Bir makine öğrenimi çerçevesi, biyolojik süreçlerle oluşturulan molekülleri, biyolojik olmayan süreçlerle oluşanlardan ayırt edebilir ve mevcut ve gelecekteki gezegen misyonları tarafından döndürülen örnekleri analiz etmek için kullanılabilir. Bulgular dergide yayınlandı PNAS Bağlantı Noktası.
José C. Aponte, Amirali Aghazadeh ve meslektaşları, iki boyutlu gaz kromatografisi ve yüksek çözünürlüklü uçuş süresi kütle spektrometrisini kullanarak sekiz karbonlu göktaşı ve on karasal jeolojik örneği analiz etti.
Yazarlar, bu verileri kullanarak, kütle spektrometresi verilerini işleyen ve abiyotiği biyotik kökenlerden ayıran kalıpları belirlemek için makine öğrenimini uygulayan hesaplamalı bir çerçeve olan LifeTracer’ı geliştirdi. Bileşik düzeyindeki özellikler üzerinde eğitilmiş bir lojistik regresyon modeli, örnekleri meteorit veya karasal olarak sınıflandırmada %87’nin üzerinde doğruluk elde etti.
Analiz, göktaşı örneklerinde 9.475 ve karasal örneklerde 9.070 pik tespit etti; moleküler ağırlık dağılımları ve alıkonma süreleri açısından iki örnek türü arasında istatistiksel olarak anlamlı farklılıklar vardı; bu, bileşiğin kromatografın iki sütunu boyunca hareket etmesinin ne kadar sürdüğünü açıklıyor. Göktaşı numunelerindeki organik bileşikler, abiyotik olarak oluşturulmuş malzemelerdeki daha yüksek uçuculukla tutarlı olarak, önemli ölçüde daha düşük alıkonma süreleri gösterdi.
Çerçeve, polisiklik aromatik hidrokarbonları ve alkile edilmiş varyantları temel öngörücü özellikler olarak tanımladı; naftalin, abiyotik numuneler için en öngörücü bileşik olarak ortaya çıktı. Yazarlara göre bu yaklaşım, ölçeklenebilir, tarafsız biyolojik imza tespitini mümkün kılıyor ve mevcut ve gelecekteki gezegensel örnek iade misyonları tarafından döndürülecek karmaşık organik karışımları yorumlamak için güçlü bir araç olabilir.
