体测跑800米是噩梦？学会这招轻松跑完******

　　最近，不少大学进行了体测，很多跑完800米、1000米的大学生们都会咳个不停。其实，跑完咳个不停，和不当的呼吸方式有关。

　　1　跑完步我们为什么会咳嗽？

　　当我们跑步速度不快时，用鼻子呼吸就可以满足身体对氧气的需求，而且鼻子呼吸，可以帮助过滤空气中灰尘等颗粒物，气温低时可起到加热空气作用，减少冷空气对气管、肺部的刺激。

　　但是当我们进入加速阶段时，仅靠两个鼻孔无法满足对氧气的需求，这时就需要用嘴巴呼吸，但是由于秋冬天气寒冷，气候干燥，寒冷干燥的空气直接进入口腔，会刺激我们的口腔、咽喉和气管黏膜，大脑会判断呼吸道有异物入侵，于是我们就会咳嗽以排除异物，所以跑完咳嗽是我们身体的正常反应。

　　机智的网友可能会问：那我不用嘴呼吸，全程用鼻子呼吸不就不咳嗽了吗？

　　只用鼻子呼吸可能确实不会咳嗽，但当你需要提速时，只用鼻子呼吸，身体的摄氧量就达不到，就会难受，坚持不下来，否则就只能一直慢跑，无法提速。

　　用嘴还是鼻子其实取决于身体对氧气的需求量，并没有绝对统一的标准。所以，跑步时不是绝对地不要用嘴巴呼吸，毕竟嘴巴呼吸可以增加我们的供氧量，提高我们的速度。我们要学会的是正确地用嘴巴呼吸，而不是张嘴，让冷风无情地往里面灌。

图片

　　2　学会腹式呼吸

　　我们正常呼吸的时候，使用的是胸式呼吸，主要用的肺的中部和上部呼吸，吸气的时候，腹部提起变小；呼气的时候，腹部放下变大。这种呼吸方式会增加我们的肺部和心脏负担。肺部和心脏必须工作得更勤快，才可以确保氧供应充足。

　　腹式呼吸简单地来说就是“鼻吸口呼”。与胸式呼吸相反，腹式呼吸时，吸气的时候腹部鼓起来，呼气的时候腹部下沉。整个过程是靠横膈肌的活动完成的，当吸气时，横膈膜收缩并向下移动，胸部的肌肉收缩以使胸腔扩大，这些动作会扩充胸腔的容量，并将空气吸入肺部，让肺扩张到最大限度，并最大限度地吸入空气，进而可以提高每一次呼吸的氧气吸入量。

　　与横膈膜相连的其他解剖结构 图源：《高效呼吸训练：舞蹈、瑜伽、普拉提的功能性练习》，埃里克·富兰克林

　　如果找不到感觉，可以把手放在腹部，吸气的时候去感受腹部和手的对抗，呼气的时候感受手随着我们的腹部一起下陷。

　　如果呼吸的时候出现憋气或不顺畅，可以保持平静的呼吸，放松之后再进行腹式呼吸。

　　学会用腹式呼吸法跑步，鼻吸口呼，寒冷的空气不会直接进入我们的口腔，可以有效避免跑完咳嗽的困扰。

　　3　呼吸的进阶——韵律呼吸

　　如果你已经学会了腹式呼吸，想在跑步提速的同时更加轻松，可以尝试韵律呼吸。

　　韵律呼吸建立在腹式呼吸的基础上，但在节奏上进行了创新，认为应该采用奇数的呼吸模式，即三步一吸，两步一呼，或者两步一吸，一步一呼。

　　跑步时，当我们的脚在开始呼气的时候落到地面，会产生最强的冲击力，此时身体的稳定性最差的。如果采用两步一吸，两步一呼，或者三步一吸，三步一呼这种偶数的呼吸模式时，呼气的时候总是落在同一只脚上，身体的冲击力完全由同一只脚承担，容易给脚部造成伤害。

　　而韵律呼吸提倡的奇数呼吸模式可以让我们的左右脚落地时轮流呼气，让左右脚均匀地承担身体的冲击力。

　　至于是采取三步一吸，两步一呼，还是两步一吸，一步一呼，取决于我们跑步的状态。

　　如果是长跑或对速度没有什么要求，可以采取三步一吸，两步一呼，数到3时吸气，再数到2时呼气。如果在比赛时冲刺，或者需要提速，可以采取两步一吸，一步一呼，数到2时吸气，再数到1时呼气。

　　感兴趣的朋友不妨尝试一下，学会了呼吸，也许800/100米就不再是噩梦了。

　　资料来源：科普中国、全民较真-腾讯新闻、《跑步时该如何呼吸》《高效呼吸训练：舞蹈、瑜伽、普拉提的功能性练习》

　　整理：党敏

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