66顺88_66顺88

阴山优麦聚焦科技创新 延长燕麦产业链******

　　在位于内蒙古乌兰察布的内蒙古阴山优麦食品有限公司（以下简称“阴山优麦”）的车间里，一派繁忙景象：产品生产区，工人正在燕麦产品生产线上操作；产品检测区，公司技术人员正在检验燕麦产品质量；产品打包、装卸工区，工人正忙着装箱、贴单、装车……一系列工序井然有序地进行。

　　阴山优麦成立于2015年，是一家集燕麦育种、规模化种植、农产品深加工、产品销售、仓储物流、燕麦科技创新和燕麦文化与品牌推广于一体的燕麦全产业链公司。从一家小公司成长为农业产业化国家重点龙头企业，小燕麦做成了大产业。阴山优麦董事长卢文兵说：“公司的高成长性源于坚持创新发展，立足农产品深加工，持续完善产业链，走出一条农业科技现代化发展之路。”

　　“燕麦是乌兰察布的主要农作物之一。我一直想通过建立龙头企业，以‘公司+农场+农户’的方式，带动燕麦产业发展，为农民增收致富作出贡献。”卢文兵说，依据当地资源优势，公司大力发展农产品精深加工，提高燕麦资源利用率，提升农产品附加值，加快农业产业化发展。

　　“为提高生产效率，我们以调整生产加工工艺流程为抓手，对生产线实施了大规模技术改造。”阴山优麦常务副总经理肖平波说，通过对生产线进行自动化改造，生产效率和产品质量均得到显著提升。目前，阴山优麦已建成年产3万吨燕麦香米、2万吨燕麦片、2000万个燕麦杯、6000吨燕麦粉（莜面）加工生产线。

　　除生产线改造外，阴山优麦严格把控产品质量，精细化管理，以优质产品开拓市场。为了给消费者提供优质燕麦，在种植环节上严格按照有机体系标准规范种植；在加工过程中运用先进工艺和检测设备严把质量关，不断完善产品质量控制管理制度。“公司实现从原料、生产、加工到销售的全链路质量控制和管理，从而有效防范和控制质量风险。”卢文兵说。

　　创新是企业发展的动力源泉。近年来，阴山优麦通过加强产学研合作、加大研发投入等方式，不断探索新技术，研发新产品。卢文兵说：“为提高创新能力，我们与乌兰察布市农林科学研究所等科研院所开展合作。比如，在种植基地技术指导、优质燕麦品种繁育以及燕麦加工与推广等方面深入合作，拓展产品研发的深度和广度，着力开发燕麦高端产品，进一步延伸产业链，提升产品附加值。”

　　在公司的产品展示区域内，记者看到燕麦米、燕麦肽、燕麦谷物饮等一系列深加工产品。工作人员介绍，借助科技手段进行深加工之后，每亩燕麦能够实现约2000元的产值。尝到先进技术的甜头，阴山优麦更加坚定了走创新发展之路的决心，坚持做研究、搞创新。公司结合市场需求相继推出了燕麦纤维粉等高附加值产品以及混合谷物燕麦产品。

　　凭借创新实践，阴山优麦还积极参与即食燕麦片地方标准的制定。截至目前，公司已获得发明专利9项、实用新型专利8项。

　　“坚定不移走农产品精深加工之路，是公司的发展方向。”卢文兵说，科技创新为企业注入强大发展动能，阴山优麦的市场份额不断扩大，竞争力得以增强。公司已建成覆盖20多个省份的市场销售网络，开拓了一批集团业务渠道及多个电商渠道。2020年实现销售额1.06亿元，2021年实现销售额1.2亿元，2022年销售额达2亿元。

　　当下，随着居民生活水平的提高以及对健康饮食需求的增加，燕麦食品未来消费人群和人均消费量将持续增长，中国燕麦市场前景广阔。卢文兵介绍，下一步，公司将立足当地特色农业优势，继续加大育种投入，与科研部门配合，培育高产、优质的燕麦新品种。同时，不断推进燕麦精深加工，加大产品创新力度，研发出更多优质健康、时尚便捷的燕麦食品，并将继续强化扶农助农机制，发挥龙头企业的带动作用，为农民增收、农业增效作出贡献。（余 健）

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）