هل يستطيع الذكاء الاصطناعي اكتشاف آثار حياة قديمة في الصخور؟

 هل يستطيع الذكاء الاصطناعي اكتشاف آثار حياة قديمة في الصخور؟ اكتشاف علمي يفتح نافذة على ماضي الأرض


هل يمكن لصخرة عمرها أكثر من ثلاثة مليارات سنة أن تحتفظ بأدلة على وجود حياة اختفت منذ زمن سحيق؟ وهل يستطيع الذكاء الاصطناعي اكتشاف هذه الأدلة حتى بعد أن تتحلل الجزيئات الأصلية التي تركتها الكائنات الحية؟


قد تبدو الفكرة أقرب إلى الخيال العلمي، لكن دراسة علمية نُشرت في نوفمبر 2025 قدمت نتائج لافتة في هذا المجال. فقد استخدم فريق من الباحثين التحليل الكيميائي وتقنيات التعلّم الآلي لدراسة مئات العينات، بهدف التمييز بين المواد العضوية ذات الأصل البيولوجي وتلك التي نشأت بعمليات غير حيوية.


والأكثر إثارة أن التحليل أشار إلى وجود بصمات جزيئية متوافقة مع الحياة في صخور يعود عمرها إلى نحو 3.33 مليار سنة.


في هذا البحث، يستعرض موقع العلوم كيف تعمل هذه التقنية، وما الذي اكتشفه العلماء، وهل يمكن أن تساعد مستقبلًا في البحث عن حياة قديمة على المريخ أو في عوالم أخرى.


أولًا: لماذا يصعب العثور على آثار الحياة القديمة؟


بدأت الحياة على الأرض منذ مليارات السنين، لكن اكتشاف آثارها ليس مهمة سهلة.


فعندما تموت الكائنات الحية، تتحلل أجسامها بمرور الزمن. وقد تُدفن بقاياها داخل الرواسب، ثم تتحول هذه الرواسب إلى صخور بفعل الضغط والتغيرات الجيولوجية.


وخلال ملايين أو مليارات السنين، قد تؤدي الحرارة والضغط والتفاعلات الكيميائية إلى تغيير المركبات العضوية التي تركتها الكائنات الحية، فتختفي الكثير من خصائصها الأصلية.


لهذا لا يستطيع العلماء دائمًا الاعتماد على العثور على أحافير واضحة أو جزيئات بيولوجية سليمة.


وهنا تظهر المشكلة الأساسية: كيف نعرف أن المادة العضوية الموجودة في صخرة قديمة نتجت عن الحياة، وليست نتيجة تفاعلات كيميائية طبيعية لا علاقة لها بالكائنات الحية؟


فوجود الكربون أو المركبات العضوية وحده لا يكفي لإثبات وجود حياة سابقة، لأن المواد العضوية يمكن أن تتكون أيضًا بعمليات غير حيوية، بل توجد مركبات عضوية في بعض النيازك.


لذلك يحتاج العلماء إلى البحث عن أدلة متعددة، منها التركيب الكيميائي، وتوزيع الجزيئات، والسياق الجيولوجي للعينة.


ثانيًا: كيف يساعد الذكاء الاصطناعي في اكتشاف آثار الحياة؟


تعتمد الطريقة الجديدة على دمج التحليل الكيميائي بالتعلّم الآلي، وهو أحد فروع الذكاء الاصطناعي.


بدلًا من البحث عن جزيء واحد يُفترض أنه دليل قاطع على الحياة، يتعلم النظام التعرف على أنماط معقدة في مجموعات كبيرة من البيانات الكيميائية.


يمكن تبسيط العملية في أربع مراحل:


1. جمع عينات متنوعة


جمع الباحثون عينات من مصادر مختلفة، شملت مواد بيولوجية حديثة، وأحافير، وصخورًا رسوبية قديمة، ونيازك غنية بالكربون، ومواد عضوية صُنعت في المختبر.


يساعد هذا التنوع النظام على تعلم الفروق بين عينات ذات أصل بيولوجي وأخرى يمكن أن تتكون من دون تدخل الحياة.


2. تحليل البصمات الكيميائية


استخدم الفريق تقنية تُعرف باسم التحليل اللوني للغازات المقترن بمطياف الكتلة بعد التحلل الحراري، ويُشار إليها اختصارًا بـ Py-GC-MS.


