如果我们确切地知道在哪里寻找，在其他世界上寻找生命不是更容易吗?研究人员在火星或其他地方收集样本的机会有限，在寻找地球以外的生命时也无法使用遥感仪器。在《自然天文学》上发表的一篇论文中，SETI研究所高级研究科学家Kim Warren-Rhodes领导的一项跨学科研究绘制了智利阿塔卡马沙漠和Altiplano边界的Salar de Pajonales盐丘、岩石和晶体中隐藏的稀疏生命。然后，他们训练了一个机器学习模型来识别与它们的分布相关的模式和规则，这样它就可以学习预测和发现没有训练过的数据中的相同分布。在这种情况下，通过将统计生态学与AI/ML相结合，科学家可以定位和检测生物特征的时间高达87.5%(而随机搜索的时间≤10%)，并将搜索所需的区域减少高达97%。

“我们的框架使我们能够将统计生态学的力量与机器学习结合起来，发现和预测大自然在地球上最恶劣的环境中生存和分布的模式和规则。罗兹说。“我们希望其他天体生物学团队采用我们的方法来绘制其他宜居环境和生物特征。有了这些模型，我们可以设计出量身定制的路线图和算法，引导探测车前往最可能藏匿过去或现在生命的地方——无论多么隐藏或罕见。”

最终，针对许多不同类型的宜居环境和生物特征的类似算法和机器学习模型可以在行星机器人上实现自动化，以有效地指导任务规划者到达任何规模、最有可能存在生命的地区。

Rhodes和SETI研究所NASA天体生物学研究所(NAI)的团队使用了帕约纳莱斯盐沼作为火星模拟。Pajonales是一个高海拔(3541米)，高U/V，超干旱，干燥的盐湖床，被认为不适合许多生命形式，但仍然适合居住。

在NAI项目的实地活动期间，该团队收集了超过7765张图像和1154个样本，并测试了仪器，以检测生活在盐穹、岩石和雪花石膏晶体中的光合微生物。这些微生物散发出的色素代表了美国宇航局生命探测阶梯的一种可能的生物特征。

在Pajonales，无人机飞行图像将模拟轨道(HiRISE)数据与地面采样和3D地形图连接起来，以提取空间模式。该研究的发现(统计上)证实，在Pajonales陆地模拟地点的微生物生命不是随机分布的，而是集中在与千米到厘米尺度上的水可用性密切相关的斑块状生物热点。

接下来，研究小组训练了卷积神经网络(cnn)来识别和预测pajonales的宏观地质特征——其中一些，如有图案的地面或多边形网络，也在火星上发现——以及微尺度的基质(或“微栖息地”)最有可能包含生物特征。

与火星上的毅力团队一样，研究人员测试了如何有效地将无人机/无人机与地面探测器、钻头和仪器(例如，“MastCam-Z”上的VISIR和“火星2020毅力”探测器上的“SuperCam”上的Raman)集成在一起。

该团队在帕约纳莱斯的下一个研究目标是测试cnn用相同的机器学习程序预测古代叠层石化石和岩盐微生物群的位置和分布的能力，以了解类似的规则和模型是否适用于其他类似但略有不同的自然系统。从那里，全新的生态系统，如温泉、永久冻土和干谷的岩石，将被探索和绘制。随着越来越多的证据的积累，关于生命在极端环境中生存手段的聚合的假设将被反复测试，地球关键模拟生态系统和生物群落的生物特征概率蓝图将被清查。

SETI研究所NAI团队的PI Nathalie a . Cabrol说:“虽然生物特征检测的高比率是这项研究的核心结果，但同样重要的是，它成功地整合了从轨道到地面的分辨率差异很大的数据集，最终将区域轨道数据与微生物栖息地联系起来。”“有了它，我们的团队展示了一条途径，可以从表征宜居性所需的规模和分辨率过渡到可以帮助我们发现生命的尺度和分辨率。在这一战略中，无人机是必不可少的，但实施微生物生态现场调查也是必不可少的，这些调查需要长时间(长达几周)在小范围内进行原位(和原位)测绘，这一战略对于表征有利于生命生态位的当地环境模式至关重要。”

这项由SETI研究所的NAI团队领导的研究为机器学习帮助科学家寻找宇宙中的生物特征铺平了道路。他们的论文“解码和预测地球类似物中生物特征模式的轨道到地面框架”是美国宇航局资助的NAI项目五年的成果，也是来自17个机构的50多名团队成员合作的天体生物学研究成果。

SETI NAI团队项目名为“Changing Planetary Environments and the Fingerprints of Life”，由NASA天体生物学项目(Mary Voytek，主任)资助。NNA15BB01A

这篇论文发表在《自然天文学》上。