AI, 외계 생명체 탐사의 패러다임을 재정의하다

새로운 머신러닝 화학 기술로 생명체 탐색 범위 확대

행성 과학자와 지구화학자들로 구성된 연구팀이 복잡한 화학적 분해 산물을 학습한 인공지능을 통해, 원래의 바이오몰레큘(생체 분자)이 오래전에 사라진 경우에도 생물체에서 유래한 물질과 비생물적 물질을 신뢰성 있게 구별할 수 있다는 연구 결과를 발표했다. Proceedings of the National Academy of Sciences에 게재된 이 연구는 고대 생명체가 남긴 화학적 '메아리'를 읽어내는 강력하고 새로운 방법론을 제시하며, 이 접근 방식을 다른 행성에 적용할 가능성을 높였다.

이 방법의 작동 원리

연구진은 열분해-기체 크로마토그래피-질량 분석법(py-GC-MS)을 사용하여 암석과 유기물 샘플을 열로 분해하고 소분자 파편들의 복잡한 혼합물을 생성했다. 일종의 화학적 지문과도 같은 이러한 파편 패턴들은 현대의 동식물, 고대 화석, 실험실 합성물, 운석을 포함한 방대하고 다양한 샘플 데이터셋으로 훈련된 지도 학습형 머신러닝 모델에 입력되었다. 모델은 단일 분자나 바이오마커가 아닌, 생물학적 처리 과정의 특징인 파편들의 분포를 인식하는 법을 학습했다.

400개 이상의 테스트 시편에서 얻은 초기 결과에 따르면, 이 알고리즘은 많은 분류 작업에서 90% 이상의 성공률을 기록하며 생물학적 샘플과 비생물적 샘플을 매우 높은 정확도로 구분할 수 있다. 이러한 성능이 주목받는 이유는 수십억 년 동안 암석이 가열되거나 매몰되고 화학적으로 변형될 때 거의 보존되지 않는 온전한 지질, DNA 또는 명확한 화석을 찾는 방식에 의존하지 않기 때문이다.

외계생물학에 있어 중요한 이유

실질적인 의미는 분명하다. 미세하고 퇴화된 화학적 패턴이 지구 생물학의 통계적 흔적을 유지하고 있다면, 동일한 통계적 접근 방식을 화성, 얼음 위성 또는 다른 천체에서 가져온 샘플에 적용하여 과거 생명체의 증거를 밝혀낼 수 있다는 것이다. 이 방법은 생화학적 구조에 구애받지 않는(agnostic) 특성을 지닌다. 즉, 특정 현대 바이오몰레큘이 아닌 분포 패턴을 탐색하는데, 이는 외계 생명체의 화학적 형태를 알 수 없는 상황에서 큰 장점이 된다.

이전의 머신러닝 생체 신호 연구를 기반으로 구축

이 프로젝트는 최근 몇 년간 머신러닝이 복잡한 화학 데이터에서 생물학의 통계적 신호를 감지할 수 있음을 보여준 일련의 연구를 기반으로 한다. 이전 연구에서는 py-GC-MS 데이터셋을 사용하여 기원에 구애받지 않는 ML 기반 분자 생체 신호 분류기를 개발했으며, 생물학적 물질과 비생물적 물질 간의 강력한 식별 능력을 입증한 바 있다. 이번 신규 연구는 훨씬 더 큰 샘플 세트를 사용하고 고대의 심하게 변형된 암석을 명확한 목표로 삼아 그 아이디어를 확장했다.

기술적 강점 및 주요 주의 사항

• 강점: 이 접근 방식은 화성 탐사 로버에 이미 탑재된 적이 있는 질량 분석기 및 열 휘발화 기술과 같은 비행 이력(flight heritage)이 있는 장비와 방법론을 활용한다. 여기에 통계적 자동화 계층을 추가함으로써 알려진 바이오마커가 사라진 경우에도 생명체와 유사한 특이한 화학 반응을 포착할 수 있다.
• 주의 사항: 이 모델은 지구의 화학을 기반으로 훈련되었으므로 지구 외 환경에 적용할 때는 그 결과를 신중하게 해석해야 한다. 비생물적 과정도 일부 조건에서는 생물학적 분포와 유사한 복잡한 유기 혼합물을 생성할 수 있으며, 퍼클로레이트(과염소산염)와 같은 행성 물질은 해석을 어렵게 만드는 방식으로 열분해 산물을 변형시킬 수 있다. 현실적인 비생물적 유사체에 대한 엄격한 블라인드 테스트와 직교적 방법(동위원소 비율, 광물 문맥, 현미경 관찰 등)을 통한 교차 검증이 필수적이다.
• 장비의 한계: 우주 비행을 위해 py-GC-MS를 소형화하는 것은 쉽지 않은 일이다. 비행용 장비는 서로 다른 가열 체계를 사용하고 제약된 환경에서 작동하므로 분해 산물의 패턴이 달라질 수 있다. 실험실에서 학습된 모델을 로버 데이터에 적용하려면 정밀한 보정과 해당 미션에 특화된 재학습이 필요할 것이다.

탐사 미션 전략의 변화

이 기술이 성숙하고 검증된다면 AI 지원 화학 분류기는 팀의 탐사 계획 방식을 바꿀 것이다. 주로 깨끗한 화석이나 좁게 정의된 바이오마커를 찾는 대신, 미션 설계자들은 분산된 통계적 스크리닝을 사용하여 더 넓은 지역에서 유망한 지층을 식별할 수 있다. 화성이나 해양 세계에서 이는 지구로 가져올 샘플을 더 빠르고 객관적으로 압축 선정하거나, 보완 장비를 사용한 정밀 후속 탐사를 수행하는 것을 의미할 수 있다.

신중하지만 낙관적인 다음 단계

과학자들은 이 새로운 도구가 결정적인 증거를 제시하기보다는 보완적인 역할을 한다고 강조한다. 즉, 외계 생명체의 존재를 즉석에서 선언하는 것이 아니라 추가 연구가 필요한 후보를 가려내는 것이다. 과학계는 AI가 지목한 결과를 증거로 인정하기 전에 독립적인 확인과 유사 환경에서의 엄격한 테스트를 요구할 것이다. 그럼에도 불구하고 이 기술은 파손되고 변형된 암석에 대해 던질 수 있는 질문의 범위를 넓혀주며, 미션 팀이 복잡한 지형에서 희소한 자원의 우선순위를 정할 수 있는 데이터 기반의 방법을 제공한다.

외계생물학의 핵심은 간단하다. 머신러닝과 고해상도 화학 분석의 결합이 고대 생명체를 탐지할 수 있는 지평을 넓히고, 그러한 능력을 현장 연구 및 로봇 탐사에 도입할 수 있는 실질적인 경로를 제공한다는 점이다. 이 접근 방식이 행성 탐사 미션의 가혹한 현실 속에서도 견고함을 입증한다면, 이전에는 접근 불가능하다고 생각했던 곳에서 보이지 않는 생물학적 패턴을 가시화함으로써 지구가 아닌 곳에서 생명체를 찾는 방식을 재정립할 수 있을 것이다.

James Lawson
Dark Matter의 과학 기술 전문 조사 기자. UCL 과학 커뮤니케이션 석사, 물리학 학사(BSc). 영국 거주.