تقوم الفكرة على تسخين العينة بطريقة مضبوطة لتفكيك المواد العضوية المعقدة إلى مركبات أصغر، ثم فصل المركبات الناتجة وتحليلها وفق خصائصها الكيميائية والكتلية.


وينتج عن ذلك نمط غني من البيانات، يتضمن إشارات متعددة تختلف بحسب طبيعة العينة.


ومن المهم أن هذه التقنية لا تبحث بالضرورة عن جزيئات الحياة الأصلية وهي سليمة؛ بل يمكنها تحليل الأنماط التي تتركها بقايا المواد العضوية بعد تغيرها عبر الزمن الجيولوجي.


3. تدريب نموذج التعلّم الآلي


استخدم الباحثون بيانات العينات المعروفة لتدريب نماذج حاسوبية على التمييز بين فئات مختلفة من المواد.


ومن بين الأساليب المستخدمة نموذج يُعرف باسم الغابة العشوائية (Random Forest)، وهو أسلوب يجمع نتائج عدد كبير من أشجار القرار للوصول إلى تصنيف.


يتعلم النموذج الأنماط الكيميائية التي تظهر في العينات البيولوجية وغير البيولوجية، ثم يستخدم ما تعلمه لتحليل عينات جديدة.


4. اختبار النموذج على العينات


بعد التدريب، اختبر العلماء قدرة النماذج على تصنيف العينات، ثم استخدموا الأنماط التي تعلمتها لتحليل مواد قديمة يصعب تحديد أصلها اعتمادًا على الأدلة التقليدية وحدها.


وهنا تكمن أهمية التقنية: إنها تحاول استخلاص معلومات من مجموعة كبيرة من الإشارات الكيميائية، حتى عندما تكون البصمات الفردية قد تعرضت للتغير أو التحلل.


ثالثًا: ماذا اكتشف العلماء في الدراسة المنشورة عام 2025؟


نشرت الدراسة الأصلية في مجلة Proceedings of the National Academy of Sciences، واستخدمت بيانات 406 عينات متنوعة، شملت مواد حديثة وأحفورية ونيازك ومواد مصنعة في المختبر.


وكان هدفها اختبار قدرة التعلّم الآلي على التمييز بين المواد ذات الأصل البيولوجي وغير البيولوجي، إضافة إلى استكشاف ما إذا كانت البيانات الكيميائية تحتفظ بمعلومات عن بعض خصائص الكائنات القديمة.


ومن أبرز النتائج:


آثار جزيئية في صخور عمرها نحو 3.33 مليار سنة


وجد الباحثون أن الأنماط الكيميائية في عينات من صخور رسوبية يعود عمرها إلى نحو 3.33 مليار سنة تتوافق مع الأنماط التي تعلمها النموذج من عينات ميكروبية.


وتأتي هذه النتيجة من منطقة جوزفسدال في حزام باربرتون الأخضر بجنوب إفريقيا.


لكن ينبغي فهم النتيجة بدقة: إنها دليل كيميائي يدعم تفسيرًا بيولوجيًا لهذه المواد، وليست اكتشافًا مباشرًا لكائن حي محفوظ داخل الصخر.


مؤشرات على التمثيل الضوئي قبل نحو 2.52 مليار سنة


أشارت تحليلات الدراسة أيضًا إلى وجود بصمات جزيئية متوافقة مع مواد ناتجة عن كائنات تقوم بالتمثيل الضوئي في صخور يعود عمرها إلى نحو 2.52 مليار سنة.


والتمثيل الضوئي عملية تستخدم فيها كائنات حية الطاقة الضوئية للمساعدة على إنتاج المواد العضوية. وتستخدم بعض أنواعه الماء وتطلق الأكسجين.


قد تساعد مثل هذه النتائج على توسيع فهم العلماء لتاريخ الحياة المبكرة على الأرض، لكن تفسير البصمات الكيميائية القديمة يظل مرتبطًا بمدى جودة العينات وطرق المقارنة والقرائن الجيولوجية الأخرى.


هل حقق الذكاء الاصطناعي دقة تتجاوز 90%؟


أظهرت الدراسة نتائج تصنيف مرتفعة في بعض المقارنات بين فئات محددة من العينات. فعلى سبيل المثال، بلغت نسبة التصنيف الصحيح نحو 93% في مقارنة المواد الأحفورية البيولوجية بالمواد غير البيولوجية، وكذلك في بعض المقارنات المتعلقة بالعينات المرتبطة بالتمثيل الضوئي.


