经典话剧《茶馆》在首都剧场再度上演 “老裕泰”兔年新春开张座无虚席******

　　本报记者 李俐

　　昨晚，北京人艺看家大戏《茶馆》在首都剧场开启新一轮演出，“老裕泰”茶馆在兔年新春再度呈现座无虚席的热闹盛况。在开年大戏《正红旗下》圆满完成首轮演出后，同样出自老舍之手的《茶馆》紧接着上演，不仅让节后的演出市场再度升温，也让观众再次体会到人艺经典的舞台号召力。

　　演出阵容超强

　　以庚子事变为叙事核心，话剧《正红旗下》将晚清的京城图景进行了一次翔实的舞台呈现，而《茶馆》则以同一时期的戊戌变法为开端，对清末至民国年间的京城众生进行了一次跨越数十年的描摹。“在《正红旗下》后，接着看《茶馆》，相信这样的安排会给观众一份惊喜。”北京人艺院长冯远征表示。

　　作为中国话剧舞台上里程碑式的作品，《茶馆》的经典地位毋庸置疑。老舍先生的剧本，焦菊隐、夏淳作为导演的创造，林兆华、杨立新担任复排艺术指导的继承，一代代表演艺术家对角色的塑造，共同成就了这部舞台经典。几十年来，《茶馆》在北京人艺的舞台上，如同一种精神，被坚守和传承；也如同一种仪式，伴随一代代观众和演员，连接起舞台上下。

　　经过了去年《茶馆》院庆纪念场的演出，线上线下观众共同见证了这部作品的演出盛况。今年归来，这一轮演出仍聚集了包括梁冠华、濮存昕、杨立新、何冰、吴刚、冯远征等在内的超强阵容，对观众而言，无疑又是一次观看人艺舞台中坚力量集体表演的戏剧盛宴。刚一开票，九场演出票就全部“秒空”，足见这部经典在观众心目中始终不变的吸引力。

　　打磨从未停止

　　本轮演出的排练首日正值春节，排练厅里一片节日团聚的气氛，大家互相拜个年，道几句家常话，将生活气息从台下延续到台上。二十余年的舞台沉淀，让这些角色在这代演员身上生长，而几十年的舞台配合，也让他们之间形成了不用言说的默契，正是这种默契，让舞台群像塑造得丝丝入扣。

　　此轮首演开启了《茶馆》第726场的演出。但作为经典，这部作品依旧没有停止打磨。无论是演员对角色背景的不断丰富，还是新演员进入剧组后，新老演员间的再次融合，都让这部作品的排练和演出再次碰撞出新的火花。

　　大幕拉开，观众首先看到的是茶馆中生动鲜活的一片景象。为了演好这被曹禺先生誉为“古今中外剧作中罕见的第一幕”，此轮排练中，执行复排艺术指导杨立新仍然反复要求演员去做好人物设定和场景训练，扎扎实实地演好每一个细节，即便是舞台上转瞬间的一举一动也要体现舞台真实。

　　传承不走样

　　“这是我演的第365场，还是356场，我得翻翻我的‘账本’。”从当初小心谨慎到现在越来越自信，饰演掌柜王利发的梁冠华已经陪伴这个角色走过了20多年。但他表示：“每次演出都有新鲜感，每一次讲出那些台词还是会心潮澎湃，因为老舍先生的剧本写得太好了，那些台词和历史、现实都结合得非常紧密，让我佩服他对社会发展的总结和预见。也正因为他写的是真实的人，所以才感人。”

　　“这些角色已经长在我们身上了，大家默契到了不用更多交流。”冯远征透露，尽管演员们已经对剧本再熟悉不过，但每一次排练仍很认真。他对自己的表演始终有要求，那就是“这一版《茶馆》在我们手里不能走样，精髓不能丢”。

　　“观众买票的理由首先是老舍先生，是文学滋养这个剧院，这个品质我们需要继承。”濮存昕希望，剧院的年轻演员能尽快成长起来，向老一辈表演艺术家的艺术标准看齐，不断提高品质，把这部经典延续下去。

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