Платформа машинного обучения способна отличать молекулы, образованные в результате биологических процессов, от молекул, сформированных неорганическими путями. Её можно использовать для анализа образцов, которые будут возвращены нынешними и будущими миссиями по исследованию планет. Результаты исследования опубликованы в журнале PNAS Nexus.
Хосе К. Апонт, Амирали Агазаде и их коллеги проанализировали восемь углеродистых метеоритов и десять земных геологических образцов с помощью двумерной газовой хроматографии в сочетании с масс-спектрометрией высокого разрешения с временным разрешением.
Используя эти данные, авторы разработали LifeTracer — вычислительную систему, которая обрабатывает данные масс-спектрометрии и применяет машинное обучение для выявления закономерностей, отличающих абиотические процессы от биотических. Модель логистической регрессии, обученная на характеристиках уровня соединений, достигла точности более 87% в классификации образцов как метеоритных или земных.
Анализ выявил 9 475 пиков в образцах метеоритов и 9 070 в земных образцах. Были обнаружены статистически значимые различия между двумя типами образцов в распределении молекулярных масс и времени удерживания, которое описывает, сколько времени требуется соединению для прохождения через две колонки хроматографа. Органические соединения в образцах метеоритов показали значительно меньшее время удерживания, что согласуется с более высокой летучестью абиотически образованных материалов.
Платформа определила полициклические ароматические углеводороды и их алкилированные варианты в качестве ключевых прогностических признаков, а нафталин оказался наиболее прогностическим соединением для абиотических образцов. По словам авторов, этот подход обеспечивает масштабируемое и объективное обнаружение биосигнатур и может стать мощным инструментом для интерпретации сложных органических смесей, которые будут возвращены нынешними и будущими миссиями по возврату образцов с планет.
Предоставлено PNAS Nexus
Больше из раздела Astronomy and Astrophysics