有益基因的多方位和持续性选择,推动了适应性和产量的提升;同时发掘出控制56个育种性状的遗传位点或基因628个,包括功能得到验证的粒重新基因BnRRF。研究揭示了油菜产量持续提升的遗传基础,为进一步提升油菜产能奠定了重要的理论、技术和基因资源基础。

甘蓝型油菜现代育种中的全基因组选择位点及关联位点

甘蓝型油菜基因组变异及重要性状基因位点分布

伍晓明研究员及其科研团队成员在进行油菜性状调查

7.H7N9禽流感病毒对人致死性感染的分子机制

(H7N9virusinfectiontriggerslethalcytokinestormbyactivatinggasdermin?E-mediated?pyroptosis?of?lung?alveolar?epithelial?cells)

(哈尔滨兽医研究所,万晓朋,第一作者;陈化兰,通讯作者)

(期刊:NationalScienceReview,影响因子:23.178,多学科科学排名:4/73)

该研究发现,H7N9病毒在肺脏高效复制时可活化肺泡上皮细胞内caspase-3,使其高效剪切肺泡上皮细胞内大量存在的GSDME分子,剪切后的GSDME分子N段结构域对肺泡上皮细胞膜打孔,使其发生“焦亡”,进而引发细胞因子风暴;并发现GSDME敲除小鼠可抵抗H7N9病毒的致死性感染而全部存活。研究揭示了GSDME介导的肺上皮细胞焦亡是H7N9病毒诱发肺“细胞因子风暴”导致死亡的独特机制,提示可通过阻断GSDME分子切割的策略治疗H7N9病毒感染,为H7N9病毒感染高效治疗药物研发提供了全新思路。

H7N9病毒感染肺泡细胞引起caspase-3活化和GSDME切割

H7N9病毒感染肺泡细胞引起GSDME介导的焦亡

GSDME敲除小鼠中H7N9禽流感病毒复制和毒力均显著下降

8.磷铁养分信号拮抗互作调控分子模块

(AreciprocalinhibitorymoduleforPiandironsignaling)

(农业资源与农业区划研究所,阮文渊,第一作者;易可可,通讯作者)

(期刊:MolecularPlant,影响因子:21.949,学科排名:3/239)

我国大面积黄红壤磷铁养分不均衡,易造成作物缺磷及铁毒害的双重风险;而磷铁养分的相互拮抗进一步制约了作物的优质高产,危及国家粮食安全。该研究首次发现磷养分信号中心调控因子PHRs和铁养分信号核心调控因子HRZs共同介导了磷铁养分信号的拮抗互作过程,从而适应土壤不同的磷铁养分状况,以保证作物正常的磷铁养分需求。对磷铁养分信号拮抗转导机制的解析,为通过分子育种手段解决我国黄红壤耕地磷铁养分不均衡问题提供了新思路。

磷铁养分拮抗互作调控工作模型

易可可研究员及其团队

9.畜禽养殖业综合减排措施可以实现正的环境健康效益

(IntegratedlivestocksectornitrogenpollutionabatementmeasurescouldgeneratenetbenefitsforhumanandecosystemhealthinChina)

(农业环境与可持续发展研究所,朱志平,第一作者;董红敏,通讯作者)

(期刊:NatureFood,影响因子:20.961,学科排名:1/144)

\

不同减排情景的减排效果和环境健康效益

董红敏研究员与科研团队成员讨论畜禽粪污成分测定情况

10.融合多分辨率特征的深度学习网络可实现高精度水稻制图

(AfullresolutiondeeplearningnetworkforpaddyricemappingusingLandsatdata)

(农业资源与农业区划研究所,夏浪,第一作者;孙晓,通讯作者)

(期刊:ISPRSJournalofPhotogrammetryandRemoteSensing,影响因子:11.774,学科排名:1/50)

及时准确获取大区域尺度水稻时空分布信息对确保国家粮食安全意义重大。该研究构建了覆盖我国东北水稻产区的大规模高质量训练数据集,提出了新的融合多分辨率特征的深度学习网络,深度解析了Landsat影像数据的空间语义信息,有效克服了以往深度学习模型边界分割不清晰的缺陷,显著提升了大区域尺度水稻遥感识别精度。该研究将为我国水稻时空分布信息的高精度、高时效、智能监测提供新的途径和思路,具有重要的理论和应用价值。

