Abstract Genetic and fragmented palaeoanthropological data suggest that Denisovans were once widely distributed across eastern Eurasia 1–3 . Despite limited archaeological evidence, this indicates that Denisovans were capable of adapting to a highly diverse range of environments. Here we integrate zooarchaeological and proteomic analyses of the late Middle to Late Pleistocene faunal assemblage from Baishiya Karst Cave on the Tibetan Plateau, where a Denisovan mandible and Denisovan sedimentary mitochondrial DNA were found 3,4 . Using zooarchaeology by mass spectrometry, we identify a new hominin rib specimen that dates to approximately 48–32 thousand years ago (layer 3). Shotgun proteomic analysis taxonomically assigns this specimen to the Denisovan lineage, extending their presence at Baishiya Karst Cave well into the Late Pleistocene. Throughout the stratigraphic sequence, the faunal assemblage is dominated by Caprinae, together with megaherbivores, carnivores, small mammals and birds. The high proportion of anthropogenic modifications on the bone surfaces suggests that Denisovans were the primary agent of faunal accumulation. The chaîne opératoire of carcass processing indicates that animal taxa were exploited for their meat, marrow and hides, while bone was also used as raw material for the production of tools. Our results shed light on the behaviour of Denisovans and their adaptations to the diverse and fluctuating environments of the late Middle and Late Pleistocene of eastern Eurasia.

The increasing prevalence of myopia worldwide presents a significant public health challenge. A key strategy to combat myopia is with early detection and prediction in children as such examination allows for effective intervention using readily accessible imaging technique. To this end, we introduced DeepMyopia, an artificial intelligence (AI)-enabled decision support system to detect and predict myopia onset and facilitate targeted interventions for children at risk using routine retinal fundus images. Based on deep learning architecture, DeepMyopia had been trained and internally validated on a large cohort of retinal fundus images (n = 1,638,315) and then externally tested on datasets from seven sites in China (n = 22,060). Our results demonstrated robustness of DeepMyopia, with AUCs of 0.908, 0.813, and 0.810 for 1-, 2-, and 3-year myopia onset prediction with the internal test set, and AUCs of 0.796, 0.808, and 0.767 with the external test set. DeepMyopia also effectively stratified children into low- and high-risk groups (p < 0.001) in both test sets. In an emulated randomized controlled trial (eRCT) on the Shanghai outdoor cohort (n = 3303) where DeepMyopia showed effectiveness in myopia prevention compared to NonCyc-based model, with an adjusted relative reduction (ARR) of −17.8%, 95% CI: −29.4%, −6.4%. DeepMyopia-assisted interventions attained quality-adjusted life years (QALYs) of 0.75 (95% CI: 0.53, 1.04) per person and avoided blindness years of 13.54 (95% CI: 9.57, 18.83) per 1 million persons compared to natural lifestyle with no active intervention. Our findings demonstrated DeepMyopia as a reliable and efficient AI-based decision support system for intervention guidance for children.