相关企业借势热推，消毒家电会成行业新机遇吗？******

　　羊城晚报记者 黄婷

　　连日来，随着新冠病毒感染调整为“乙类乙管”，家庭和个人的健康防护显得至关重要。而家庭里最有可能残存新冠病毒的位置是冰箱。一连串话题引发热议，也推动了一些冰箱厂商对于杀灭新冠病毒技术的研发和推广。

　　行业掀起营销热潮

　　此前，南方医科大学第五附属医院感染管理科主任向东明在受访时建议，如果有家庭成员未感染新冠病毒的，或者家中常有客人来访的，应该对冰箱进行清洁。新冠病毒在潮湿、低温的环境中存活时间较长，可能在冰箱里长期存活，未被感染的人员可能会通过冰箱接触到活的新冠病毒。

　　在冰箱消毒备受关注的同时，记者留意到，不少冰箱品牌掀起一波“灭新冠冰箱”和健康冰箱的营销热潮。

　　如长虹旗下的品牌美菱新上市了杀新冠冰箱产品，据介绍，其原理与酒精、消毒机杀灭新冠病毒类似，都是利用一定浓度的消毒物质破坏新冠病毒的蛋白质外壳。美菱技术相关负责人表示：“美菱灭毒装置安全环保高效广谱，内置特有高分子缓释凝胶，能够持久释放高效新生态原子氧，杀灭及阻断细菌、病毒等微生物蛋白质合成，能够全空间高效灭杀新冠病毒等多种病毒。”容声冰箱也借势宣传，称其应用于多款冰箱产品的AI离子除菌技术也可以全面高效去除冰箱内的新冠病毒。容声冰箱技术工程师介绍，该技术通过在数秒内脉冲电离释放出数百万负离子，实时主动地全方位、主动消灭各种病毒，甚至直接摧毁病毒的蛋白质外壳，发挥高效除菌杀毒的作用。

　　是否行业升级机遇？

　　记者了解到，美菱和容声的上述冰箱技术及产品，均获得第三方检测机构的认证。据称，美菱“杀新冠冰箱”的灭毒装置已通过北京中析研究所认证。报告显示，美菱灭毒装置作用10分钟后，可以有效灭杀冷藏/冷冻箱物体表面的105.6TCID50新型冠状病毒，灭杀率高达99.9%。而容声的上述技术模块于2021年2月取得欧洲知名权威检测机构Texcell检测报告，认定其对于新冠病毒的去除率高达99.998%。

　　美菱还于1月5日透露，将向全行业无偿转让冰箱杀新冠技术，携手同行一起制造更多健康产品，惠及整个产业的科技创新发展；并推出冰箱灭新冠行动。

　　值得探讨的是，杀灭新冠病毒的冰箱产品，能否成为冰箱行业复苏的新机遇？

　　在刚刚过去的2022年，外需收缩和内部疫情影响打乱了冰箱行业原本就不乐观的市场走势，使得行业规模增长继续承压。行业咨询机构奥维云网(AVC)全渠道推总数据显示，2022年冰箱市场零售量为2988万台，同比下滑6.3%；零售额926亿元，同比下降4.7%。

　　奥维云网报告提到，后疫情时代，消费者健康防护意识显著提升，囤货存储、精细化存储及健康化存储需求更加迫切，为冰箱的大容积升级趋势提供了有力支撑。

　　实际上，在疫情前，冰箱行业内较受关注的是冰箱的杀菌与抗菌功能，但由于标准体系不完善，市场相对混乱，给消费者的选购带来了困扰，随着首个家用杀菌电冰箱标准的发布，冰箱杀菌功能得到界定。

　　性能宣传亟待规范

　　随着消毒类家电的走红，部分企业对消毒性能的宣传亟待规范。记者查阅相关标准发现，《家用及类似用途电器的抗病毒、除病毒功能通用技术要求及试验方法》团体标准已于2020年6月开始实施，该标准主要从除病毒通用方法进行规范，并对各个类型的家电除病毒方法进行细分，起到快速弥补行业标准空白的作用。不过，团体标准仍属于小范围内制定的标准，亟待更加权威和科学的标准来引导行业发展。

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