زندگی چگونه آغاز شد؟

                              

چگونگی آغاز زندگی یکی از بزرگترین و دشوارترین سؤالات علم است. تنها چیزی که می دانیم این است که بیش از 3.5 میلیارد سال پیش روی زمین اتفاق افتاده است و ممکن است در بسیاری از جهان های دیگر در کیهان اتفاق افتاده باشد.

اما ما نمی دانیم چه کار می کند. به نوعی یک سوپ از مواد شیمیایی غیر زنده مانند آب و متان باید ترکیب شود و خود سازماندهی شود، پیچیده تر و هماهنگ تر شود تا در نهایت یک سلول زنده تشکیل شود. محیط اولیه زمین نیز باید پیچیده بوده باشد: بسیاری از مواد شیمیایی مختلف، از فلزات و مواد معدنی گرفته تا آب و گازها، که همگی توسط بادها و فوران‌های آتشفشانی منفجر شده‌اند.

اکنون چندین محقق از هوش مصنوعی در موقعیت برد-برد استفاده می کنند. امید این است که ابزارهای یادگیری ماشینی به محققان کمک کنند تا در طول سال ها به چیزی دست یابند که در غیر این صورت ده ها سال طول می کشد، و به ما کمک کنند تا یک نظریه جهانی درباره منشاء حیات، نظریه ای که فقط روی زمین نیست، ابداع کنیم. . بلکه در هر دنیای دیگری استفاده می شود.

 

کاربرد آن چیست؟

همه کسانی که برای این داستان با آنها تماس گرفته   از یادگیری ماشینی و سایر ابزارهای هوش مصنوعی در تحقیق در مورد منشأ زندگی در مراحل اولیه است. برخی از تبلیغ‌کنندگان با این رویکرد بیش از حد محتاط هستند.

والنتینا اراستووا، دانشمند محاسباتی در دانشگاه ادینبورگ، می‌گوید: «این نمی‌تواند چیز جدیدی به ما بگوید، زیرا می‌داند چه می‌داند. او می‌گوید ابزارهای یادگیری ماشینی تنها پس از دریافت داده‌های با کیفیت بالا می‌توانند پیش‌بینی‌های دقیق انجام دهند. آی تی."

آنچه واضح است این است که ابزارهای نوع هوش مصنوعی می توانند یک کار دشوار را سرعت بخشند. به عنوان مثال، در سال 2018، تیم کرونین روباتی را توصیف کرد که می‌توانست آزمایش‌ها و تجزیه و تحلیل‌های شیمیایی را سریع‌تر از انسان انجام دهد. از یادگیری ماشین برای ارزیابی پیشرفت واکنش‌ها در زمان واقعی و پیش‌بینی اینکه کدام مخلوط‌ها واکنش نشان می‌دهند و نمی‌کنند، استفاده کرد. کرونین قبلاً سال‌ها را صرف دیجیتالی کردن شیمی کرده است: او قصد دارد از این سیستم‌ها برای انجام آزمایش‌هایی در شیمی پری بیوتیک و کشف مسیرهای تشکیل حیات استفاده کند. او میخواهد که   بسازدAlphaFold، را از  "AlphaSoup"   .

قدرت یادگیری ماشینی این است که می تواند الگوهایی را در مجموعه داده های عظیم ببیند که انسان نمی تواند. هاک می‌گوید: «شما الگوهایی را در مخلوط‌های پیچیده انتخاب می‌کنید و فرآیندهای در حال انجام را شناسایی می‌کنید که خودتان نمی‌شناسید». "این یک فضای بسیار بعدی است که در آن الگوها از شما فرار می کنند."

امید این است که این روش ها محققین را قادر سازند تا در نهایت متوجه شوند که در مخلوط های پیچیده می‌گوید: «این [تکنولوژی] به ما امکان می‌دهد تا سیستم‌های بزرگ‌تر از همیشه را مطالعه کنیم.

یک سوال آخر وجود دارد. فرض کنید یک آزمایش موفق شود و یک بیوشیمی دان موفق به ایجاد شکل ساده ای از زندگی در آزمایشگاه شود - یا فرض کنید مریخ نورد مریخ نورد یک میکروب فرازمینی را در مریخ کشف کند. چگونه بفهمیم چیزی که به آن نگاه می کنیم واقعا زنده است؟

جیم کلیوز، ژئوشیمیدان در دانشگاه هوارد در واشنگتن دی سی می گوید: «این یک مشکل قدیمی در ژئوشیمی است. "چگونه می توان فهمید که چیزی زنده است یا نه؟"

برای کرونین، پاسخ "نظریه مجموعه" است. او و همکارانش استدلال می کنند که ویژگی متمایز زندگی این است که تعداد زیادی از اشیاء بسیار پیچیده را تولید می کند. آنها پیچیدگی یک شی را با تعداد مراحل مورد نیاز برای ساخت آن تعریف می کنند. در مطالعه‌ای در سال 2021، آنها شواهدی ارائه کردند که نشان می‌دهد بر اساس پیچیدگی اندازه‌گیری شده مولکول‌ها، می‌توانند بین نمونه‌های تولید شده توسط حیات و نمونه‌های تولید شده بدون آن تمایز قائل شوند. برای تسریع در تحلیل از یادگیری ماشینی استفاده شد.

در مطالعه‌ای که در سپتامبر منتشر شد، کلوز و همکارانش مستقیماً از یادگیری ماشینی استفاده کردند. آنها یک شبکه عصبی را بر روی طیف گسترده ای از مواد از جمله برنج باسماتی، زغال سنگ و شیل آموزش دادند. پس از آن می توان نمونه های بیولوژیکی و غیر زیستی را با دقت 90 درصد شناسایی کرد. به گفته کلیوز، هوش مصنوعی از معیار متفاوتی نسبت به کرونین استفاده کرده است: به گفته کلیوز، هوش مصنوعی به جای پیچیدگی اجزای منفرد، بر ترکیب کلی ترکیبات شیمیایی در یک نمونه تمرکز دارد. او می گوید: «آنها ایده های مکمل یکدیگر هستند.

کلیوز می گوید روش هایی مانند این را می توان برای داده های کاوشگرهایی مانند مریخ نوردهای ناسا به کار برد. به عنوان مثال، مریخ نورد کنجکاوی دارای ابزاری به نام آنالیز نمونه در مریخ (SAM) است که تجزیه و تحلیل های شیمیایی مشابه آنچه توسط تیمش استفاده می شود، انجام می دهد. با تغییرات نسبتاً جزئی، او می‌گوید: «حالا می‌توانید این کار را انجام دهید»

MIT Technology Review

مایکل مارشال یک نویسنده مستقل در بریتانیا است. او بیشتر علوم زیستی، بهداشت و محیط زیست را پوشش می دهد. اولین کتاب او ژن است