有些植物吸引传粉媒介的方式并非依靠馥郁的甜香，而是浓烈的腐臭。究人员在一项新的研究中展示了植物是如何成功做到这一点的。据研究人员报告，在细辛属植物（Asarum）的花朵中，一种通常用于解毒恶臭化合物的基因反而会演化出产生难闻气味的功能。这些发现揭示了植物会如何利用广泛保守的代谢途径来获取生态优势。气味难闻花朵的一个关键特征是它们会释放挥发性的恶臭化合物，特别是二甲基二硫 (DMDS) 和二甲基三硫 (DMTS) 等寡聚硫化物。这些化合物会模拟腐烂物质所发出的化学信号。虽然这些化合物已知源于细菌对含硫氨基酸的分解，但花朵产生这些化合物的生物学机制则基本不清楚。为探其究竟，Yudai Okuyama 对细辛属植物的花朵进行了研究；这些花朵有着形形色色的形态与气味——人们认为，这些演变出来的特性为了吸引各类传粉昆虫。 通过比较基因组学和功能分析，Okuyama 等人发现，这种由花朵释放的二甲基二硫（DMDS）与硒结合蛋白家族中一个基因的表达有关。在人体中的相关蛋白 SELENBP1 通常能够解毒甲硫醇（甲硫醇是一种具刺鼻臭味的化合物），它是临床上造成口臭的根本原因。该蛋白可通过将甲硫醇转化为危害较小的物质而将其解毒。Okuyama 等人在细辛属植物中发现了三种不同类型的甲硫醇氧化酶基因——SBP1、SBP2 和 SBP3。通过在细菌中表达这些基因并测试其酶促功能，他们发现 SBP1 会催化一种独特的反应：它并未解毒甲硫醇，而是将其转化为二甲基二硫 (DMDS)。这种能力源于 SBP1 中少量氨基酸的改变，使其酶促功能从甲硫醇氧化酶 (MTOX) 转变为二硫化物合成酶 (DSS)。这种禀赋似乎会在至少三个互不相关的植物谱系中独立演化而成，表明它是由相似的生态压力所导致的趋同进化。Lorenzo Caputi 和 Sarah O’Conner 在相关的《视角》中写道：“值得注意的是，尽管甲硫醇氧化（一种远古的酶活性）也见于人类，但只有植物演变出了寡聚硫化物合成酶的活性。这可能是因为植物不断承受着演化压力，它们需要有复杂的化学反应来实现沟通和防御功能。”

研究人员仅利用气流和简单的物理设计——其构造类似路边所见的“充气管舞动者”——开发出了无需依赖复杂电子控制器即可实现协调自主运动的软体机器人。动物在自然环境中通常能以非凡的效能移动。它们是通过无缝整合神经系统、身体力学和环境互动来实现这一点的。这种去中心化协调使动物能够无需依赖脑部发出的持续指令而高效移动。相比之下，大多数机器人则高度依赖集中式处理器来协调其移动。虽然刚性和软体机器人可利用身体动力学或形状变化来移动及避开障碍物，但由于它们缺乏肢体或需依赖速度缓慢的序贯控制机制，因此许多机器人的适应能力仍然有限。此外，它们笨重的类模拟设计导致其能效低下、回应缓慢，因而限制了它们在复杂环境中的实用性和自主能力。为了在不依赖中央处理器的情况下实现快速运动，Alberto Comoretto 和同事开发出了一种仅由持续气流驱动的自振荡机械肢体。该肢体由一根弯曲的硅胶管组成；在没有气流的情况下，该硅胶管会保持稳定的扭结状态。然而，当引入稳定的气流时，它会在扭结状态间自发振荡，以高达 300 赫兹的频率进行快速的步进运动。这种运动源于压力、扭结形成和管道阻力间的一个反馈回路——类似于某种机械性的“心脏搏动”。通过物理连接多个肢体并利用环境反馈，Comoretto 等人在无需任何电子控制的情况下即可实现同步协调步态，使这些机器人的移动速度超越同类的软体机器人。它们还可以通过自动改变步态而以两栖方式进入水中移动。对此感兴趣的记者请注意，作者还提供了一些视频来展示该机器人平台所具有的能力。

根据将在2025年5月9日至11日于新加坡举行的“ACC Asia 2025 暨第36届新加坡心脏学会年会”上发布的研究结果，摄入超加工食品（如含糖饮料、薯片和包装饼干）可能与多种不良健康结局相关。研究显示，每天额外摄入100克超加工食品，将提高患高血压、心血管事件、癌症、消化系统疾病、死亡等风险。

据一项利用近 500 种鸟的公民科学数据的新研究披露，北美鸟类种群数在那些鸟类数量仍属最多的地区正以最快的速度衰减。这些发现同时揭示了迫在眉睫的威胁及潜在的采取有的放矢保护恢复措施的机遇。全球鸟类数量正在急剧衰减；自 1970 年以来，北美所有的繁殖鸟类数量已失去了逾四分之一。尽管长期监测揭露了这些令人担忧的趋势，但采取有效的保护措施需要知道哪些地方的鸟类数量衰减最快。然而，由于缺乏关于鸟类种群变化趋势的具精细尺度的空间综合数据，这一目标的实现受到了限制，因为人们难以确定工作的优先顺序或发现区域性的衰减和恢复模式。为满足这一需求，Alison Johnston 和同事从 2007 年至 2021 年的超过 3600 万份 eBird 清单中汇编了公民科学数据，旨在查明北美洲、中美洲和加勒比地区 495 种鸟类的精细尺度的种群变化趋势。通过分析鸟类的具高空间分辨率的目击变化纪录，作者能够将鸟类种群的实际变化与观察者行为的差异进行区隔。他们的方法涉及使用一种专门的机器学习模型；该模型能以很可靠的统计方式检测出种群的细微变化。 该分析揭示了鸟类种群局部动态的复杂拼接结构；尽管总体趋势显示， 75% 的鸟类物种在其分布范围内数量正在下降（其中 65% 的鸟类物种数量显著下降），但几乎每一物种（97%）的数量都会根据其所在分布范围内的位置而经历增长或减少。值得注意的是，Johnston 等人发现，鸟类种群数量下降最快的地区恰是它们存在数量仍然最多的区域。这种模式——见于 83% 的鸟类物种——表明即使是鸟类种群的主要栖息地也不再安全。这些发现表明，在草原和旱地繁殖的鸟类数量的衰减尤为严重，而这些下降与局部的鸟类丰度（而非与物种分布范围内的地理位置）的关系更为密切；这表明生态压力（如气候变化和栖息地丧失）是驱动鸟类数量下降的主要因素。支持大量种群的栖息地可能更容易受到这些压力的影响，而处于边缘栖息地内的物种可能具有更强的恢复能力。然而，尽管鸟类数量普遍下降，但这一研究也揭示了一些稳定的区域（如阿巴拉契亚山脉和西部山区），因为这些区域可能为鸟类提供了庇护场所，或揭示了有利于物种恢复的条件。 注重研究趋势的记者请注意，发表在 2019 年的一篇《科学》研究文章报告称，自 1970 年以来，北美已损失了近 30 亿只鸟。