KI könnte die Suche nach außerirdischem Leben neu definieren

Neue Chemie des maschinellen Lernens erweitert die Suche nach Leben

Ein Team aus Planetenforschern und Geochemikern hat Ergebnisse veröffentlicht, die zeigen, dass eine künstliche Intelligenz, die auf komplexen chemischen Abbauprodukten trainiert wurde, zuverlässig Material, das einst von lebenden Organismen stammte, von abiotischem Material unterscheiden kann – selbst wenn die ursprünglichen Biomoleküle längst verschwunden sind. Die in den Proceedings of the National Academy of Sciences veröffentlichte Arbeit schlägt einen leistungsstarken neuen Weg vor, um die chemischen „Echos“ zu lesen, die von antikem Leben hinterlassen wurden, und eröffnet die Aussicht, den Ansatz für den Einsatz auf anderen Welten anzupassen.

Wie die Methode funktioniert

Die Forscher nutzten die Pyrolyse-Gaschromatographie-Massenspektrometrie (Py-GC-MS), um Gesteins- und organische Proben thermisch aufzuspalten und komplexe Mischungen kleiner Molekülfragmente zu erzeugen. Diese Fragmentmuster – im Wesentlichen chemische Fingerabdrücke – wurden in ein überwachtes Modell des maschinellen Lernens eingespeist, das mit einem großen, vielfältigen Datensatz von Proben trainiert wurde, darunter moderne Pflanzen und Tiere, antike Fossilien, Laborsynthesen und Meteoriten. Das Modell lernte, Verteilungen von Fragmenten zu erkennen, die charakteristisch für biologische Prozesse sind, anstatt nach einzelnen Molekülen oder Biomarkern zu suchen.

Erste Ergebnisse von mehr als 400 getesteten Proben zeigen, dass der Algorithmus biotische von abiotischen Proben mit sehr hoher Genauigkeit trennen kann, wobei in vielen Klassifizierungsaufgaben eine Erfolgsquote von über 90 % erzielt wurde. Diese Leistung ist bemerkenswert, da sie nicht davon abhängt, intakte Lipide, DNA oder offensichtliche Fossilien zu finden – Merkmale, die selten erhalten bleiben, wenn Gesteine über Milliarden von Jahren erhitzt, begraben oder chemisch verändert wurden.

Warum dies für die Astrobiologie wichtig ist

Die praktische Implikation ist eindeutig: Wenn subtile, degradierte chemische Muster eine statistische Spur der Biologie auf der Erde bewahren, dann könnte derselbe statistische Ansatz Beweise für vergangenes Leben auf dem Mars, auf Eismonden oder in Rückkehrproben von anderen Himmelskörpern liefern. Die Methode ist bewusst agnostisch gegenüber der Biochemie – sie sucht nach Mustern in Verteilungen statt nach spezifischen modernen Biomolekülen –, was ein Vorteil ist, da wir nicht wissen, wie außerirdisches Leben chemisch aussehen würde.

Aufbauend auf früherer Arbeit zu Biosignaturen mittels maschinellem Lernen

Dieses Projekt baut auf Forschungsarbeiten auf, die in den letzten Jahren gezeigt haben, dass maschinelles Lernen statistische Signale der Biologie in komplexen chemischen Daten erkennen kann. Eine vorherige Studie entwickelte einen agnostischen, ML-basierten Klassifikator für molekulare Biosignaturen unter Verwendung von Py-GC-MS-Datensätzen und demonstrierte eine robuste Unterscheidung zwischen biotischen und abiotischen Materialien. Die neue Arbeit skaliert diese Idee mit einem wesentlich größeren Datensatz und der expliziten Ausrichtung auf die ältesten, stark veränderten Gesteine hoch.

Technische Stärken und wichtige Vorbehalte

• Stärken: Der Ansatz nutzt Instrumente und Methoden mit Flugerfahrung – Massenspektrometer und thermische Verflüchtigungstechniken kamen bereits auf Mars-Rovern zum Einsatz – und fügt eine automatisierte statistische Ebene hinzu, die ungewöhnliche, lebensähnliche Chemie erkennen kann, selbst wenn bekannte Biomarker verschwunden sind.
• Vorbehalte: Das Modell wurde mit terrestrischer Chemie trainiert, daher müssen seine Ergebnisse bei einer Anwendung außerhalb der Erde vorsichtig interpretiert werden. Abiotische Prozesse können komplexe organische Mischungen erzeugen, die unter bestimmten Bedingungen biologische Verteilungen imitieren, und planetare Materialien wie Perchlorate können Pyrolyseprodukte so verändern, dass die Interpretation erschwert wird. Strenge Blindtests gegen realistische abiotische Analoga und Kreuzvalidierungen mit orthogonalen Methoden (Isotopenverhältnisse, mineralischer Kontext, Mikroskopie) werden unerlässlich sein.
• Instrumentelle Grenzen: Die Miniaturisierung der Py-GC-MS für die Raumfahrt ist nicht trivial; Fluginstrumente nutzen andere Heizregime und arbeiten in eingeschränkten Umgebungen, was das Muster der Zersetzungsprodukte verändern kann. Die Übertragung von im Labor trainierten Modellen auf Rover-Daten erfordert eine sorgfältige Kalibrierung und wahrscheinlich missionsspezifische Umschulungen.

Wie dies die Missionsstrategie ändern könnte

Falls ausgereift und validiert, würde ein KI-gestützter chemischer Klassifikator die Art und Weise verändern, wie Teams Erkundungen planen. Anstatt primär nach unversehrten Fossilien oder eng definierten Biomarkern zu suchen, könnten Missionsplaner ein verteiltes, statistisches Screening nutzen, um vielversprechende Schichten in größeren Gebieten zu identifizieren. Auf dem Mars oder auf Ozeanwelten könnte dies eine schnellere und objektivere Auswahl von Proben für die Rückkehr zur Erde oder gezielte Nachuntersuchungen mit ergänzenden Instrumenten bedeuten.

Eine vorsichtige, aber optimistische nächste Phase

Wissenschaftler betonen, dass das neue Werkzeug eher komplementär als definitiv ist: Es liefert Kandidaten für weitere Untersuchungen, anstatt eine unmittelbare Feststellung von außerirdischem Leben zu treffen. Die Fachwelt wird unabhängige Bestätigungen und strenge Tests in Analogumgebungen fordern, bevor ein von der KI markiertes Ergebnis als Beweis gewertet wird. Dennoch erweitert die Technik die Fragen, die wir an zerbrochene, veränderte Gesteine stellen können – und sie gibt Missionsteams eine datengesteuerte Möglichkeit, knappe Ressourcen in komplexem Gelände zu priorisieren.

Für die Astrobiologie ist die Kernbotschaft simpel: Maschinelles Lernen plus hochauflösende chemische Analyse erweitert das Fenster für den Nachweis von antikem Leben und bietet einen praktischen Weg, diese Fähigkeit in die Feldarbeit und die robotische Erkundung einzubringen. Wenn sich der Ansatz in der harten Realität planetarer Missionen als robust erweist, könnte er die Suche nach Leben außerhalb der Erde neu gestalten – nicht indem er sofortige Antworten verspricht, sondern indem er die unsichtbaren Muster der Biologie an Orten sichtbar macht, die wir zuvor für unerreichbar hielten.

James Lawson
Investigativer Wissenschafts- und Technologie-Reporter, Dark Matter. MSc Science Communication, BSc Physics (UCL). Ansässig im Vereinigten Königreich.