لكن هذه النسب ليست ضمانًا بأن النظام سيكتشف الحياة القديمة بدقة 93% في أي صخرة مجهولة.


فالدقة تعتمد على نوع العينات المستخدمة، والفئات التي تتم مقارنتها، وطريقة الاختبار. كما أن العينات القديمة التي لم يُحسم أصلها تمثل تحديًا أكبر من العينات المعروفة المصدر.


المصدر الأساسي لهذه النتائج هو البحث المنشور في PNAS عام 2025، بعنوان:


Organic geochemical evidence for life in Archean rocks identified by pyrolysis–GC–MS and supervised machine learning.


رابعًا: لماذا يُعد هذا الاكتشاف مهمًا؟


تكمن أهمية الدراسة في أنها قد تساعد العلماء على استخراج معلومات بيولوجية من عينات لم تعد تحتفظ بجزيئاتها الأصلية كاملة.


وتظهر أهميتها في ثلاثة اتجاهات:


1. إعادة دراسة تاريخ الحياة على الأرض


قد تساعد هذه الطريقة في فحص الصخور القديمة التي يصعب تفسيرها، والبحث عن بصمات كيميائية تدعم أو تضعف فرضيات تتعلق بأصول المواد العضوية.


2. فهم خصائص الكائنات القديمة


لا يقتصر الهدف على التمييز بين المواد البيولوجية وغير البيولوجية، بل يبحث العلماء أيضًا في إمكانية استخلاص مؤشرات عن مجموعات الكائنات أو أنماطها الأيضية من توزيع المركبات الكيميائية.


3. تطوير أدوات البحث عن الحياة خارج الأرض


إذا أثبتت التقنية موثوقيتها في اختبارات إضافية، فقد تساعد في تحليل عينات من بيئات أخرى، مثل المريخ، حيث يبحث العلماء عن أدلة على أن ظروفًا مناسبة للحياة وُجدت في الماضي، وعن أي بصمات محتملة لنشاط بيولوجي قديم.


ومع ذلك، فإن نجاح الطريقة على عينات أرضية لا يعني أنها أثبتت وجود حياة على المريخ أو أي كوكب آخر.


خامسًا: هل يمكن إرسال هذه التقنية إلى المريخ؟


هذا أحد الاتجاهات المستقبلية المثيرة للاهتمام.


فالعربات الجوالة والمهمات الفضائية تجمع بيانات عن الصخور والتربة، لكن إرسال كل عينة إلى الأرض لتحليلها ليس أمرًا بسيطًا. لذلك يعمل الباحثون على تطوير طرق تجعل تحليل البيانات أكثر كفاءة، وقد يكون للذكاء الاصطناعي دور في تحديد العينات التي تستحق مزيدًا من الفحص.


من حيث المبدأ، يمكن أن تساعد النماذج الحاسوبية في ترتيب العينات حسب مدى تشابه بصماتها الكيميائية مع الأنماط المعروفة، أو في تحديد مواضع تستحق تحليلًا إضافيًا.


لكن تطبيق طريقة Py-GC-MS نفسها خارج الأرض يتطلب أجهزة مناسبة للبيئة الفضائية، واختبارات دقيقة للتحقق من الأداء، ومعالجة تحديات تتعلق بالطاقة والحرارة والمعايرة وتلوث العينات.


كما أن العثور على مركبات عضوية على المريخ لا يكفي وحده لإثبات وجود حياة؛ إذ يمكن أن تنتج بعض المركبات العضوية بعمليات غير بيولوجية.


والهدف العلمي الحقيقي هو جمع أدلة مستقلة ومتوافقة تدعم تفسيرًا بيولوجيًا بصورة أقوى من التفسيرات البديلة.


سادسًا: ما حدود هذه التقنية؟ وهل يمكن أن تخطئ؟


على الرغم من النتائج المشجعة، فإن هناك حدودًا علمية مهمة يجب ألا نتجاهلها.


أولًا: جودة بيانات التدريب


يتعلم النظام من الأمثلة التي تقدم له. فإذا كانت بعض أنواع المواد ممثلة تمثيلًا ضعيفًا في بيانات التدريب، فقد تقل قدرته على التعامل مع عينات تختلف عنها.


ثانيًا: صعوبة التمييز بين العمليات البيولوجية وغير البيولوجية


قد تتشابه بعض الأنماط الكيميائية الناتجة عن عمليات مختلفة، كما يمكن للتغيرات الجيولوجية أن تمحو معلومات أو تغير خصائصها. لذلك لا ينبغي التعامل مع تصنيف الحاسوب باعتباره حكمًا نهائيًا.


