The search for the earliest fossil evidence of the human lineage has been concentrated in East Africa. Here we report the discovery of six hominid specimens from Chad, central Africa, 2,500 km from the East African Rift Valley. The fossils include a nearly complete cranium and fragmentary lower jaws. The associated fauna suggest the fossils are between 6 and 7 million years old. The fossils display a unique mosaic of primitive and derived characters, and constitute a new genus and species of hominid. The distance from the Rift Valley, and the great antiquity of the fossils, suggest that the earliest members of the hominid clade were more widely distributed than has been thought, and that the divergence between the human and chimpanzee lineages was earlier than indicated by most molecular studies.

Abstract Deep-time (=pre-Quaternary) maar lakes and certain other, hydrologically deep volcanogenic lakes, are often excellent Konservat-Lagerstätten representing unique windows into past biota and ecosystems. Many deposits from such lakes contain animal and plant remains in extraordinary preservation, often with soft tissues or fine morphological and anatomical details preserved. Such Lagerstätten have the potential to provide in-depth information on a variety of organisms, which is important for understanding their biology and ecology, their evolution and palaeobiogeography, but also for elucidating entire ecosystems with their numerous biotic and abiotic interactions. The formation of such Lagerstätten is intimately linked to volcanic processes, amongst which phreatomagmatic explosions that formed maar-diatreme volcanoes are probably the most important, but also other volcanic processes can lead to the formation of deep volcanogenic lakes (e.g. in certain calderas). Maar lakes and other volcanogenic Konservat-Lagerstätten occur in a large number of volcanically active regions worldwide, although older deposits are often difficult to access as they are more likely to be eroded or covered by younger deposits. The accessibility of many of the better-known localities is often connected to the mining of natural resources, ranging from diamonds, to volcanic rocks such as basalts to the lacustrine sediments that may have filled volcanic craters, including diatomites and ‘oil-shales’. Most or even all of the maar and other volcanogenic lakes presented here in greater detail, can be considered as important geoheritage sites. Although currently some of these deposits have at least some kind of legal protection as monuments of natural heritage, others remain in danger of being exploited commercially for natural resources and hence, ultimately destroyed. Moreover, many scientific questions related to these ancient lakes and their biota covered here in more detail, as well as those related to lakes only briefly mentioned in passing, have not been posed, let alone answered. This makes maar lakes and other volcanogenic lakes important resources for present-day and future research. The present contribution should be seen as a global call to scientists to find further localities that represent similar volcanogenic lacustrine settings, as they may be the source of vital and surprising new information about the plants, animals, and environments of the past. Examples of pre-Quaternary maar and other volcanogenic lakes that are presented here in greater detail include the following localities: Paleocene : Menat (France); Eocene : Messel, Eckfeld (Germany), Mahenge (Tanzania); Oligocene : Enspel, Rott, Hammerunterwiesenthal, Baruth, Kleinsaubernitz (Germany); Miocene : Foulden Maar, Hindon Maar Complex (New Zealand), Randeck Maar, Hirnkopf-Maar, Höwenegg, Öhningen (Germany); Pliocene : Ruppach-Goldhausen (Germany), Camp dels Ninots (Spain).

Abstract A new and uniquely structured matrix of mammalian phenotypes, MaTrics ( Ma mmalian Tr aits for Comparative Genom ics ) is presented in a digital form. By focussing on mammalian species for which genome assemblies are available, MaTrics provides an interface between mammalogy and comparative genomics. MaTrics was developed as part of a project to link phenotypic differences between mammals to differences in their genomes using Forward Genomics. Apart from genomes this approach requires information on homologous phenotypes that are numerically encoded (presence-absence; multistate character coding*) in a matrix. MaTrics provides these data, links them to at least one reference (e.g., literature, photographs, histological sections, CT-scans, or museum specimens) and makes them available in a machine actionable NEXUS-format. By making the data computer readable, MatTrics opens a new way for digitizing collections. Currently, MaTrics covers 147 mammalian species and includes 207 characters referring to structure, morphology, physiology, ecology and ethology. Researching these traits revealed substantial knowledge gaps, highlighting the need for substantial phenotyping efforts in the genomic era. Using the trait information documented in MaTrics , previous Forward Genomics screens identified changes in genes that are associated with various phenotypes, ranging from fully-aquatic lifestyle to dietary specializations. These results motivate the continuous expansion of phenotype information, both by filling research gaps or by adding additional taxa and traits. MaTrics is digitally available online within the data repository Morph·D·Base ( www.morphdbase.de ).

This article presents the results of the Febal project, where the aim was to parametrize a stress-factor-based ageing model for Lithium-ion batteries using operation data of an electric fleet. Contrary to state-of-the-art methods, this approach does not rely on laboratory ageing tests only. Instead, a novel physics-informed learning procedure is used to combine the accuracy and flexibility of data-driven approaches with the extrapolation properties of physical models. The ageing model is parameterized in a two-stage process. In order to cover data ranges not present in operation, a laboratory ageing test campaign is used as a baseline. In the second stage, transfer learning is used to adjust a subset of the model parameters to fit data of different cells. This approach is not only applied to laboratory measurements but also validated by a series of capacity checkup tests performed with a fleet of electric vehicles. Results show the improved state-of-health (SOH) prediction of the proposed model parameterization method.