连续投票后，法国人选出最喜爱的图书******
国营的法国电视台——法视一台、二台、三台、四台和五台——与英国广播公司联合发起的公众读书投票日前揭晓。法国读者选出了他们最喜爱的书。
维尔日妮·格里马尔迪（Virginie Grimaldi）的小说《该是重新点亮星星的时候了》（Il est grand temps de rallumer lesétoiles）战胜了日本连环画《航海王》和《哈里·波特》，排名榜首。
2022年是普鲁斯特去世100周年，但他的《追忆似水年华》落选了。
中华读书报曾在今年7月刊登无分先后的50种图书大名单。此后的评选过程长达半年，每种书都有自己的辩护人。例如，前总统弗朗索瓦·奥朗德力挺《悲惨世界》，明星糕点师皮埃拉·埃尔姆则为《追忆似水年华》站台。
读者再次投票之后，法视与英广于2022年12月15日在法国电视二台黄金时段的特别晚会上，公布了法国人最喜爱图书的最终名单，依得票数从高到低排列，共25种。
书单丰富多彩，从经典到惊悚、从科幻到动漫，展示出广阔的文学景观。
《该是重新点亮星星的时候了》出版于2018年，写的是一个失业的单身母亲驾一辆破旧的二手房车，带着两个女儿前往斯堪的纳维亚的公路旅行。
今年45岁的格里马尔迪是法国阅读量第二大的作家，仅次于纪尧姆·米索（Guillaume Musso）。
她前六本书的总销量超过350万册，2021年夏天出版的第七本小说《可能》（Les Possibles）又卖出了约90万册。
法国人最喜爱的图书排行榜如下。尚未有中译本出版的，附原文的书名和作者名：
名次书名 作者 年份
1 《该是重新点亮星星的时候了》 维尔日妮·格里马尔迪 2018
2 《航海王》 尾田荣一郎 1997
3 《哈里·波特》 JK·罗林 1997
4 《小王子》 安托万·德·圣埃克絮佩里 1943
5 《悲惨世界》 维克多·雨果 1862
6 《指环王》 JRR·托尔金 1954
7 《基督山伯爵》 大仲马 1844
8 《天空所有的蓝》 梅利莎·达科斯塔 2019
（Tout le bleu du ciel） （Mélissa Da Costa）
9 《龙珠》 鸟山明 1984
10 《烙印勇士》 三浦建太郎 1989
11 《零公里》（Kilomètre0） 莫·安卡瓦（Maud Ankaoua）2017
12 《局外人》 阿尔贝·加缪 1942
13 《给花换水》 瓦莱丽·佩兰 2018
（Changer l'eau des fleurs） （Valérie Perrin）
14 《一九八四》 乔治·奥威尔 1949
15 《快乐的人读书喝咖啡》（Les gens 阿涅丝·马丁-吕冈 2012
heureuxlisent etboivent du café） （Agnès Martin-Lugand）
16 《香水》 帕特里克·聚斯金德 1985
17 《饥饿游戏》 苏珊娜·科林斯 2008
18 《进击的巨人》 谏山创 2009
19 《傲慢与偏见》 简·奥斯汀 1813
20 《哈里·克贝尔事件真相》 若埃尔·迪克尔 2012
21 《妇女乐园》 埃米尔·左拉 1883
22 《岁月的泡沫》 鲍里斯·维昂 1947
23 《西拉诺·德·贝热拉克》 埃德蒙·罗斯唐 1897
24 《呼啸山庄》 艾米莉·勃朗特 1847
25 《圣殿春秋》 肯·福利特 1989
（康慨）
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