ثالثًا: الحاجة إلى عينات إضافية


أشار الباحثون إلى الحاجة إلى توسيع مجموعة العينات، وخاصة المواد القديمة غير البيولوجية التي يمكن استخدامها لتقييم قدرة النموذج على التمييز في ظروف أكثر صعوبة.


رابعًا: ضرورة الأدلة المستقلة


تزداد قوة التفسير العلمي عندما تتفق نتائج التحليل الكيميائي مع أدلة أخرى، مثل البنية المجهرية للصخور، والتركيب النظائري، والسياق الجيولوجي، وأي آثار أحفورية محتملة.


لذلك، فإن الذكاء الاصطناعي أداة تساعد العلماء على اكتشاف أنماط يصعب رصدها بالطرق التقليدية وحدها، لكنه لا يستبدل التحقق العلمي ولا يغني عن مراجعة النتائج.


سابعًا: هل يعني هذا أننا اقتربنا من اكتشاف حياة خارج الأرض؟


لا يمكن استخلاص هذا الاستنتاج من الدراسة وحدها.


فما أظهره الباحثون هو أن بعض الأنماط الكيميائية يمكن أن تحتفظ بمعلومات عن أصل المواد العضوية وخصائصها، حتى بعد تعرضها لتغيرات جيولوجية طويلة.


وقد تكون هذه القدرة مفيدة في البحث عن الحياة خارج الأرض، لكنها لا تمثل دليلًا على وجود كائنات فضائية، ولا تثبت أن الحياة موجودة حاليًا على المريخ.


السؤال الذي تسعى الأبحاث المستقبلية إلى الإجابة عنه هو: هل يمكن تطبيق هذه الطرق على عينات من بيئات أخرى، وهل ستظل قادرة على التمييز بين التفسيرات البيولوجية وغير البيولوجية في ظروف تختلف عن بيئة الأرض؟


الإجابة ستتطلب مزيدًا من التجارب، واختبارات مستقلة، وربما تحليل عينات تُجمع مباشرة من عوالم أخرى.


الخلاصة


يُظهر هذا البحث كيف يمكن للذكاء الاصطناعي أن يضيف أداة جديدة إلى علم الأحياء القديمة وعلوم الكواكب.


فبدلًا من الاعتماد فقط على الأحافير المرئية أو الجزيئات البيولوجية السليمة، يستطيع العلماء استخدام نماذج التعلّم الآلي لتحليل أنماط كيميائية معقدة، والبحث عن معلومات قد تبقى محفوظة في المواد العضوية القديمة.


وقد قدمت دراسة عام 2025 أدلة كيميائية متوافقة مع وجود حياة ميكروبية في صخور عمرها نحو 3.33 مليار سنة، إضافة إلى مؤشرات على التمثيل الضوئي في صخور أقدم من ملياري سنة.


ومع ذلك، فإن هذه النتائج لا تعني أن الذكاء الاصطناعي أصبح قادرًا على إثبات وجود الحياة بمفرده. إنها خطوة علمية مهمة تحتاج إلى مزيد من الاختبارات والتأكيد.


في موقع العلوم، نتابع الأبحاث التي تساعدنا على فهم أسرار الأرض والكون، ونشرح نتائجها بلغة عربية واضحة، مع التمييز بين ما أثبته العلماء وما لا يزال قيد البحث.


---


المصادر العلمية


1. Wong, M. L. وآخرون. (2025). Organic geochemical evidence for life in Archean rocks identified by pyrolysis–GC–MS and supervised machine learning. مجلة PNAS.

   https://doi.org/10.1073/pnas.2514534122


2. Carnegie Science. (17 نوفمبر 2025). Chemical evidence of ancient life detected in 3.3-billion-year-old rocks.

   https://carnegiescience.edu/news/chemical-evidence-ancient-life-detected-33-billion-year-old-rocks


3. NASA Astrobiology. (28 سبتمبر 2023). Machine Learning in the Search for Agnostic Biosignatures.

   https://astrobiology.nasa.gov/news/machine-learning-in-the-sهل يستطيع الذكاء الاصطناعي اكتشاف آثار حياة قديمة في الصخور؟ اكتشاف علمي يفتح نافذة على ماضي الأرض


