基于云环境的作物育种信息化建设探析(3)

　　2. 4 资源高度共享，助推传统育种方法与现代生物技术深度融合
　　
　　现代育种技术体系的建立需要常规育种、分子辅助育种、转基因育种及抗逆性检测多项关键技术的共同支撑[12],涉及多个交叉学科，需要强大的信息平台进行有效的数据组织和管理。例如，分子设计育种可以实现育种的定向变异、准确选择的目标，但是这一技术只有借助云平台强大的信息处理能力、共享机制及计算模拟集成技术才能更好地发挥作用。在云环境下，以育种目标为纽带，充分发挥信息技术的提升和串联带动作用，促进多种常规育种技术与生物育种技术在不同产业链环节的协同发展，形成合力，建立有明确育种目标的高效率的现代育种体系，共同促进现代种业的发展。
　　
　　3 云环境下作物育种信息化模型构建
　　
　　本文以中小型育种企业和育种科研院所的育种信息化管理为业务基础，深入研究云服务模式与作物育种信息化管理业务的契合点，充分考虑了作物育种信息管理平台在云服务模式下的个性化、一体化及差异性等特点，提出了云环境下的作物育种信息化模型，如图1所示。模型在遵循高可用、标准化、高性能、开放接口等基本原则的基础上，在行业规范性引导、专业性服务、可持续性运营机制、数据安全性保障等方面设立相应标准，以便更好地满足多用户多作物的育种信息化需求。
　　
　　模型首先抽取不同作物、不同类型育种主体的业务流程，解析业务逻辑，然后通过控制器和协调器的共同作用，面向用户特征进行服务的筛选和整合，最后为各类型用户构建合适的育种信息化产品。
　　
　　3. 1 第三方应用接口的统一接入方案
　　
　　完整的云平台必然会接入第三方服务，接口设计的通用性、可扩展性和可维护性直接影响着云平台构建的质量。本文提出的作物育种云平台模型采用统一接入方式，将第三方服务的接入、管理、维护等工作交由一个独立的功能模块负责，极大地提高了模型的运行效率。模型集成接口控制模块，用来接入和管理第三方平台、系统或者服务，使云平台具有良好的系统扩展性和耦合性，采用加密的Web Service标准技术进行注册和服务调用。为了增强云平台的扩展性，允许用户定义服务接入开发模板，进行定制接口的接入。接口服务主要包括： 性状数据采集设备、田间视频监控设备、生长环境信息采集设备、精量播种机、自动化考种系统、育种试验分析软件，以及支付系统等第三方应用接口的统一接入方案。
　　
　　3. 2 面向用户特征的多层次服务提供策略
　　
　　育种云平台的用户既包括育种家个体，也包括中小型育种企业、育种科研院所及专业测试机构等群体，还可以是由产业链中多家育种单位组成的联盟或联合体等，每类用户的需求具有多样化、个性化、动态性等特点。模型在满足用户基本需求和共同需求的基础上，通过提供个性化、特色育种信息服务以增强服务方式，更好地满足不同用户的特殊需要。
　　
　　个体用户具有专业性强、灵活性高、个体之间差异性大等特点，主要关注种质资源改良、系谱追溯、试验数据分析及分子标记检测等少数几个育种信息服务。针对个体用户，该模型采用主动性服务方式通过分析用户行为和需求，获取用户特征描述，有针对性地主动推送服务，随着用户特征模型的优化服务推送应具备动态性。
　　
　　育种企业等群体用户业务较全面，具备很强的系统性和流程性，各环节分工明确，节点间信息流转频繁。针对群体用户，模型采用服务组合推荐方式，综合分析群体用户的业务链条形态类型，形成多种服务组合方案供群体用户选择，并允许用户根据自身业务调整情况对方案优化重组。
　　
　　联盟或联合体是育种资源统一、集中、协同管理的有效手段，也是降低资源浪费、实现资源整合和高度共享的重要途径[5],一般由行业内的多家种业企业组成，业务覆盖全产业链条，联盟企业在联合协作的同时又具备各自业务的独立性和完整性。针对联盟用户，模型基于面向多任务的服务组合选择技术，构建全产业链条件下多层次一体化协同服务体系，既能满足企业内部的育种信息化需求，又可以在整个联盟间实现资源共享、协同育种与联合测试。
　　
　　3. 3 基于数据挖掘的作物育种决策支持
　　