THE END
1.图神经网络基础知识——初识图学习其中,每个用户或者商家都有着各自的特征,也具备着某些相同的特征,同时也有着与他人的交互。传统方法通常是直接利用用户和商家的特征来训练一个分类网络,而没有利用节点与节点之间的交互,因此使用图学习,我们可以同时学习图结构以及节点特征,更好的进行分类,从而更好地找到金融诈骗分子。 https://blog.csdn.net/zbp_12138/article/details/110141387
2.图神经网络及其应用.pptx应用》的PPT提纲:图神经网络基本概念图神经网络的发展历程图神经网络的基本模型图神经网络的训练方法图神经网络的应用领域图神经网络在推荐系统中的应用图神经网络在图像处理中的应用图神经网络的挑战与未来发展目录图神经网络基本概念图神经网络及其应用图神经网络基本概念1.图神经网络是一种用于处理图形数据的深度学习模型https://m.renrendoc.com/paper/302479376.html
3.网络学习素材网络学习图片网络学习素材图片下载第3页觅知网为您找到1066个原创网络学习素材图片,包括网络学习图片,网络学习素材,网络学习海报,网络学习背景,网络学习模板源文件下载服务,包含PSD、PNG、JPG、AI、CDR等格式素材,更多关于网络学习素材、图片、海报、背景、插画、配图、矢量、UI、PS、免抠,模板、艺术字、https://www.51miz.com/so-sucai/157549/p_3/
4.深度学习时代的图模型,清华发文综述图网络机器之心深度学习在多个领域中实现成功,如声学、图像和自然语言处理。但是,将深度学习应用于普遍存在的图数据仍然存在问题,这是由于图数据的独特特性。近期,该领域出现大量研究,极大地提升了图分析技术。清华大学朱文武等人综述了应用于图的不同深度学习方法。 他们将现有方法分为三个大类:半监督方法,包括图神经网络和图卷积网https://www.jiqizhixin.com/articles/122304
5.前沿综述:面向复杂系统建模的多模态图学习澎湃号·湃客图学习(Graph Learning)是一种研究和应用图结构数据的机器学习方法。在图学习中,数据被表征为由节点和边组成的图形,其中节点表示实体或对象,边表示它们之间的关系或连接。因此图学习特别适用于复杂系统的多尺度分析、建模与仿真研究,揭示复杂系统中的模式、规律和动态变化。图学习常用的技术包括图卷积网络、图注意力网络https://www.thepaper.cn/newsDetail_forward_25672785
6.干货图神经网络的十大学习资源分享雷峰网字幕组双语原文:【干货】图神经网络的十大学习资源分享 英语原文:Top 10 Learning Resources for Graph Neural Networks 翻译:雷锋字幕组(听风1996) 图神经网络(GNNs)是深度学习的一个相对较新的领域,从最近开始越来越流行。Twitter、Google或Facebook等大公司都会开始对于GNN投入研究,事实证明了GNN优于其他使用图数据https://www.leiphone.com/news/202010/7Xuv0ipza1lmd125.html
7.高清图解:神经网络机器学习数据科学一网打尽附PDF这份备忘单涵盖了上述领域几乎全部的知识点,并使用信息图、脑图等多种可视化方式呈现,设计精美,实用性强。 今天,新智元要为大家推荐一个超实用、颜值超高的神经网络+机器学习+数据科学和Python的完全图解,文末附有高清PDF版链接,支持下载、打印,推荐大家可以做成鼠标垫、桌布,或者印成手册等随手携带,随时翻看。https://news.hexun.com/2019-05-14/197181509.html
8.深度学习中的拓扑美学:GNN基础与应用近些年来使用建模分析图结构的研究越来越受到关注,其中基于深度学习的图建模方法的图神经网络(Graph Neural Network, GNN),因其出色的性能成为学术界的研究热点之一。 导读:在真实世界中,很多数据往往以图的形式出现,例如社交网络、电商购物、蛋白质相互作用关系等,过去几年基于神经网络的图数据分析与挖掘方式因其出色的https://www.51cto.com/article/743377.html
9.MindSpore官网相较于其他框架对常用算子进行定制优化的方案更加灵活,更具扩展性,能够覆盖现有框架中已有的算子和新组合算子的融合优化。以昇思MindSpore全场景AI框架作为后端,昇思MindSpore Graph Learning能使GNN网络训练获得3到4倍的性能加速。 3.3 丰富性:覆盖业界典型图学习网络https://www.mindspore.cn/news/newschildren?id=967
10.图算法图数据库在风控嘲的应用腾讯云开发者社区Mean 函数,如周围的设备平均的交易数。之前风控从业者通过手工去设计这个一阶的 Aggregate,通过图算法能从一阶到两阶。 神经网络的聚合 引入了神经网络以后,把一阶或者二阶的 Velocity 通过神经网络学习。让算法去学坏人的 Pattern 而不是手工地去归纳,增加了绕过成本和模型的鲁棒性。单纯的一阶的阈值很容易被黑产https://cloud.tencent.com/developer/article/2197696
11.基于图卷积网络的图深度学*暖夏未眠丶摘要: 处理图结构数据的佼佼者! 更多深度文章,请关注云计算频道: https://yq.aliyun.com/cloud 基于图卷积网络的图深度学习 先简单回顾一下,深度学习到底干成功了哪些事情!深度学习近些年在语音识别,图片识别,自然语音处理等领域可谓是屡建奇功。ImageNet:是https://www.cnblogs.com/jzy996492849/p/7250542.html