创新背景

考古工作需要测定出土文物的准确时间和年限。自20世纪50年代以来，考古界一直使用放射性碳测年法作为标准的测年方法。这种方法的基础是两种不同碳同位素之间的比例，它彻底改变了考古学。然而，就准确性而言，该技术并不总是完全可靠，这使得考古人员绘制古代人的活动地图以及确定他们如何移动变得复杂。

创新过程

瑞典隆德大学的研究小组开发了一种更加精准的测年方法，使用人工智能，通过检测出土骸骨的DNA进行基因组年代测定。研究结果的相关论文《时间种群结构，过去10000年古代欧亚基因组的遗传年代测定方法》发表在《细胞报告方法》（Cell Reports Methods）上。

新方法名为时间种群结构（TPS），可用于对长达10000年的基因组进行测定。在这项研究中，研究小组分析了从中石器时代晚期到现代的大约5000具人类遗骸 。所有研究的样本都可以以高度准确性进行测年。

因为大多数人类变异都在大陆种群内，会经历诸如选择和遗传漂移之类的过程，这些过程会随时间调节等位基因频率，存在一些标记，这些标记在不同时期之间表现出本质上不同的等位基因频率，无论地理位置如何变化，都可以用来估计时间趋势。研究将这些等位基因频率组合称为时间分量，它们与时间的关联，利用时间分量将基因组数据转换为时间，并仅从基因型数据中预测样本的年龄。

研究小组创建了一个包含5500个古代欧亚基因组的数据集，使用150000个缺失最少的标记，基于先前的方法，识别时间成分，生成代表这些成分的人工基因组，然后将每个古代基因组表示为这些成分的组合。使用时间成分的等位基因频率，研究人员模拟了假定的“时间群体”的DNA，其中单个基因组代表了时间成分的典型等位基因组合，然后将监督的ADMIX分析应用于所有样品与时间群体，以计算与每个样品的每个组分相关的SNP的比例。

TPS使用监督式机器学习（SML）方法，整合基因组数据（时态分量），通过使用随机森林对样本进行日期更新，构建模型。随机森林基于决策树的集合，这些决策树是根据输入数据中发现的要素子集随机和独立生成的，这些子集在要素之间产生最大的分离。SML 从对输入数据的随机子集进行训练的经验中学习生成正确答案的规则。

TPS预测与已知日期一致，并正确考虑了亲属关系。TPS测年对年代较差的欧亚样本的测年解决了文献中相互矛盾的报告。研究展示了TPS如何随着时间的推移提高研究表型性状的能力。当放射性碳测年不可行或不确定时，可以使用TPS，或者用于为10000年前的样本开发替代假设，随着古代数据的积累，这一限制可能会随着时间的推移而得到解决。

研究人员表示，关于人们生活时期的信息被编码在遗传物质中，研究在AI的帮助下可以确定它的日期，通过弄清楚如何解释它并及时定位它。研究并不期望TPS能够取代放射性碳测年法，而是将该方法视为古地理工具箱中的补充工具。当存在涉及放射性碳测年结果的不确定性时，可以使用TPS。放射性碳测年法受到被检查材料质量的影响，结果精准度有限。新方法基于DNA进行检测，结果的可靠性非常高。两种方法相结合有助于精准追溯古代人的起源，并绘制他们的迁徙路线。

创新关键点

创新使用人工智能开发新的考古测年方法，基于DNA基因检测进行年代测定。