　　模型将大数据技术应用到作物育种决策支持系统中，并结合分布式技术、虚拟化技术形成了具有高可扩展性、高运算性、高实时性的作物育种决策支持系统平台架构。该架构以数据为驱动，充分发挥了“数据”在整个决策支持系统的核心地位，决策过程就是数据信息的交流过程，系统各个部件即相辅相成，又松散耦合。系统架构主要包括以下部分。
　　
　　1） 多维数据源： 育种过程形成的大量的、体现育种现实过程的原始数据，包括多用户、多年度、多地点及多种形式的数据源头，如基因型数据库、表现型数据库、育种数据及环境数据等[13].海量的原始数据是实现基于数据驱动的决策支持系统的基础。
　　
　　2） 数据转换平台： 用于从原始数据源中采集数据，并对数据进行抽取、清洗和转换，最后将整理后的数据存储到数据支撑平台。
　　
　　3） 数据支撑平台： 主要提供对数据的存储，数据可按照不同的格式，分别存储到数据仓库、分布式文件系统等不同存储介质中，用于支持大数据挖掘和分布式计算。
　　
　　4） 数据挖掘平台： 核心模块，主要用于实现数据挖掘算法运算和联机分析处理（OLAP） 的数据分析。模型内置常用挖掘算法和分析工具，同时提供运算接口，方便用户扩展现有系统的数据挖掘算法实现对新决策问题的自主分析。
　　
　　该系统将数据仓库、数据挖掘与传统决策支持系统模型有机结合，具备以下特点： 使用分布式文件系统、分布式数据仓库形成的数据支撑平台取代了单一的关系型数据库，使决策支持系统的存储能力在支持数据仓库的综合数据存储的同时支持海量数据的分布式集群存储，通过分布式并行运算，显着提高数据挖掘效率； 摒弃了智能决策支持系统结构中的专家库和专家系统，完全使用OLAP和数据挖掘来主动获取知识。知识获取以数据为驱动，解决了专家系统获取专家知识困难、知识更新不及时以及知识中掺杂专家主观建议的弊端。为了能够实时响应客户需求，系统将获取知识和使用知识进行解耦，很大程度上提升了育种决策的响应速度。
　　
　　4 结论
　　
　　提出了一种适用于云环境下的作物育种信息化模型。该模型以中小型育种企业育种信息化为业务基础，通过研究云服务模式与作物育种信息管理业务的契合点，为中小规模的育种团队开展育种信息化建设提供可借鉴的技术方案，具有广阔的应用前景。下一步将选取开发技术进行模型实现，面向育种个体、群体和联合体用户开展应用验证。同时，在作物育种云平台的可持续性运营机制、专业化服务模式及数据安全性保障策略等方面进行深入探索。
　　
　　参考文献：
　　
　　[1] 杨晓东，余学科，黄玮琳，等。中国农作物商业化育种现状及发展对策[J].农学学报，2014,4（2） :117 - 120.
　　[2] 张世煌。种业新政以后科研单位和中小企业的改革方向[J].种子科技，2011（5） :3 - 4.
　　[3] 董春水，才卓。现代数字育种技术的研究进展[J].玉米科学，2013,21（1） :1 - 8.
　　[4] 李洪杰，赵晋铭，张小燕，等。大豆商业化育种的探索与实践[J].中国种业，2015（1） :28 - 30.
　　[5] 曹诚，唐卓浩。一种智能医疗云平台的构建方案[J].信息通信，2015（7） :79 - 81.
　　[6] 苏显，陈捷。 B /S结构的种猪信息云服务平台构建[J].广东农业科学，2013（1） :198 - 212.
　　[7] 孙海艳，李军民，刘哲，等。关于我国种业信息化建设的思考[J].中国种业，2014（6） :1 - 3.
　　[8] 盖钧镒，刘康，赵晋铭。中国作物种业科学技术发展的评述[J].中国农业科学，2015,48（17） :3303 - 3315.
　　[9] 刘明霞，李国威。种业新政下农业科研院所育种创新问题的思考[J].农业经济，2012（8） :127 - 128.
        [10] 李洪杰。种筹天下，打造农作物育种的3. 0时代[J].中国种业，2015（6） :5 - 7.
　　[11] 冯青，余隋怀，杨延璞，等。基于云服务的产品决策支持系统模型研究[J].中国机械工程，2013,24（15） :2053- 2059.
　　[12] 张世煌。现代种业的重大关键技术[J].农业科技与信息，2013（2） :33.
　　[13] 樊龙江，王卫娣，王斌。作物育种相关数据及大数据技术育种利用[J].浙江大学学报： 农业与生命科学版，2016,42（1） :30 - 39.