هل يمكن لصخرة عمرها أكثر من ثلاثة مليارات سنة أن تحتفظ بأدلة على وجود حياة اختفت منذ زمن سحيق؟ وهل يستطيع الذكاء الاصطناعي اكتشاف هذه الأدلة حتى بعد أن تتحلل الجزيئات الأصلية التي تركتها الكائنات الحية؟


قد تبدو الفكرة أقرب إلى الخيال العلمي، لكن دراسة علمية نُشرت في نوفمبر 2025 قدمت نتائج لافتة في هذا المجال. فقد استخدم فريق من الباحثين التحليل الكيميائي وتقنيات التعلّم الآلي لدراسة مئات العينات، بهدف التمييز بين المواد العضوية ذات الأصل البيولوجي وتلك التي نشأت بعمليات غير حيوية.


والأكثر إثارة أن التحليل أشار إلى وجود بصمات جزيئية متوافقة مع الحياة في صخور يعود عمرها إلى نحو 3.33 مليار سنة.


في هذا البحث، يستعرض موقع العلوم كيف تعمل هذه التقنية، وما الذي اكتشفه العلماء، وهل يمكن أن تساعد مستقبلًا في البحث عن حياة قديمة على المريخ أو في عوالم أخرى.


أولًا: لماذا يصعب العثور على آثار الحياة القديمة؟


بدأت الحياة على الأرض منذ مليارات السنين، لكن اكتشاف آثارها ليس مهمة سهلة.


فعندما تموت الكائنات الحية، تتحلل أجسامها بمرور الزمن. وقد تُدفن بقاياها داخل الرواسب، ثم تتحول هذه الرواسب إلى صخور بفعل الضغط والتغيرات الجيولوجية.


وخلال ملايين أو مليارات السنين، قد تؤدي الحرارة والضغط والتفاعلات الكيميائية إلى تغيير المركبات العضوية التي تركتها الكائنات الحية، فتختفي الكثير من خصائصها الأصلية.


لهذا لا يستطيع العلماء دائمًا الاعتماد على العثور على أحافير واضحة أو جزيئات بيولوجية سليمة.


وهنا تظهر المشكلة الأساسية: كيف نعرف أن المادة العضوية الموجودة في صخرة قديمة نتجت عن الحياة، وليست نتيجة تفاعلات كيميائية طبيعية لا علاقة لها بالكائنات الحية؟


فوجود الكربون أو المركبات العضوية وحده لا يكفي لإثبات وجود حياة سابقة، لأن المواد العضوية يمكن أن تتكون أيضًا بعمليات غير حيوية، بل توجد مركبات عضوية في بعض النيازك.


لذلك يحتاج العلماء إلى البحث عن أدلة متعددة، منها التركيب الكيميائي، وتوزيع الجزيئات، والسياق الجيولوجي للعينة.


ثانيًا: كيف يساعد الذكاء الاصطناعي في اكتشاف آثار الحياة؟


تعتمد الطريقة الجديدة على دمج التحليل الكيميائي بالتعلّم الآلي، وهو أحد فروع الذكاء الاصطناعي.


بدلًا من البحث عن جزيء واحد يُفترض أنه دليل قاطع على الحياة، يتعلم النظام التعرف على أنماط معقدة في مجموعات كبيرة من البيانات الكيميائية.


يمكن تبسيط العملية في أربع مراحل:


1. جمع عينات متنوعة


جمع الباحثون عينات من مصادر مختلفة، شملت مواد بيولوجية حديثة، وأحافير، وصخورًا رسوبية قديمة، ونيازك غنية بالكربون، ومواد عضوية صُنعت في المختبر.


يساعد هذا التنوع النظام على تعلم الفروق بين عينات ذات أصل بيولوجي وأخرى يمكن أن تتكون من دون تدخل الحياة.


2. تحليل البصمات الكيميائية


استخدم الفريق تقنية تُعرف باسم التحليل اللوني للغازات المقترن بمطياف الكتلة بعد التحلل الحراري، ويُشار إليها اختصارًا بـ Py-GC-MS.


تقوم الفكرة على تسخين العينة بطريقة مضبوطة لتفكيك المواد العضوية المعقدة إلى مركبات أصغر، ثم فصل المركبات الناتجة وتحليلها وفق خصائصها الكيميائية والكتلية.


وينتج عن ذلك نمط غني من البيانات، يتضمن إشارات متعددة تختلف بحسب طبيعة العينة.


