Cientistas desenvolveram um método pioneiro baseado em inteligência artificial para detectar sinais de vida em outros planetas. Este método, com até 90% de precisão, distingue entre amostras biológicas e não biológicas através da análise de padrões moleculares. Promete revolucionar a exploração espacial e a nossa compreensão das origens da vida, com aplicações potenciais em vários campos, incluindo biologia e arqueologia.

“O Santo Graal da Astrobiologia” – Novo Aprendizado de máquina Esta tecnologia pode determinar se uma amostra é de origem biológica ou não biológica em 90%. Precisão.

Os cientistas descobriram um teste simples e confiável para sinais de vida passada ou presente em outros planetas – o “Santo Graal da astrobiologia”.

Em artigo publicado recentemente na revista Anais da Academia Nacional de CiênciasÉ uma equipe de sete membros, financiada pela Fundação John Templeton e liderada por Jim Cleaves e Robert Hazen da Fundação John Templeton. Instituição Carnegie para a CiênciaOs relatórios indicam que o seu método baseado em IA, com até 90% de precisão, distinguiu amostras biológicas modernas e antigas daquelas de origem não biológica.

Uma revolução na exploração espacial e nas ciências da Terra

“Este método analítico de rotina tem o potencial de revolucionar a procura de vida extraterrestre e aprofundar a nossa compreensão da origem e da química da vida primitiva na Terra”, diz o Dr. “Isso abre caminho para o uso de sensores inteligentes em espaçonaves robóticas, sondas e rovers para procurar sinais de vida antes que as amostras retornem à Terra.”

Mais imediatamente, o novo teste poderá revelar a história de misteriosas rochas antigas na Terra, e talvez a história de amostras já recolhidas por cientistas. Marte Instrumento de análise de amostras do Curiosity em Marte (SAM). Os últimos testes poderiam ser realizados usando um instrumento analítico a bordo chamado SAM (Sample Analysis on Mars).

Esta imagem tirada pelo rover Perseverance da NASA em 6 de agosto de 2021 mostra o buraco perfurado em uma rocha marciana em preparação para a primeira tentativa do rover de coletar uma amostra. Esta imagem foi capturada por uma das câmeras de perigo do rover no que a equipe científica do rover chamou de “rocha de pavimentação” na área “Crater Floor Fractured Rough” da cratera de Jezero. Fonte da imagem: NASA/JPL-Caltech

“Teremos de modificar o nosso método para se adequar aos protocolos SAM, mas é possível que já tenhamos dados para determinar se existem moléculas da biosfera orgânica marciana em Marte.”

Principais conclusões da nova pesquisa

“A busca por vida extraterrestre continua sendo um dos empreendimentos mais emocionantes da ciência moderna”, diz o autor principal Jim Cleaves, do Laboratório Terrestre e Planetário da Carnegie Institution for Science, em Washington, D.C.

“As implicações desta nova investigação são muitas, mas há três pontos principais a concluir: primeiro, a um nível profundo, a bioquímica é diferente da química orgânica abiótica; segundo, podemos olhar para amostras antigas de Marte e da Terra para ver se foram vivo em Um dia; terceiro, este novo método provavelmente será capaz de distinguir entre biosferas alternativas e aquelas na Terra, com grandes implicações para futuras tarefas de astrobiologia.

O papel da inteligência artificial na distinção entre amostras biológicas e não biológicas

O método analítico inovador não depende apenas da identificação de uma molécula específica ou grupo de compostos na amostra.

Em vez disso, os pesquisadores demonstraram que a IA pode distinguir entre amostras biológicas e abióticas, detectando diferenças sutis nos padrões moleculares de uma amostra, conforme revelado pela cromatografia gasosa de pirólise (que separa e identifica as partes componentes de uma amostra), seguida por espectrometria de massa (que determina o pesos moleculares). desses componentes).

Grandes dados multidimensionais de análises moleculares de 134 amostras ricas em carbono abiótico ou biótico foram usados ​​para treinar a inteligência artificial para prever a origem da nova amostra. Com aproximadamente 90% de precisão, a IA identificou com sucesso amostras originadas de:

• Organismos vivos, como conchas modernas, dentes, ossos, insetos, folhas de árvores, arroz, cabelo humano e células preservadas em rochas de granulação fina
• Restos de vida antiga que foram alterados por processamento geológico (como carvão, petróleo, âmbar e fósseis ricos em carbono), ou
• Amostras de origem não biológica, tais como produtos químicos puros de laboratório (por ex. Aminoácidos) e meteoritos ricos em carbono.

Os autores acrescentam que até agora tem sido difícil determinar as origens de muitas amostras antigas contendo carbono, porque coleções de moléculas orgânicas, sejam elas bióticas ou abióticas, tendem a decompor-se com o tempo.

Surpreendentemente, apesar da deterioração e mudança significativas, o novo método analítico revelou marcadores biológicos preservados, em alguns casos, ao longo de centenas de milhões de anos.

