Sztuczna inteligencja może zdefiniować na nowo poszukiwania życia pozaziemskiego

Nowa chemia oparta na uczeniu maszynowym rozszerza poszukiwania życia

Zespół naukowców zajmujących się planetologią i geochemików opublikował wyniki wykazujące, że sztuczna inteligencja wytrenowana na złożonych produktach rozpadu chemicznego potrafi wiarygodnie odróżnić materiał pochodzący niegdyś z żywych organizmów od materiału abiotycznego — nawet jeśli pierwotne biomolekuły dawno zanikły. Praca, opisana w Proceedings of the National Academy of Sciences, sugeruje nowy, potężny sposób odczytywania chemicznych „ech” pozostawionych przez dawne życie i stwarza perspektywę adaptacji tego podejścia do użytku na innych światach.

Jak działa ta metoda

Naukowcy wykorzystali pirolizę połączoną z chromatografią gazową i spektrometrią mas (py‑GC‑MS) do termicznego rozkładu skał i próbek organicznych, tworząc złożone mieszaniny małych fragmentów molekularnych. Te wzorce fragmentów — będące w istocie chemicznymi odciskami palców — wprowadzono do nadzorowanego modelu uczenia maszynowego, wytrenowanego na dużym, zróżnicowanym zestawie próbek, obejmującym współczesne rośliny i zwierzęta, starożytne skamieniałości, syntezy laboratoryjne oraz meteoryty. Model nauczył się rozpoznawać rozkłady fragmentów charakterystyczne dla procesów biologicznych, a nie pojedyncze cząsteczki czy biomarkery.

p>Wczesne wyniki uzyskane z ponad 400 przetestowanych okazów pokazują, że algorytm potrafi oddzielić próbki biotyczne od abiotycznych z bardzo wysoką dokładnością, osiągając ponad 90% skuteczności w wielu zadaniach klasyfikacyjnych. Wynik ten jest godny uwagi, ponieważ nie zależy on od znalezienia nienaruszonych lipidów, DNA czy oczywistych skamieniałości — cech, które rzadko zachowują się w skałach poddawanych wysokim temperaturom, ciśnieniu pod powierzchnią czy procesom chemicznym przez miliardy lat.

Dlaczego ma to znaczenie dla astrobiologii

Praktyczne implikacje są oczywiste: jeśli subtelne, zdegradowane wzorce chemiczne zachowują statystyczny ślad biologii na Ziemi, to to samo podejście statystyczne może ujawnić dowody dawnego życia na Marsie, lodowych księżycach lub w próbkach sprowadzonych z innych ciał niebieskich. Metoda ta jest celowo agnostyczna pod względem biochemii — szuka wzorców w rozkładach, a nie konkretnych współczesnych biomolekuł — co jest zaletą, gdy nie wiemy, jak pod względem chemicznym mogłoby wyglądać życie pozaziemskie.

Oparcie na wcześniejszych pracach nad biosygnaturami ML

Projekt ten bazuje na badaniach, które w ostatnich latach wykazały, że uczenie maszynowe może wykrywać statystyczne sygnały biologii w złożonych danych chemicznych. Poprzednie badanie pozwoliło opracować agnostyczny klasyfikator molekularnych biosygnatur oparty na ML, wykorzystujący zestawy danych py‑GC‑MS, i wykazało skuteczne rozróżnianie materiałów biotycznych od abiotycznych. Nowa praca skaluje tę ideę, wykorzystując znacznie większy zestaw próbek i biorąc na cel najstarsze, silnie przeobrażone skały.

Mocne strony techniczne i ważne zastrzeżenia

• Mocne strony: Podejście to wykorzystuje instrumenty i metody z historią lotów kosmicznych — spektrometry mas i techniki ulatniania termicznego pracowały już na marsjańskich łazikach — i dodaje zautomatyzowaną warstwę statystyczną, która może wskazać nietypową, przypominającą życie chemię nawet wtedy, gdy znane biomarkery zniknęły.
• Zastrzeżenia: Model jest wytrenowany na chemii ziemskiej, więc jego wyniki muszą być interpretowane ostrożnie w przypadku zastosowań poza Ziemią. Procesy abiotyczne mogą w niektórych warunkach wytwarzać złożone mieszaniny organiczne naśladujące rozkłady biologiczne, a materiały planetarne, takie jak nadchlorany, mogą zmieniać produkty pirolizy w sposób komplikujący interpretację. Niezbędne będą rygorystyczne ślepe testy na realistycznych analogach abiotycznych oraz walidacja krzyżowa z metodami ortogonalnymi (stosunki izotopowe, kontekst mineralny, mikroskopia).
• Ograniczenia instrumentalne: Miniaturyzacja urządzeń py‑GC‑MS na potrzeby lotów kosmicznych nie jest trywialna; instrumenty pokładowe stosują inne reżimy ogrzewania i działają w ograniczonych środowiskach, co może zmieniać wzorzec produktów rozkładu. Przeniesienie modeli wytrenowanych w laboratorium na dane z łazików będzie wymagało starannej kalibracji i prawdopodobnie dotrenowania pod kątem konkretnej misji.

Jak może to zmienić strategię misji

Jeśli klasyfikator chemiczny wspomagany przez AI zostanie dopracowany i zweryfikowany, zmieni on sposób planowania eksploracji przez zespoły badawcze. Zamiast szukać przede wszystkim nieskazitelnie zachowanych skamieniałości lub wąsko zdefiniowanych biomarkerów, planiści misji mogliby stosować rozproszone przesiewowe badania statystyczne w celu identyfikacji obiecujących warstw na większych obszarach. Na Marsie lub światach oceanicznych mogłoby to oznaczać szybszą, bardziej obiektywną selekcję próbek do sprowadzenia na Ziemię lub ukierunkowane badania uzupełniające za pomocą innych instrumentów.

Ostrożna, lecz optymistyczna kolejna faza

Naukowcy podkreślają, że nowe narzędzie ma charakter uzupełniający, a nie ostateczny: wskazuje kandydatów do dalszych badań, zamiast wydawać na miejscu werdykt o istnieniu pozaziemskiego życia. Społeczność naukowa będzie wymagać niezależnego potwierdzenia i rygorystycznych testów w środowiskach analogicznych, zanim uzna wynik wskazany przez AI za dowód. Niemniej jednak technika ta rozszerza zakres pytań, jakie możemy zadawać rozbitym, zmienionym skałom — i daje zespołom misji oparty na danych sposób na priorytetyzację ograniczonych zasobów w złożonym terenie.

Dla astrobiologii główny przekaz jest prosty: uczenie maszynowe plus wysokorozdzielcza analiza chemiczna poszerza okno możliwości wykrywania dawnego życia i zapewnia praktyczną drogę do wprowadzenia tej zdolności do badań terenowych i eksploracji robotycznej. Jeśli podejście to okaże się solidne w surowej rzeczywistości misji planetarnych, może zmienić sposób, w jaki szukamy życia poza Ziemią — nie poprzez obietnicę natychmiastowych odpowiedzi, ale czyniąc niewidzialne wzorce biologii widocznymi w miejscach, które wcześniej uważaliśmy za nieosiągalne.

James Lawson
Reporter śledczy ds. nauki i technologii, Dark Matter. MSc Science Communication, BSc Physics (UCL). Mieszka w Wielkiej Brytanii.