L'IA potrebbe ridefinire la ricerca di vita extraterrestre

La nuova chimica basata sul machine learning amplia la ricerca della vita

Un team di scienziati planetari e geochimici ha pubblicato i risultati che mostrano come un'intelligenza artificiale addestrata su prodotti complessi di degradazione chimica possa distinguere in modo affidabile il materiale che un tempo proveniva da organismi viventi dal materiale abiotico — anche quando le biomolecole originali sono scomparse da tempo. Il lavoro, riportato nei Proceedings of the National Academy of Sciences, suggerisce un potente nuovo modo per leggere gli "echi" chimici lasciati dalla vita antica e solleva la prospettiva di adattare l'approccio per l'uso su altri mondi.

Come funziona il metodo

I ricercatori hanno utilizzato la pirolisi-gascromatografia-spettrometria di massa (py-GC-MS) per scomporre termicamente rocce e campioni organici e produrre miscele complesse di piccoli frammenti molecolari. Quei modelli di frammenti — essenzialmente impronte chimiche — sono stati inseriti in un modello di machine learning supervisionato addestrato su un ampio e diversificato set di campioni, tra cui piante e animali moderni, fossili antichi, sintesi di laboratorio e meteoriti. Il modello ha imparato a riconoscere le distribuzioni di frammenti caratteristiche dei processi biologici piuttosto che di ogni singola molecola o biosegnatura.

I primi risultati di oltre 400 campioni testati mostrano che l'algoritmo può separare i campioni biotici da quelli abiotici con un'accuratezza molto elevata, riportando un successo superiore al 90% in molti compiti di classificazione. Tale prestazione è degna di nota perché non dipende dal ritrovamento di lipidi intatti, DNA o fossili evidenti — caratteristiche che raramente si conservano quando le rocce sono state riscaldate, sepolte o alterate chimicamente nel corso di miliardi di anni.

Perché questo è importante per l' astrobiologia

L'implicazione pratica è immediata: se modelli chimici sottili e degradati conservano una traccia statistica della biologia sulla Terra, allora lo stesso approccio statistico potrebbe rivelare prove di vita passata su Marte, sulle lune ghiacciate o su campioni riportati da altri corpi celesti. Il metodo è intenzionalmente agnostico rispetto alla biochimica — cerca modelli nelle distribuzioni piuttosto che specifiche biomolecole moderne — il che rappresenta un vantaggio quando non sappiamo come potrebbe apparire chimicamente la vita aliena.

Basato su precedenti lavori sulle biosegnature tramite machine learning

Questo progetto si basa su un corpo di ricerca che ha mostrato, negli ultimi anni, come il machine learning possa rilevare segnali statistici della biologia in dati chimici complessi. Uno studio precedente aveva sviluppato un classificatore di biosegnature molecolari agnostico basato su ML utilizzando set di dati py-GC-MS e aveva dimostrato una robusta discriminazione tra materiali biotici e abiotici. Il nuovo lavoro amplia quell'idea con un set di campioni molto più vasto e puntando esplicitamente alle rocce più antiche e pesantemente alterate.

Punti di forza tecnici e avvertenze importanti

• Punti di forza: L'approccio sfrutta strumenti e metodi con una "eredità di volo" — spettrometri di massa e tecniche di volatilizzazione termica hanno già volato sui rover marziani — e aggiunge uno strato statistico automatizzato in grado di segnalare una chimica insolita e simile alla vita anche quando le biosegnature note sono scomparse.
• Avvertenze: Il modello è addestrato sulla chimica terrestre, quindi i suoi risultati devono essere interpretati con cautela quando applicati al di fuori della Terra. I processi abiotici possono produrre miscele organiche complesse che imitano le distribuzioni biologiche in alcune condizioni, e i materiali planetari come i perclorati possono alterare i prodotti della pirolisi in modi che complicano l'interpretazione. Saranno essenziali rigorosi test in cieco contro analoghi abiotici realistici e la validazione incrociata con metodi ortogonali (rapporti isotopici, contesto minerale, microscopia).
• Limiti strumentali: Miniaturizzare la py-GC-MS per il volo spaziale non è banale; gli strumenti di volo utilizzano regimi di riscaldamento diversi e operano in ambienti limitati, il che può cambiare il modello dei prodotti di decomposizione. Trasporre i modelli addestrati in laboratorio ai dati dei rover richiederà una calibrazione accurata e, probabilmente, un riaddestramento specifico per la missione.

Come questo potrebbe cambiare la strategia della missione

Se perfezionato e validato, un classificatore chimico assistito dall'IA cambierebbe il modo in cui i team pianificano l'esplorazione. Invece di cercare principalmente fossili incontaminati o biosegnature strettamente definite, i pianificatori di missione potrebbero utilizzare uno screening statistico distribuito per identificare strati promettenti in aree più vaste. Su Marte o sui mondi oceanici, ciò potrebbe significare una selezione più rapida e obiettiva dei campioni da riportare sulla Terra o un follow-up mirato con strumenti complementari.

Una fase successiva cauta ma ottimista

Gli scienziati sottolineano che il nuovo strumento è complementare piuttosto che definitivo: individua candidati per ulteriori studi invece di emettere una dichiarazione immediata di vita aliena. La comunità richiederà conferme indipendenti e test rigorosi in ambienti analoghi prima di considerare un risultato segnalato dall'IA come una prova. Tuttavia, la tecnica estende il tipo di domande che possiamo porre a rocce frammentate e alterate, e offre ai team di missione un modo guidato dai dati per dare priorità a risorse scarse in terreni complessi.

Per l'astrobiologia, il concetto di fondo è semplice: il machine learning unito all'analisi chimica ad alta risoluzione amplia la finestra per la rilevazione della vita antica e fornisce una via pratica per portare questa capacità nel lavoro sul campo e nell'esplorazione robotica. Se l'approccio si dimostrerà robusto nella dura realtà delle missioni planetarie, potrebbe rimodellare il modo in cui cerchiamo la vita oltre la Terra — non promettendo risposte istantanee, ma rendendo visibili i modelli invisibili della biologia in luoghi che precedentemente ritenevamo irraggiungibili.

James Lawson
Reporter investigativo di scienza e tecnologia, Dark Matter. MSc Science Communication, BSc Physics (UCL). Con sede nel Regno Unito.