我国科学家利用人工智能加速葡萄育种，效率提高 400% - IT之家
全面、准确的基因组数据是精准“设计”育种的基础，而如何深入挖掘这些数据来优化育种策略并指导育种？是智能育种必须回答的🆗问题。周永锋团队决定引入机器学习，通过构建预测模型，根据评分进行早期个体的预测和选择，从而指导、优化育种策略。在本研究中，研究人员将包含了性状和基因型的数据划分为三个子集：训练集、验证集和测试集。利用机器学习算法解析基因型与性状数据间的复杂网络关系，运用训练数据集构建了首个葡萄全基因组选择模型，研究进一步通过验证集调整模型参数，对模型进行优化，最后测试数据集评估。
中金：观澜识水，外资流向的定量刻画及择时应用
择时信号构建方式 构建择时信号的流程为先使用多维原始数据计算与聚合因子，再根据聚合后的时序指标构建不同择时信号进行回测。首先，对不同颗粒度外资数据源分别进行数据预处理。对于基金维度数据，先根据基金风格标签对基金进行筛选，然后截面聚合筛选后的基金资金流信息，计算时序指标。对于个股维度数据，则是先合成个股因子后，截面去极值标准化后再将个股因子加权到指数维度，刻画指数维度资金情绪。合成时的加权方法包括等权重、市值加权和其他因子加权等。再将经过处理的🉑开云·Kaiyun网页版基金和个股数据按时序聚合后，计算不。
【华安金工】破解Alpha投资困境：因子择时方案再探索——量化研究系列报告之十九
首先，检验复合信号在单个因子择时上的具体表现，遵循如下步骤： （1）在每月月末，判断当前的货币-信用状态，据此计算适合当前环境的宏观事件信号，该信号取值为1或-1，同时，我🍒开云·Kaiyun网页版们还会分别计算因子的动量和离散度信号，这些信号的取值是1、0或-1； （2）将所有事件信号的得分进行加总，若最终的择时信号值小于0，那么对该因子持看空观点，并选择持有基准组合；相反，若择时信号值大于等于0，选择持有多头组合，并通过回测其多头超额净值来评估择时策略的实际效果。从回测结果来看，基本面因子的择时信。
Nature Genetics | 解(jiě)析(xī)克(kè)隆(lóng)性(xìng)造(zào)血(xuè)的(de)隐(yǐn)秘(mì)世(shì)界(jiè)：17个(gè)新(xīn)基(jī)因(yīn)与(yǔ)健(jiàn)康(kāng)和(hé)衰(shuāi)老(lǎo)的(de)深(shēn)远(yuǎn)影(yǐng)响(xiǎng)
近(jìn)期(qī)，一(yī)项(xiàng)基(jī)于(yú)UK Biobank 200,618个(gè)个(gè)体(tǐ)全血(xuè)外(wài)显(xiǎn)子(zi)组(zǔ)数(shù)据(jù)的(de)研(yán)究(jiū)（Nature Genetics, “Analysis of somatic mutations in whole blood from 200,618 individuals identifies pervasive positive selection and novel drivers of clonal hematopoiesis”），通(tōng)过(guò)推(tuī)断(duàn)全血(xuè)外(wài)显子组中的基因水平正选择，揭示了17个新的。
Genome Med | 浙江大学周丹课题组揭示高低频遗传变异与复杂疾病关联规律
注：polygenicity反应了信号在基因组水平上的分散程度，🔒polygenicity程度越低，信号越集中，如cystic fibrosis等存在寡头基因的疾病；相反，polygenicity程度越高，信号越分散，如身高等表型。研究人员进一步通过simulation验证了这一发现。此前有研究提示，广泛存在的负向选择是导致polygenicity在复杂表型中较高的重要原因[2,3]。因此，研究人员也通过simulation进行了评估，结果显示，在相同有效样本量的情况下，负向选。
Pycard 基因敲除小鼠