ومن المهم أن هذه التقنية لا تبحث بالضرورة عن جزيئات الحياة الأصلية وهي سليمة؛ بل يمكنها تحليل الأنماط التي تتركها بقايا المواد العضوية بعد تغيرها عبر الزمن الجيولوجي.


3. تدريب نموذج التعلّم الآلي


استخدم الباحثون بيانات العينات المعروفة لتدريب نماذج حاسوبية على التمييز بين فئات مختلفة من المواد.


ومن بين الأساليب المستخدمة نموذج يُعرف باسم الغابة العشوائية (Random Forest)، وهو أسلوب يجمع نتائج عدد كبير من أشجار القرار للوصول إلى تصنيف.


يتعلم النموذج الأنماط الكيميائية التي تظهر في العينات البيولوجية وغير البيولوجية، ثم يستخدم ما تعلمه لتحليل عينات جديدة.


4. اختبار النموذج على العينات


بعد التدريب، اختبر العلماء قدرة النماذج على تصنيف العينات، ثم استخدموا الأنماط التي تعلمتها لتحليل مواد قديمة يصعب تحديد أصلها اعتمادًا على الأدلة التقليدية وحدها.


وهنا تكمن أهمية التقنية: إنها تحاول استخلاص معلومات من مجموعة كبيرة من الإشارات الكيميائية، حتى عندما تكون البصمات الفردية قد تعرضت للتغير أو التحلل.


ثالثًا: ماذا اكتشف العلماء في الدراسة المنشورة عام 2025؟


نشرت الدراسة الأصلية في مجلة Proceedings of the National Academy of Sciences، واستخدمت بيانات 406 عينات متنوعة، شملت مواد حديثة وأحفورية ونيازك ومواد مصنعة في المختبر.


وكان هدفها اختبار قدرة التعلّم الآلي على التمييز بين المواد ذات الأصل البيولوجي وغير البيولوجي، إضافة إلى استكشاف ما إذا كانت البيانات الكيميائية تحتفظ بمعلومات عن بعض خصائص الكائنات القديمة.


ومن أبرز النتائج:


آثار جزيئية في صخور عمرها نحو 3.33 مليار سنة


وجد الباحثون أن الأنماط الكيميائية في عينات من صخور رسوبية يعود عمرها إلى نحو 3.33 مليار سنة تتوافق مع الأنماط التي تعلمها النموذج من عينات ميكروبية.


وتأتي هذه النتيجة من منطقة جوزفسدال في حزام باربرتون الأخضر بجنوب إفريقيا.


لكن ينبغي فهم النتيجة بدقة: إنها دليل كيميائي يدعم تفسيرًا بيولوجيًا لهذه المواد، وليست اكتشافًا مباشرًا لكائن حي محفوظ داخل الصخر.


مؤشرات على التمثيل الضوئي قبل نحو 2.52 مليار سنة


أشارت تحليلات الدراسة أيضًا إلى وجود بصمات جزيئية متوافقة مع مواد ناتجة عن كائنات تقوم بالتمثيل الضوئي في صخور يعود عمرها إلى نحو 2.52 مليار سنة.


والتمثيل الضوئي عملية تستخدم فيها كائنات حية الطاقة الضوئية للمساعدة على إنتاج المواد العضوية. وتستخدم بعض أنواعه الماء وتطلق الأكسجين.


قد تساعد مثل هذه النتائج على توسيع فهم العلماء لتاريخ الحياة المبكرة على الأرض، لكن تفسير البصمات الكيميائية القديمة يظل مرتبطًا بمدى جودة العينات وطرق المقارنة والقرائن الجيولوجية الأخرى.


هل حقق الذكاء الاصطناعي دقة تتجاوز 90%؟


أظهرت الدراسة نتائج تصنيف مرتفعة في بعض المقارنات بين فئات محددة من العينات. فعلى سبيل المثال، بلغت نسبة التصنيف الصحيح نحو 93% في مقارنة المواد الأحفورية البيولوجية بالمواد غير البيولوجية، وكذلك في بعض المقارنات المتعلقة بالعينات المرتبطة بالتمثيل الضوئي.


لكن هذه النسب ليست ضمانًا بأن النظام سيكتشف الحياة القديمة بدقة 93% في أي صخرة مجهولة.


فالدقة تعتمد على نوع العينات المستخدمة، والفئات التي تتم مقارنتها، وطريقة الاختبار. كما أن العينات القديمة التي لم يُحسم أصلها تمثل تحديًا أكبر من العينات المعروفة المصدر.


