ИИ может радикально изменить поиск внеземной жизни

Новые методы химии на базе машинного обучения расширяют возможности поиска жизни

Команда планетологов и геохимиков опубликовала результаты исследования, показывающие, что искусственный интеллект, обученный на продуктах сложного химического распада, может надежно отличать материал, некогда происходивший из живых организмов, от абиотического материала — даже если исходные биомолекулы давно исчезли. Работа, опубликованная в журнале Proceedings of the National Academy of Sciences, предлагает мощный новый способ считывания химического «эха», оставленного древней жизнью, и открывает перспективы адаптации этого подхода для использования в других мирах.

Как работает метод

Исследователи использовали пиролитическую газово-хромато-масс-спектрометрию (пир-ГХ-МС) для термического разложения горных пород и органических образцов на сложные смеси мелких молекулярных фрагментов. Эти паттерны фрагментов — по сути, химические отпечатки пальцев — вводились в модель машинного обучения с учителем, обученную на большом и разнообразном наборе образцов, включая современные растения и животных, древние окаменелости, лабораторные синтетические соединения и метеориты. Модель научилась распознавать распределение фрагментов, характерное для биологической переработки, а не ориентироваться на какую-то одну молекулу или биомаркер.

Первые результаты тестирования более чем 400 образцов показывают, что алгоритм может отделять биотические образцы от абиотических с очень высокой точностью, демонстрируя более 90% успеха во многих задачах классификации. Эти показатели примечательны тем, что они не зависят от обнаружения неповрежденных липидов, ДНК или очевидных окаменелостей — признаков, которые редко сохраняются, когда горные породы подвергались нагреву, захоронению или химическим изменениям на протяжении миллиардов лет.

Почему это важно для astrobiology

Практическое значение очевидно: если тонкие, деградировавшие химические паттерны сохраняют статистический след биологии на Земле, то тот же статистический подход может выявить следы прошлой жизни на Марсе, ледяных спутниках или в образцах, доставленных с других небесных тел. Метод намеренно агностичен по отношению к биохимии — он ищет закономерности в распределении, а не конкретные современные биомолекулы — что является преимуществом, когда мы не знаем, как инопланетная жизнь может выглядеть с химической точки зрения.

Основано на предыдущих работах по биосигнатурам и машинному обучению

Этот проект опирается на ряд исследований, которые за последние годы показали, что machine learning может обнаруживать статистические сигналы биологии в сложных химических данных. В предыдущем исследовании был разработан агностический классификатор молекулярных биосигнатур на основе машинного обучения с использованием наборов данных пир-ГХ-МС, который продемонстрировал надежное разграничение между биотическими и абиотическими материалами. Новая работа масштабирует эту идею с гораздо большим набором образцов и явным акцентом на древнейшие, сильно измененные породы.

Технические сильные стороны и важные нюансы

• Сильные стороны: Этот подход задействует приборы и методы, имеющие «летную историю» — масс-спектрометры и методы термической волатилизации уже использовались на марсоходах — и добавляет автоматизированный статистический уровень, который может пометить необычную, похожую на жизнь химию, даже когда известные биомаркеры исчезли.
• Нюансы: Модель обучена на земной химии, поэтому ее результаты следует интерпретировать осторожно при применении за пределами Земли. Абиотические процессы могут создавать сложные органические смеси, имитирующие биологические распределения в определенных условиях, а планетарные материалы, такие как перхлораты, могут изменять продукты пиролиза так, что это затруднит интерпретацию. Необходимы строгие слепые тесты на реалистичных абиотических аналогах и перекрестная проверка с помощью ортогональных методов (изотопный состав, минеральный контекст, микроскопия).
• Инструментальные ограничения: Миниатюризация пир-ГХ-МС для космических полетов — нетривиальная задача; приборы для полетов используют другие режимы нагрева и работают в ограниченных условиях, что может изменить характер продуктов разложения. Перенос моделей, обученных в лаборатории, на данные марсоходов потребует тщательной калибровки и, вероятно, переобучения под конкретную миссию.

Как это может изменить стратегию миссий

В случае доработки и валидации химический классификатор с поддержкой ИИ изменит то, как команды планируют исследования. Вместо того чтобы искать в первую очередь нетронутые окаменелости или узко определенные биомаркеры, планировщики миссий смогут использовать распределенный статистический скрининг для выявления перспективных пластов на больших территориях. На Марсе или в океанических мирах это может означать более быстрый и объективный отбор образцов для возвращения на Землю или прицельного дообследования с помощью дополнительных приборов.

Осторожный, но оптимистичный следующий этап

Ученые подчеркивают, что новый инструмент является скорее дополняющим, чем окончательным: он выявляет кандидатов для дальнейшего изучения, а не выносит мгновенный вердикт о наличии инопланетной жизни. Сообщество потребует независимого подтверждения и строгих испытаний в аналогичных средах, прежде чем рассматривать результат, отмеченный ИИ, как доказательство. Тем не менее, эта техника расширяет круг вопросов, которые мы можем задать разрушенным, измененным породам, и дает командам миссий основанный на данных способ расстановки приоритетов при использовании ограниченных ресурсов в сложных условиях.

Для astrobiology главный вывод прост: machine learning в сочетании с химическим анализом высокого разрешения расширяет окно для обнаружения древней жизни и предлагает практический путь для внедрения этой возможности в полевые исследования и робототехнические экспедиции. Если этот подход окажется надежным в суровых реалиях планетарных миссий, он может изменить то, как мы ищем жизнь за пределами Земли — не обещая мгновенных ответов, но делая невидимые паттерны биологии видимыми там, где мы раньше считали это невозможным.

James Lawson
Investigative science and technology reporter, Dark Matter. MSc Science Communication, BSc Physics (UCL). Based in the United Kingdom.