新的证据使考古学家对人类到达北美的时间产生了怀疑

新的证据使考古学家对人类到达北美的时间产生了怀疑此前，2021年9月发表的研究表明，这些人类脚印提供了人类在最后一个冰河时期占领北美的"确切证据"，可以追溯到2.3万至2.1万年前。然而，一项新的研究对这种说法表示怀疑。一组科学家最近在《第四纪研究》杂志上发表了一项研究，提醒说在新墨西哥州的一个湖床中发现的古人类脚印的测年证据不足以支持将大大改变我们对人类何时以及如何首次到达北美的理解的说法。研究人员使用了与之前的研究相同的测年方法和材料，但是他们的发现表明，这些脚印的留下时间可能比原来想象的要晚几千年。堪萨斯州立大学地质学荣誉教授、新研究的作者之一CharlesOviatt说："我读了《科学》杂志关于白沙人类脚印的原始文章，最初不仅被这些脚印本身的巨大意义所震撼，而且还被准确的测年法的重要性所震惊。但也看到了《科学》论文中报告的日期的科学测试的潜在问题。""这确实让我们认为我们知道的很多东西受到了质疑，"DRI的古生态学家、新研究的共同作者DavidRhode博士说。"这就是为什么真正确定这个年代很重要，以及为什么我们建议我们需要更好的证据。"考古学家和历史学家使用一些方法来确定历史事件的时间。根据这些方法，科学家们倾向于同意，人类殖民北美洲的最早已知日期位于1.4至1.6万年前，即最后一次冰期之后。如果原来的说法是正确的，目前在古遗传学和区域地质年代学等不同领域的年代学模型将需要重新评估。"2.3到2.1万年前是一个你需要真正关注人们如何进入北美洲的时间框架，"Rhode说。"在那个时候，有一个巨大的、一英里高的冰雪山脉覆盖着北方的加拿大，沿着太平洋海岸的路径也不是很通畅--所以可能是人们不得不比这更早来到这里。"通过研究人类化石中的古代DNA和使用遗传变化率（一种使用DNA的分子钟），古遗传学家推测，美国西南部首次被占领的时间不早于2万年前。如果脚印的年代更久远，那么这些遗传学模型的使用和完整性就会受到质疑。作者写道，在新墨西哥州的一个湖泊盆地的一个研究中得出的年龄有可能是有效的，而来自其他各种领域的年龄估计是无效的，但需要更有力的证据来证实这些说法。争论的中心是用于测定脚印年龄的一种水生植物的微小种子。种子的时间框架是用放射性碳测定法确定的，在这种方法中，研究人员检查一种被称为碳-14的同位素。碳-14起源于大气，通过光合作用被植物吸收。这些碳同位素随着时间的推移以恒定的速度衰减，将大气中的碳-14含量与植物化石材料中的含量相比较，科学家可以确定其大致的年龄。但是所使用的植物物种，Ruppiacirrhosa，生长在水下，因此其光合作用的大部分碳不是像陆地植物那样直接从大气中获得，而是从水中溶解的碳原子中获得。"虽然研究人员认识到了这个问题，但他们低估了这种植物的基本生物学特性，"Rhode说。"在大多数情况下，它在利用它在湖水中发现的碳。而在大多数情况下，这意味着它正在从当代大气以外的来源吸收碳--这些来源通常是相当古老的。"这种方法很可能给出基于放射性碳的植物年龄估计，比植物本身要老得多。古老的碳从Tularosa山谷和周围山脉的侵蚀基岩中进入Otero湖盆地的地下水，并出现在整个盆地广泛的碳酸钙沉积中。作者通过研究同一地区已知年龄的川蔓藻属来证明这一效果。植物学家于1947年从附近的泉水池塘中收集了活的川蔓藻属植物，并在新墨西哥大学标本馆存档。使用相同的放射性碳测年方法，1947年活着的植物返回的放射性碳日期表明它们大约有7400年的历史，这是由于植物使用古代地下水而产生的偏移。作者指出，如果从人类脚印中测出的川蔓藻属的年龄也被抵消了大约7400年，它们的真实年龄将在1.5到1.3万年之间--这个日期与其他几个已知的早期北美考古遗址的年龄一致。作者写道，脚印的年代可以通过其他方法确定，包括陆地植物的放射性碳测定（使用大气中的碳，而不是地下水中的碳）和沉积物中发现的石英的光学刺激发光测定。"这些足迹确实是了解过去的一个伟大资源，这一点毫无疑问，"罗德说。"我很想亲自看看它们。我只是对研究人员给它们的年龄持谨慎态度。"...PC版：https://www.cnbeta.com.tw/articles/soft/1337093.htm手机版：https://m.cnbeta.com.tw/view/1337093.htm