المصدر الأساسي لهذه النتائج هو البحث المنشور في PNAS عام 2025، بعنوان:


Organic geochemical evidence for life in Archean rocks identified by pyrolysis–GC–MS and supervised machine learning.


رابعًا: لماذا يُعد هذا الاكتشاف مهمًا؟


تكمن أهمية الدراسة في أنها قد تساعد العلماء على استخراج معلومات بيولوجية من عينات لم تعد تحتفظ بجزيئاتها الأصلية كاملة.


وتظهر أهميتها في ثلاثة اتجاهات:


1. إعادة دراسة تاريخ الحياة على الأرض


قد تساعد هذه الطريقة في فحص الصخور القديمة التي يصعب تفسيرها، والبحث عن بصمات كيميائية تدعم أو تضعف فرضيات تتعلق بأصول المواد العضوية.


2. فهم خصائص الكائنات القديمة


لا يقتصر الهدف على التمييز بين المواد البيولوجية وغير البيولوجية، بل يبحث العلماء أيضًا في إمكانية استخلاص مؤشرات عن مجموعات الكائنات أو أنماطها الأيضية من توزيع المركبات الكيميائية.


3. تطوير أدوات البحث عن الحياة خارج الأرض


إذا أثبتت التقنية موثوقيتها في اختبارات إضافية، فقد تساعد في تحليل عينات من بيئات أخرى، مثل المريخ، حيث يبحث العلماء عن أدلة على أن ظروفًا مناسبة للحياة وُجدت في الماضي، وعن أي بصمات محتملة لنشاط بيولوجي قديم.


ومع ذلك، فإن نجاح الطريقة على عينات أرضية لا يعني أنها أثبتت وجود حياة على المريخ أو أي كوكب آخر.


خامسًا: هل يمكن إرسال هذه التقنية إلى المريخ؟


هذا أحد الاتجاهات المستقبلية المثيرة للاهتمام.


فالعربات الجوالة والمهمات الفضائية تجمع بيانات عن الصخور والتربة، لكن إرسال كل عينة إلى الأرض لتحليلها ليس أمرًا بسيطًا. لذلك يعمل الباحثون على تطوير طرق تجعل تحليل البيانات أكثر كفاءة، وقد يكون للذكاء الاصطناعي دور في تحديد العينات التي تستحق مزيدًا من الفحص.


من حيث المبدأ، يمكن أن تساعد النماذج الحاسوبية في ترتيب العينات حسب مدى تشابه بصماتها الكيميائية مع الأنماط المعروفة، أو في تحديد مواضع تستحق تحليلًا إضافيًا.


لكن تطبيق طريقة Py-GC-MS نفسها خارج الأرض يتطلب أجهزة مناسبة للبيئة الفضائية، واختبارات دقيقة للتحقق من الأداء، ومعالجة تحديات تتعلق بالطاقة والحرارة والمعايرة وتلوث العينات.


كما أن العثور على مركبات عضوية على المريخ لا يكفي وحده لإثبات وجود حياة؛ إذ يمكن أن تنتج بعض المركبات العضوية بعمليات غير بيولوجية.


والهدف العلمي الحقيقي هو جمع أدلة مستقلة ومتوافقة تدعم تفسيرًا بيولوجيًا بصورة أقوى من التفسيرات البديلة.


سادسًا: ما حدود هذه التقنية؟ وهل يمكن أن تخطئ؟


على الرغم من النتائج المشجعة، فإن هناك حدودًا علمية مهمة يجب ألا نتجاهلها.


أولًا: جودة بيانات التدريب


يتعلم النظام من الأمثلة التي تقدم له. فإذا كانت بعض أنواع المواد ممثلة تمثيلًا ضعيفًا في بيانات التدريب، فقد تقل قدرته على التعامل مع عينات تختلف عنها.


ثانيًا: صعوبة التمييز بين العمليات البيولوجية وغير البيولوجية


قد تتشابه بعض الأنماط الكيميائية الناتجة عن عمليات مختلفة، كما يمكن للتغيرات الجيولوجية أن تمحو معلومات أو تغير خصائصها. لذلك لا ينبغي التعامل مع تصنيف الحاسوب باعتباره حكمًا نهائيًا.


ثالثًا: الحاجة إلى عينات إضافية


أشار الباحثون إلى الحاجة إلى توسيع مجموعة العينات، وخاصة المواد القديمة غير البيولوجية التي يمكن استخدامها لتقييم قدرة النموذج على التمييز في ظروف أكثر صعوبة.


