AI kan omdefiniera sökandet efter utomjordiskt liv

Ny kemi baserad på maskininlärning vidgar jakten på liv

Ett team av planetforskare och geokemister har publicerat resultat som visar att en artificiell intelligens, tränad på komplexa kemiska nedbrytningsprodukter, tillförlitligt kan skilja material som en gång kommit från levande organismer från abiotiskt material – även när de ursprungliga biomolekylerna för länge sedan är borta. Arbetet, som rapporterats i Proceedings of the National Academy of Sciences, föreslår ett kraftfullt nytt sätt att läsa de kemiska "ekon" som lämnats kvar av forntida liv och öppnar möjligheten att anpassa metoden för användning på andra världar.

Så fungerar metoden

Forskarna använde pyrolys–gaskromatografi–masspektrometri (py‑GC‑MS) för att termiskt bryta isär sten- och organiska prover och producera komplexa blandningar av små molekylära fragment. Dessa fragmentmönster – i huvudsak kemiska fingeravtryck – matades in i en övervakad maskininlärningsmodell tränad på en stor och varierad uppsättning prover, inklusive moderna växter och djur, forntida fossil, laboratoriesynteser och meteoriter. Modellen lärde sig att känna igen fördelningar av fragment som är karakteristiska för biologisk bearbetning snarare än för någon enskild molekyl eller biomarkör.

Tidiga resultat från mer än 400 testade prover visar att algoritmen kan skilja biotiska från abiotiska prover med mycket hög noggrannhet, med över 90 % framgång i många klassificeringsuppgifter. Denna prestation är anmärkningsvärd eftersom den inte beror på att hitta intakta lipider, DNA eller tydliga fossil – egenskaper som sällan bevaras när stenar har hettats upp, begravts eller förändrats kemiskt under miljarder år.

Därför är detta viktigt för astrobiologi

Den praktiska innebörden är tydlig: om subtila, nedbrutna kemiska mönster behåller ett statistiskt spår av biologi på jorden, då skulle samma statistiska tillvägagångssätt kunna avslöja bevis på tidigare liv på Mars, isiga månar eller i prover som hämtats från andra himlakroppar. Metoden är avsiktligt agnostisk gällande biokemi – den söker mönster i fördelningar snarare än specifika moderna biomolekyler – vilket är en fördel när vi inte vet hur utomjordiskt liv skulle se ut kemiskt.

Bygger på tidigare arbete med biosignaturer och maskininlärning

Detta projekt bygger på en forskningsinsats som under senare år visat att maskininlärning kan upptäcka statistiska signaler från biologi i komplexa kemiska data. En tidigare studie utvecklade en agnostisk, ML-baserad klassificerare för molekylära biosignaturer med hjälp av py-GC-MS-dataset och demonstrerade en robust förmåga att skilja mellan biotiska och abiotiska material. Det nya arbetet skalar upp den idén med en betydligt större provmängd och med ett uttalat fokus på de äldsta, kraftigt förändrade bergarterna.

Tekniska styrkor och viktiga förbehåll

• Styrkor: Metoden utnyttjar instrument och metoder med "flight heritage" – masspektrometrar och tekniker för termisk förgasning har redan flugits på Mars-rovers – och lägger till ett automatiserat statistiskt lager som kan flagga för ovanlig, livsliknande kemi även när kända biomarkörer är borta.
• Förbehåll: Modellen är tränad på jordbaserad kemi, så dess resultat måste tolkas med försiktighet när de tillämpas utanför jorden. Abiotiska processer kan under vissa förhållanden producera komplexa organiska blandningar som efterliknar biologiska fördelningar, och planetära material som perklorater kan förändra pyrolysprodukter på sätt som försvårar tolkningen. Rigorösa blindtester mot realistiska abiotiska analoger och korsvalidering med ortogonala metoder (isotopförhållanden, mineralogiskt sammanhang, mikroskopi) kommer att vara nödvändiga.
• Instrumentella begränsningar: Att miniatyrisera py-GC-MS för rymdfärder är förenat med utmaningar; instrument på rymdfarkoster använder andra uppvärmningsregimer och arbetar i begränsade miljöer, vilket kan förändra mönstret för nedbrytningsprodukter. Att överföra laboratorietränade modeller till data från rovers kommer att kräva noggrann kalibrering och sannolikt uppdragsspecifik omträning.

Hur detta kan förändra strategin för rymdfärder

Om den vidareutvecklas och valideras skulle en AI-assisterad kemisk klassificerare förändra hur team planerar utforskning. Istället för att främst söka efter orörda fossil eller snävt definierade biomarkörer, skulle uppdragsplanerare kunna använda distribuerad, statistisk screening för att identifiera lovande skikt över större områden. På Mars eller i oceanvärldar kan det innebära ett snabbare och mer objektivt urval av prover för retur till jorden eller riktad uppföljning med kompletterande instrument.

En försiktig men optimistisk nästa fas

Forskare betonar att det nya verktyget är ett komplement snarare än definitivt: det tar fram kandidater för vidare studier snarare än att utfärda en omedelbar deklaration om utomjordiskt liv. Forskarsamhället kommer att kräva oberoende bekräftelse och rigorösa tester i analoga miljöer innan ett AI-flagga resultat behandlas som bevis. Icke desto mindre utökar tekniken de typer av frågor vi kan ställa till trasiga, förändrade stenar – och det ger uppdragsteam ett datadrivet sätt att prioritera knappa resurser i komplex terräng.

För astrobiologi är huvudbudskapet enkelt: maskininlärning plus högupplöst kemisk analys vidgar fönstret för att upptäcka forntida liv och erbjuder en praktisk väg att föra in den förmågan i fältarbete och robotutforskning. Om metoden visar sig vara robust i den hårda verkligheten under planetära uppdrag, kan den omforma hur vi letar efter liv bortom jorden – inte genom att lova omedelbara svar, utan genom att göra biologins osynliga mönster synliga på platser vi tidigare trodde var oåtkomliga.

James Lawson
Undersökande vetenskaps- och teknikreporter, Dark Matter. MSc Science Communication, BSc Physics (UCL). Baserad i Storbritannien.