一种机器学习方法用于早期地球和火星的生物签名探索,使用硫同位素和Pyrite中的微量元素数据

科学领域:

• 地质化学 地质化学
• 矿物学是什么?矿物学是什么?
• 天体生物学 天体生物学

背景情况:

• 石是一种常见的矿物质,其来源多样化,使其识别具有挑战性.
• 区分生物影响的沉积式矿对于理解早期地球生命和寻找外星生物标志至关重要.

研究的目的:

• 开发一种新的,数据驱动的方法来识别矿粒的来源.
• 为了区分生物影响的沉积式矿与其他形成类型.

主要方法:

• 在pyrite粒的相结合的in situ硫同位素 (δ34S) 和微量元素 (TE) 分析.
• 无监督 (K-means++) 和监督 (随机森林,天真贝叶斯,k-NN) 机器学习算法的应用.
• 使用精度和平均类准确度指标验证模型性能.

主要成果:

• 无监督的聚类确定了六个不同的金石形成环境.
• 随机森林模型在预测矿形成类型方面取得了高精度 (0.979 ± 0.005 AUC,0.878 ± 0.005 整体精度).
• 与单独使用任何数据集相比,合 δ³⁴S 和 TE 数据显著提高了模型性能.

结论:

• 开发的框架提供了一个强大的方法来分析复杂的地质设置中的pyrite.
• 这种方法有效地区分了生物的与非生物的矿,特别是在地球早期的样本.
• 该方法有可能在外星样本中识别生物签名,例如来自火星的样本.