Investigadores desarrollaron un marco de aprendizaje automático que distingue moléculas biológicas de las no biológicas, con aplicaciones en misiones planetarias actuales y futuras. Los hallazgos fueron publicados en PNAS Nexus.
Un reciente avance en el campo de la astrobiología ha permitido el desarrollo de un marco de aprendizaje automático capaz de distinguir entre moléculas producidas por procesos biológicos y aquellas formadas por procesos no biológicos. Esta innovación podría ser fundamental para el análisis de muestras que serán devueltas por misiones planetarias actuales y futuras. Los resultados de este estudio fueron publicados en la revista PNAS Nexus.
El equipo de investigación, liderado por José C. Aponte y Amirali Aghazadeh, analizó un total de ocho meteoritos carbonáceos y diez muestras geológicas terrestres utilizando técnicas avanzadas de cromatografía de gases bidimensional acopladas a espectrometría de masas de alta resolución. Este enfoque permitió a los autores desarrollar LifeTracer, un marco computacional que procesa datos de espectrometría de masas y aplica aprendizaje automático para identificar patrones que diferencian los orígenes abióticos de los bióticos.
El modelo de regresión logística entrenado en características a nivel de compuestos logró una precisión superior al 87% en la clasificación de muestras como meteóricas o terrestres. Durante el análisis, se identificaron 9,475 picos en las muestras de meteoritos y 9,070 en las muestras terrestres, encontrando diferencias estadísticamente significativas entre ambos tipos de muestras en cuanto a distribuciones de peso molecular y tiempos de retención.
Los compuestos orgánicos en las muestras de meteoritos mostraron tiempos de retención significativamente más bajos, lo que es consistente con una mayor volatilidad en los materiales formados abióticamente. El marco también identificó hidrocarburos aromáticos policíclicos y sus variantes alquiladas como características predictivas clave, destacando al naftaleno como el compuesto más predictivo para las muestras abióticas.
Según los autores, este enfoque permite una detección de biosignaturas escalable y sin sesgos, lo que podría convertirse en una herramienta poderosa para interpretar mezclas orgánicas complejas que serán devueltas por las misiones de recolección de muestras planetarias actuales y futuras.
Fuente: Cadena3.com
Comentarios recientes