佰家富app娱乐-佰家富app交流群

最新研究！不是谁都需要每天八杯水******

　　从小到大

　　总是听人说

　　每人每天要喝够8杯水（约2升）

　　最近，一项新的研究结果驳斥了这个说法

　　其实人类饮水需求千差万别

　　1

　　科学家们是怎么测量人一天需要多少水的?

　　11月24日发表于《科学》期刊的这项研究，测量了26个国家5600多人的饮水量，参与者年龄从8天到96岁不等，他们饮用了一定量含有可追踪氢和氧同位素的水。研究人员发现，人们每天的平均饮水量在1升到6升之间。

　　图源：摄图网

　　此外，研究人员们收集并分析了参与者的数据，将参与者所在地的温度、湿度和海拔高度等环境因素，与测量的水分周转率、能量消耗、体重、性别、年龄等进行了比较。

　　在所有条件相同的情况下，男性和女性的差异大约是半升水的周转量。研究结果预计，一个20岁、体重70公斤、生活在发达国家的海平面高度、平均气温10摄氏度、相对湿度50%的非运动员男性，每天会吸收和流失约3.2升水。同样年龄和活动水平的女性，体重60公斤，住在同样的地方，需要消耗2.7升水。

　　同时，一个人消耗的能量增加1倍，则他们每天用水量将增加约1升。体重增加50公斤，用水量则增加0.7升。湿度每增加50%，用水量就会增加0.3升。运动员比非运动员多消耗大约1升水。

　　快来算算自己需要多少水!

　　这项研究中，近100个团队的科学家们联合开展了实验，得出了全球首个人类全生命周期的“饮水公式”。据此公式，大伙儿可以精确地计算出自己每天喝多少水最合适。

　　其中，PAL是身体活动水平，等于人体24小时总能量消耗（TEE）除以人体24小时的基础代谢率（BMR）。HDI则代表人类发展指数，反映不同地方的社会进步程度。对于此公式中，发达国家的HDI值为0，中等国家HDI值为1，落后国家HDI值为2。此外，非运动员的Athlete Status（运动状态）值为0，运动员为1。

　　研究人员用此公式计算发现，平均而言，20至35岁的男性每天消耗4.2升水，而30至60岁的女性消耗3.3升水。而且从60岁起，水的需求量随着年龄的增长而下降。等到了90多岁，人的需水量已经降至2.5升左右。

　　科学喝水，还得注意这些！

　　俗话说“人以食为天，食以水为先”，每天保持充足的饮水量，对人体皮肤、血管、肠道健康等都起着至关重要的作用。以下为大家准备了一些日常科学喝水的小提示：

　　图源：网络表情包

　　1. 不要等到口渴再喝水。口渴是身体缺水的信号，当你感觉口渴的时候，那说明细胞已经缺水了。

　　2. 吃饭前不要大量喝水。这可能会冲淡消化液，使胃酸浓度降低，易出现消化不良、急性胃肠炎及腹泻。

　　3. 喝水时水温以 25 ℃～ 40 ℃为宜，最好不要超过 65 ℃。

　　4. 运动后不要一次性牛饮！如果运动后狂饮，会导致钠离子含量变低，这一现象被称为“稀释性的低钠血症”，也叫水中毒。运动后人体的各个脏器处于比较劳累的状态，突然大量补水会导致心脏负担明显加重，对很多脏器功能，特别是对心脏不利。

　　5. 在高强度的运动后，需要适当喝含有电解质的水，比如含盐、含糖的，这样可以把人体丢失的盐分和糖分补充回来。

　　END

　　资料来源：科普中国、中国科学网、澎湃新闻

　　整理：董小娴

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

　　（文图：赵筱尘 巫邓炎）