Абсолютно нова технологія, застосована астробіологами та планетологами дослідницької організації Carnegie Science (США), допомогла розкрити найдавніші секрети Землі, а незабаром може бути апробована на інших планетах.
Використовуючи передові хімічні методи в поєднанні зі штучним інтелектом, науковці виявили свідчення стародавнього життя в земних породах віком 3,3 мільярда років. Вони сподіваються, що той самий підхід можна буде застосувати до зразків із Марсу або крижаних океанів, таких як Європа.
Дослідження, результати якого опублікувало видання PNAS, базувалося на аналізі понад 400 зразків стародавніх відкладень, скам’янілостей, сучасних рослин, тварин, грибів і навіть метеоритів.
Виявилось, що система, здатна відрізняти матеріал, залишений життям, від небіологічних зразків із точністю понад 90 відсотків.
«Цей приклад надихає, демонструючи, як сучасні технології можуть пролити світло на найдавнішу історію нашої планети та змінити підходи до пошуку стародавнього життя на Землі й інших планетах. Це новий потужний інструмент для астробіології», – зазначив доктор Майкл Вонг, співавтор дослідження.
Про що дізналися вчені?
Аби виявити слабкі хімічні сліди, що їх залишили древні організми, команда використовувала метод, відомий як піроліз-газова хроматографія-мас-спектрометрія. Потім виявлені складні хімічні патерни були проаналізовані для виявлення біосигнатур за допомогою моделі машинного навчання.
Доктор Роберт Хейзен, співавтор дослідження, розповів виданню BBC Science Focus, що ця технологія є таким собі «зсувом парадигми» в цій галузі, оскільки алгоритм не шукає конкретні молекули (наприклад, ДНК або ліпіди), які могли б бути доказом існування життя в минулому. Натомість він вивчає розподіл того, що є зараз.
«Уперше ми шукаємо лише функцію розподілу, – сказав він. – Це дає можливість застосовувати загальніші підходи під час дослідження зразків, що сильно деградували».
Найдавнішому виявленому сигналу біосигнатури – 3,3 мільярда років. Це майже вдвічі більше за попередній показник – 1,7 млрд років.
Зразок сланцю віком 3,5 мільярда років, використаний в аналізі
Команда також виявила молекулярні докази того, що фотосинтез з утворенням кисню відбувався щонайменше 2,5 мільярда років тому. Це подовжило хімічний літопис фотосинтезу на понад 800 мільйонів років.
Раніше вченим вдалося простежити виникнення життя 3,5 мільярда років тому, використовуючи два основні типи доказів: стародавні скельні структури, створені спільнотами мікробів, які росли в липких, шаруватих «килимах» і залишали по собі схожі на пагорби утворення – строматоліти, а також явні зміни у співвідношеннях ізотопів у гірських породах.
Однак зразки для такого аналізу є рідкісними. Новий підхід, заснований на машинному навчанні, допомагає уникнути необхідності в неушкоджених скам’янілостях або біомолекулах, що збереглися, та пропонує додаткову лінію доказів, яку можна застосувати до значно ширшого спектра гірських порід.
Новий підхід виходить за межі простого тесту «життя проти нежиття». Алгоритм уже спроможний відрізняти фотосинтезувальні організми від нефотосинтезувальних і навіть розділяти великі групи клітин, відомі як еукаріоти та прокаріоти.
Якщо доставка зразків з Марса виявиться надто дорогою, Хейзен вважає, що марсохід, оснащений набором інструментів, міг би застосувати той самий підхід машинного навчання безпосередньо на Червоній планеті. До речі, команда нещодавно отримала фінансування від NASA на розробку такого набору інструментів.
А поки що дослідники планують застосувати новий метод до зразків із пустель на Землі, подібних до марсіанських.
Автори попередили, що технологія поки що залишається доповненням до вже відомих методів. Але згодом вона може стати ключовим аналітичним інструментом як у земній, так і планетарній науці.
«Десятиліттями ми шукали сліди життя у стародавніх породах, використовуючи обмежений набір інструментів. А тепер машинне навчання допомагає нам виявляти біологічні сигнали, які були фактично невидимі. Це крок уперед у наших можливостях читати глибокий літопис життя Землі», – резюмував професор Ендрю Нолл, співавтор роботи.
Фото: Michael L. Wong