رابعًا: ضرورة الأدلة المستقلة


تزداد قوة التفسير العلمي عندما تتفق نتائج التحليل الكيميائي مع أدلة أخرى، مثل البنية المجهرية للصخور، والتركيب النظائري، والسياق الجيولوجي، وأي آثار أحفورية محتملة.


لذلك، فإن الذكاء الاصطناعي أداة تساعد العلماء على اكتشاف أنماط يصعب رصدها بالطرق التقليدية وحدها، لكنه لا يستبدل التحقق العلمي ولا يغني عن مراجعة النتائج.


سابعًا: هل يعني هذا أننا اقتربنا من اكتشاف حياة خارج الأرض؟


لا يمكن استخلاص هذا الاستنتاج من الدراسة وحدها.


فما أظهره الباحثون هو أن بعض الأنماط الكيميائية يمكن أن تحتفظ بمعلومات عن أصل المواد العضوية وخصائصها، حتى بعد تعرضها لتغيرات جيولوجية طويلة.


وقد تكون هذه القدرة مفيدة في البحث عن الحياة خارج الأرض، لكنها لا تمثل دليلًا على وجود كائنات فضائية، ولا تثبت أن الحياة موجودة حاليًا على المريخ.


السؤال الذي تسعى الأبحاث المستقبلية إلى الإجابة عنه هو: هل يمكن تطبيق هذه الطرق على عينات من بيئات أخرى، وهل ستظل قادرة على التمييز بين التفسيرات البيولوجية وغير البيولوجية في ظروف تختلف عن بيئة الأرض؟


الإجابة ستتطلب مزيدًا من التجارب، واختبارات مستقلة، وربما تحليل عينات تُجمع مباشرة من عوالم أخرى.


الخلاصة


يُظهر هذا البحث كيف يمكن للذكاء الاصطناعي أن يضيف أداة جديدة إلى علم الأحياء القديمة وعلوم الكواكب.


فبدلًا من الاعتماد فقط على الأحافير المرئية أو الجزيئات البيولوجية السليمة، يستطيع العلماء استخدام نماذج التعلّم الآلي لتحليل أنماط كيميائية معقدة، والبحث عن معلومات قد تبقى محفوظة في المواد العضوية القديمة.


وقد قدمت دراسة عام 2025 أدلة كيميائية متوافقة مع وجود حياة ميكروبية في صخور عمرها نحو 3.33 مليار سنة، إضافة إلى مؤشرات على التمثيل الضوئي في صخور أقدم من ملياري سنة.


ومع ذلك، فإن هذه النتائج لا تعني أن الذكاء الاصطناعي أصبح قادرًا على إثبات وجود الحياة بمفرده. إنها خطوة علمية مهمة تحتاج إلى مزيد من الاختبارات والتأكيد.


في موقع العلوم، نتابع الأبحاث التي تساعدنا على فهم أسرار الأرض والكون، ونشرح نتائجها بلغة عربية واضحة، مع التمييز بين ما أثبته العلماء وما لا يزال قيد البحث.


---


المصادر العلمية


1. Wong, M. L. وآخرون. (2025). Organic geochemical evidence for life in Archean rocks identified by pyrolysis–GC–MS and supervised machine learning. مجلة PNAS.

   https://doi.org/10.1073/pnas.2514534122


2. Carnegie Science. (17 نوفمبر 2025). Chemical evidence of ancient life detected in 3.3-billion-year-old rocks.

   https://carnegiescience.edu/news/chemical-evidence-ancient-life-detected-33-billion-year-old-rocks


3. NASA Astrobiology. (28 سبتمبر 2023). Machine Learning in the Search for Agnostic Biosignatures.

   https://astrobiology.nasa.gov/news/machine-learning-in-the-search-for-agnostic-biosignatures/


4. Cleaves, H. J. وآخرون. (2023). A robust, agnostic molecular biosignature based on machine learning. مجلة PNAS.

   https://doi.org/10.1073/pnas.2307149120earch-for-agnostic-biosignatures/


4. Cleaves, H. J. وآخرون. (2023). A robust, agnostic molecular biosignature based on machine learning. مجلة PNAS.

   ht


tps://doi.org/10.1073/pnas.2307149120

تعليقات

  1. ماشاء الله موفق ان شاءالله..سابلغ أصدقائي بالمتابعه والاهتمام بموقعك ف العلم نور.

    ردحذف

إرسال تعليق