Decifrando a química da vida e o potencial para descobertas futuras

“Começamos com a ideia de que a química da vida é fundamentalmente diferente da química do mundo inanimado”, diz o Dr. Que existem “regras químicas da vida” que influenciam a diversidade e distribuição das biomoléculas. Se pudermos deduzir essas regras, poderemos usá-las para orientar os nossos esforços para modelar as origens da vida ou detectar sinais subtis de vida noutros mundos.

“Esses resultados significam que poderemos encontrar uma forma de vida em outro planeta, ou em outra biosfera, mesmo que seja muito diferente da vida que conhecemos na Terra. E se encontrarmos sinais de vida em outro lugar, poderemos encontrar descobrir se existe vida na Terra e em outros planetas.” Outros derivam de uma origem comum ou diferente.

Em outras palavras, o método deverá ser capaz de detectar a bioquímica alienígena, bem como a vida na Terra. Isto é importante porque é relativamente fácil descobrir biomarcadores moleculares de vida na Terra, mas não podemos presumir que vida alienígena seria usada ADNAminoácidos, etc. Nosso método procura padrões nas distribuições moleculares que surgem da necessidade da vida por moléculas “funcionais”.

“O que realmente nos surpreendeu foi que treinamos nosso modelo de aprendizado de máquina para prever apenas dois tipos de espécimes – bióticos ou abióticos – mas o método detectou três grupos distintos: abióticos, bióticos e fossilíferos. Em outras palavras, ele poderia identificar espécimes biológicos mais recentes do que espécimes fossilíferos.” Um fóssil, por exemplo, uma folha ou vegetal recém colhido, versus algo que morreu há muito tempo. Esta descoberta surpreendente nos dá otimismo de que outras características, como a vida fotossintética ou os eucariotos (células com núcleo), possam ser reconhecido.

As capacidades analíticas da inteligência artificial na detecção de padrões complexos

Para explicar o papel da IA, o coautor Anirudh Prabhu, do Carnegie Institution for Science, usa a ideia de separar moedas usando diferentes atributos — valor monetário, metal, ano, peso ou raio, por exemplo — e depois vai além para encontre combinações Recursos que criam separações e montagens mais precisas. “E quando se trata de centenas desses atributos, os algoritmos de IA são inestimáveis ​​para coletar informações e criar insights altamente precisos.”

“Do ponto de vista químico, as diferenças entre amostras biológicas e abióticas estão relacionadas a coisas como solubilidade em água, pesos moleculares, volatilidade, etc.”, acrescenta o Dr.

“A maneira mais simples de pensar sobre isso é que a célula tem uma membrana e um interior chamado citosol; A membrana é um tanto insolúvel em água, enquanto o conteúdo celular é um tanto solúvel em água. Este arranjo mantém a montagem da membrana enquanto tenta minimizar o contato de seus componentes com a água e também evita que “componentes internos” vazem através da membrana.

“Os componentes intrínsecos também podem permanecer solúveis em água, apesar de serem moléculas muito grandes, como cromossomos e proteínas”, diz ele.

“Então, se decompormos uma célula ou tecido vivo em seus componentes, obteremos uma mistura de moléculas muito solúveis em água e moléculas muito insolúveis em água espalhadas por uma ampla gama. Coisas como o petróleo e o carvão perderam a maior parte de sua água- material solúvel ao longo de sua longa história.

“As amostras biológicas podem ter distribuições únicas neste espectro em relação umas às outras, mas também diferem das distribuições biológicas.”

Apex Chert de 3,5 bilhões de anos, da natureza selvagem da Austrália Ocidental. Crédito: Laboratório Carnegie para Ciências da Terra e Planetárias

Esta tecnologia poderá em breve resolver uma série de mistérios científicos na Terra, incluindo a origem dos depósitos negros de 3,5 mil milhões de anos na Austrália Ocidental – rochas altamente controversas que alguns investigadores afirmam conter os micróbios fósseis mais antigos da Terra, enquanto outros afirmam que são desprovidos. da vida. Sinais.

Outras amostras de rochas antigas no norte do Canadá, África do Sul e China levantam discussões semelhantes.

“Estamos agora a aplicar os nossos métodos para responder a estas questões de longa data sobre a biogénese da matéria orgânica encontrada nestas rochas”, diz Hazen.

Novas ideias sobre as contribuições potenciais desta nova abordagem foram aplicadas em outros campos, como biologia, paleontologia e arqueologia.

“Se a inteligência artificial puder distinguir facilmente entre vida biótica e não biótica, bem como entre vida moderna e vida antiga, que outros insights poderíamos obter? Por exemplo, poderíamos saber se uma célula fóssil antiga tinha um núcleo ou estava realizando um processo Fotossíntese?, diz o Dr. Hazen.

“É possível analisar restos carbonizados e distinguir diferentes tipos de madeira de um sítio arqueológico? É como se estivéssemos mergulhando os pés nas águas de um vasto oceano de possibilidades.”

Referência: “Bioassinatura molecular robusta e não específica baseada em aprendizado de máquina” por H. James Cleaves, Jericht Hystad, Anirudh Prabhu e Michael L. Wong e George D. Cody, Sophia Economon e Robert M. Hazen, 25 de setembro de 2023, Anais da Academia Nacional de Ciências.
doi: 10.1073/pnas.2307149120

O estudo foi financiado pela Fundação John Templeton.