让真正的科学火起来******

　　【科学随笔】

　　作者：崔兴毅、张辰龙（均系南京航空航天大学博士）

　　当下，科普很热，伪科普也很热。

　　一面是追着新冠跑、比疫情更难防的伪科学。诸如“吃大蒜可治新冠”“我家自来水阳了”等视频流传网络；诸如可抵御病毒、预防新冠的花式商品在网店热卖。它们中，有的打着“高科技”旗号，有的则是人们熟悉的“老面孔”。

　　一面是科普盛宴“出圈”，“好玩”的科学“圈粉”无数。在中科院联合抖音举办的2023跨年科学演讲中，诺贝尔奖得主、院士学者分享了大脑信号、航空航天、黑土地保护、电磁学等前沿科技，抖音直播间观看人次突破2500万。

　　科学热中真与假的对撞，反映的正是公众对科学知识的渴望。当人们信息获取的需求通过移动终端被大量释放后，科普方式就应及时“换挡升级”。在公众科普的语境中，更加立体、全面的体系正在被构建，更新潮、更便利的方式极大缓解了科普“不平衡、不充分”的矛盾。还有在跨年晚会云集的平台中突围出的一场跨年科学演讲，以知识的普及辞旧迎新，显然是令人欣喜的现象。

　　不可否认，当下有效知识的供给依旧不足，这直接影响着人们对知识的获取。由于科学暂时无法满足人们的所有需要，伪科学便可乘虚而入。一些网络博主，为博眼球聘请所谓“专家”，编造“科学流言”，迎合公众猎奇心理；有的蓄意炒作，制造“健康焦虑”，让产品营销披上健康科普的外衣。这些依靠情感赢得信赖的虚假信息，又借助社交媒体的熟人效应，在公众舆论场如石子投湖般一圈一圈传播开去，让公众感觉更加混乱——即便同一个主题和话题，也可能看到各种不同甚至有些彼此矛盾的解读。

　　事实上，科学本身就是一种进程。在对物质世界的探索中，科学家们往往会得到很多不同的结论，有些甚至是对立的。这些并不是“伪科学”，而是需要在不断地研究中去伪存真。这种学术观点之争并不是我们本篇文章讨论的内容。

　　很多虚假信息的传播，是大量依靠“俘获”受众情感，而并非以事实为基础。当然，在科学传播中，事实与情感并非截然对立，或者说不需要情感的力量。现在，半数以上的移动端用户具备一定教育背景，科普的受众呈现出年轻化、高学历的特点，覆盖人群也已拓展到白领、大学生、企业管理者、人文学者等。他们排斥枯燥无味的灌输式科普、说教式科普，对有趣有料的科普，更加喜闻乐见。这种受众多元化、异质性的特点，决定着科普必须与时俱进，一方面专家得“懂行”，另一方面内容得“好玩”。

　　那么，作为非科技工作者该如何分辨这种信息呢？这很难，需要学校和社会同时发力，提升全民科学素养需要一个比较长的时间尺度，并非一日之功。

　　在现阶段，科普首先能做的是丰富内涵——不仅仅是科学知识，还应该包括科学精神、科学思想和科学方法等。现在社会上伪科学传播很快，恰恰表明当下公众的科学方法、思维、知识还没有那么高、那么好。以此次新冠疫情为镜，折射出的正是一些公众科学素养亟待提升的现实。包括“冷核聚变”“基因编辑婴儿”等事件，一定程度上没能让公众更加理解科学，反而会让他们更加质疑科学。所以，如果希望通过科普培养公众的科学理性，让人们掌握科学方法，理解科学精神，那么就需要把科普从“解释科学是什么”转向“科学为什么”上。因为“科学的精髓是其方法”，如果只向公众讲解科学的成果和发现，而不讲解严格的科学方法，那么人们何以区分什么是科学，什么是伪科学。

　　科学实验中的曲折有时比科学成果本身更吸引公众。科学就是在试错的过程中发展起来的。科学往往是先设立假说，然后针对这些假说进行试验。科学在探寻真相的征途上探索着，踉踉跄跄地蹒跚前行。当一种假说被证伪时，假说的提出者当然会很沮丧，但是，这种证伪恰被认为是科学事业的精髓所在。

　　广大科技工作者在进行科普时，不妨用一种引人入胜的方式来讲述他们走过的路，陈述成果，也呈现探索曲折的过程；点明结论，也聊聊千百次试验运用的方法。只有在真诚沟通中传递科学精神的内核，提高人们对科学类流言的“免疫力”，才能让公众拥抱一个温暖而不是冷冰冰的科学。

　　《光明日报》（ 2023年01月12日 16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