新的机器学习化学分析方法拓宽了寻找生命的范围
一组行星科学家和地球化学家发表的研究结果显示，经过复杂化学分解产物训练的人工智能，能够可靠地将曾经来自生物体的物质与非生物物质区分开来——即使原始生物分子早已消失。这项发表在《Proceedings of the National Academy of Sciences》上的研究提出了一种强大的新方法，可以读取古代生命留下的化学“回响”，并增加了将该方法应用于其他星球的前景。
这种方法是如何工作的
研究人员使用热解-气相色谱-mass spectrometry (py‑GC‑MS) 对岩石和有机样本进行热分解，产生复杂的小分子碎片混合物。这些碎片模式——本质上是化学指纹——被输入到一个监督式机器学习模型中，该模型在包括现代动植物、古代化石、实验室合成物和陨石在内的大量多样化样本集上进行了训练。该模型学会了识别生物作用特征性的碎片分布，而不是寻找任何单一分子或生物标志物。
对 400 多个测试标本的早期结果显示，该算法能以极高的准确率区分生物与非生物样本，在许多分类任务中的成功率超过 90%。这一表现非常显著，因为它不依赖于发现完整的脂质、DNA 或明显的化石——这些特征在经过数十亿年的加热、埋藏或化学改造后的岩石中极难保存。
为什么这对astrobiology很重要
其现实意义非常明确：如果细微、退化的化学模式在地球上保留了生物学的统计痕迹，那么同样的统计方法也可能揭示火星、冰冷卫星或从其他天体返回的样本中过去存在的生命证据。该方法有意对生物化学保持“不可知性”——它寻找的是分布模式而非特定的现代生物分子——当我们在不知道外星生命的化学组成是什么样的情况下，这具有明显优势。
基于早期的机器学习生物特征研究
该项目建立在一系列研究基础之上，这些研究近年来表明，machine learning可以检测复杂化学数据中生物学的统计信号。此前的一项研究利用 py‑GC‑MS 数据集开发了一种不依赖特定化学成分的、基于机器学习的分子生物特征分类器，并证明了其在区分生物和非生物物质方面的强大能力。这项新工作通过更大的样本集，并明确针对最古老、经过剧烈改造的岩石，扩大了这一构想的规模。
技术优势与重要警告
- 优势： 该方法利用了具有航天应用史的仪器和方法——质谱仪和热挥发技术已经搭载在火星车上运行——并增加了一个自动化的统计层，即使已知的生物标志物消失，也能识别出异常的、类似生命的化学特征。
- 警告： 该模型是基于地球化学训练的，因此在地球外应用时必须谨慎解释其输出。在某些条件下，非生物过程产生的复杂有机混合物可能会模仿生物分布，而火星等地的物质（如高氯酸盐）可能会改变热解产物，从而使解释变得复杂。针对真实的非生物模拟物进行严格的双盲测试，并利用正交方法（同位素比率、矿物环境、显微镜检查）进行交叉验证至关重要。
- 仪器限制： 将 py‑GC‑MS 小型化以用于太空飞行并非易事；飞行仪器使用不同的加热机制并在受限的环境中运行，这可能会改变分解产物的模式。将实验室训练的模型转化为探测车数据需要仔细的校准，并可能需要针对特定任务进行重新训练。
这将如何改变任务策略
如果该技术成熟并得到验证，人工智能辅助的化学分类器将改变团队规划勘探的方式。任务规划者将不再主要寻找保存完好的化石或狭义定义的生物标志物，而是可以利用分布式、统计化的筛选方法，在更大范围内识别有前景的地层。在火星或海洋世界，这意味着能更快、更客观地筛选出返回地球的样本，或使用辅助仪器进行有针对性的后续研究。
谨慎但乐观的下一阶段
科学家强调，这一新工具是补充性的而非决定性的：它只是提出了待进一步研究的候选目标，而不是当场宣布发现外星生命。在将人工智能标记的结果视为证据之前，科学界将要求在模拟环境中进行独立确认和严格测试。尽管如此，这项技术扩展了我们可以对破碎、蚀变的岩石提出的问题类型——并为任务团队在复杂地形中优先分配稀缺资源提供了一种数据驱动的方法。
对于astrobiology来说，核心信息很简单：machine learning加上高分辨率化学分析拓宽了探测古代生命的窗口，并为将这种能力引入野外工作和机器人探测提供了一条切实的途径。如果这种方法在严酷的行星任务现实中被证明是可靠的，它可能会重塑我们寻找地外生命的方式——不是通过承诺瞬间得到答案，而是在我们以前认为无法触及的地方，让隐形的生物学模式变得可见。
James Lawson
调查性科技记者，Dark Matter。物理学学士 (UCL)，科学传播硕士。驻英国。
Comments
No comments yet. Be the first!