20万个细胞图像的数据库产生了新的数学框架 探索人类细胞的内部运作

20万个细胞图像的数据库产生了新的数学框架探索人类细胞的内部运作综合平均形态的细胞，显示17个选择结构。资料来源：艾伦细胞科学研究所"细胞的组织方式告诉我们一些关于它们的行为和身份的信息，"艾伦细胞科学研究所副所长苏珊娜-拉费尔斯基博士说，她和高级科学家马修斯-维亚纳博士一起领导了这项研究，"当我们都试图了解细胞在健康和疾病中如何变化时，该领域一直缺少的是处理这种组织的严格方法。我们还没有挖掘出这种信息"。拉菲尔斯基说，这项研究为生物学家提供了一个路线图，以一种可衡量的、定量的方式了解不同种类的细胞组织。它还揭示了艾伦研究所团队研究的细胞的一些关键组织原则，这些细胞被称为人类诱导多能干细胞。了解细胞在健康条件下如何组织自己--以及"正常"所包含的全部变化范围--可以帮助科学家更好地了解在疾病中出了什么问题。这项研究的图像数据集、基因工程干细胞和代码都是公开的，供社区内其他科学家使用。"使细胞生物学看起来难以解决的部分原因是，每个细胞看起来都不同，即使它们是同一类型的细胞。"加州大学旧金山分校生物化学和生物物理学教授、艾伦细胞科学研究所科学顾问委员会成员华莱士-马歇尔博士说："艾伦研究所的这项研究表明，这种长期困扰该领域的可变性实际上是研究细胞组成规则的一个机会。这种方法几乎可以推广到任何细胞，我期望其他许多人也能采用同样的方法。"在七年多前启动的一项工作中，艾伦研究所团队首先建立了一个干细胞集合，通过基因工程在荧光显微镜下照亮不同的内部结构。有了标记25个单独结构的细胞系，科学家们随后捕获了超过20万个不同细胞的高分辨率三维图像。所有这些都是为了提出一个看似简单的问题。我们的细胞是如何组织其内部的？结果发现，要找到答案真的很复杂。想象一下，你的办公室里有数百件不同的家具，所有这些家具都需要随时取用，而且许多家具需要自由移动或根据其任务进行互动。现在想象一下，你的办公室是一个被一层薄薄的膜包围的液体囊，而这数百件家具中的许多是更小的液体袋，很显然，这会成为室内设计人员的噩梦。科学家们想知道所有这些微小的细胞结构彼此之间是如何排列的？A结构"总是在同一个地方，还是随机的？研究小组在比较两个不同细胞之间的相同结构时遇到了挑战。即使被研究的细胞在基因上是相同的，并在相同的实验室环境中饲养，它们的形状也有很大的不同。科学家们意识到，如果一个细胞是短而圆的，另一个是长而梨形的，那么就不可能比较结构A在两个不同细胞中的位置。因此，他们给那些矮小的豆和修长的梨形加上了数字。利用计算分析，该团队开发了他们所谓的"形状空间"，客观地描述每个干细胞的外部形状。该形状空间包括八个不同的形状变化维度，如高度、体积、伸长率，以及恰如其分的"梨"和"豆"。然后，科学家们可以将梨与梨（或豆子与豆子）进行比较，观察所有类似形状的细胞内部的细胞结构组织。"我们知道，在生物学中，形状和功能是相互关联的，了解细胞形状对了解细胞的功能很重要，我们已经想出了一个框架，使我们能够测量一个细胞的形状，当你这样做的那一刻，你可以找到形状相似的细胞，对于这些细胞，你可以再看看里面，看看一切是如何安排的。"在分析25个突出的结构的位置，在具有相似形状的细胞组中比较这些结构时，他们发现所有的细胞都以非常相似的方式设置，尽管细胞形状有巨大的变化，但其内部组织却惊人地一致。如果你在一栋高层办公楼里看成千上万的白领如何安排他们的家具，就好像每个工人都把他们的办公桌放在办公室的中间，而他们的文件柜正好在最左边的角落，无论办公室的大小或形状如何。如果你发现一间办公室里的文件柜被扔在地上，文件散落一地--这可能会告诉你关于那间特定办公室的状况和它的使用者。细胞的情况也是如此。发现偏离正常状态的情况可以给科学家提供重要的信息，了解细胞在从静止状态过渡到移动状态、准备分裂时的变化，或者了解在疾病中微观层面上出了什么问题。研究人员观察了他们数据集中的两种变化--细胞群边缘的细胞，以及正在进行分裂以创造新子细胞的细胞，这一过程被称为有丝分裂。在这两种状态下，科学家们能够发现与细胞的不同环境或活动相关的内部组织变化。艾伦细胞科学研究所执行主任RuGunawardane博士说："这项研究汇集了我们在艾伦细胞科学研究所成立以来所做的一切。我们从头开始建立所有这些，包括衡量和比较细胞如何组织的不同方面的指标。我真正感到兴奋的是，我们和社区中的其他人现在可以在此基础上，提出我们以前无法提出的关于细胞生物学的问题。"...PC版：https://www.cnbeta.com.tw/articles/soft/1342657.htm手机版：https://m.cnbeta.com.tw/view/1342657.htm

研究发现：用人工智能生成的图像训练出的人工智能产生了糟糕的结果。

研究发现：用人工智能生成的图像训练出的人工智能产生了糟糕的结果。斯坦福大学和莱斯大学的研究人员发现，生成式人工智能模型需要“新鲜的真实数据”，否则输出的质量就会下降。这对摄影师和其他创作者来说是个好消息，因为研究人员发现，训练数据集中的合成图像会放大人工痕迹，使人工智能画出的人类看起来越来越不像真人。研究小组将这种状况命名为“模型自噬障碍”。如果自噬循环的每一代都没有足够的新鲜真实数据，未来的生成模型注定会逐渐降低其质量或多样性。如果该研究论文是正确的，那么这意味着人工智能将无法开发出无穷无尽的数据源。人工智能仍然需要真实、高质量的图像来不断进步，而不是依赖自己的输出。这意味着生成式人工智能将需要摄影师。——