网站建设补充协议如何做大型网站

网站建设补充协议,如何做大型网站,网页加速器排名,永康建设局网站解码深埋于地表之下的古老岩层里的有机分子#xff0c;对于掌握地球历史与研究生命演进具有至关重要的作用。这些生命活动的潜在见证者不仅能够破解地球生命诞生的谜题#xff0c;尤其是厘清光合作用的起源和地球大气氧化进程的关联#xff0c;还能填补生命演进时间线的空白…解码深埋于地表之下的古老岩层里的有机分子对于掌握地球历史与研究生命演进具有至关重要的作用。这些生命活动的潜在见证者不仅能够破解地球生命诞生的谜题尤其是厘清光合作用的起源和地球大气氧化进程的关联还能填补生命演进时间线的空白为理解早期地球生态系统的形成提供核心线索。然而由于这些「见证者」不同于大型生物能够形成可见化石同时经过地质岁月磨蚀早已无踪无迹因此如何从高度降解的有机残骸中辨认生命的痕迹就变成古生物学与地球科学领域的一大挑战。长久以来科学家们主要依赖古生物化石形态、同位素分析等手段探寻早期生命但这些方法往往受限于样本保存状态如脂质、卟啉等复杂分子的明确记录仅能追溯至约 16 亿年前远短于其他证据揭示的生命起源时间。而太古代岩石中有机分子的来源模糊生物成因与非生物成因的界限难以断定这都让许多关键发现停留在了推测阶段。为了打破这一僵局由美国卡内基科学研究所地球和行星实验室主导联合全球多所院校和研究机构组成跨领域团队提出一项「技术融合」的解决方案他们先使用热解气相色谱-质谱pyrolysis–gas chromatography–mass spectrometrypy-GC-MS进行分析然后通过监督机器学习方法对分析数据进行分类判别进而在混乱的分子碎片中捕捉古老的生命遗迹。实验表明这套技术融合的模型表现出超预期的效果它能 100% 精准区分现代有机物与陨石 / 化石有机物辨别化石植物组织与陨石有机物精度可达 97% 更重要的是当团队将其应用于未知样本时该模型能成功识别出 33.3 亿年前和 25.2 亿年前古太古代和新太古代岩石中的生物成因分子组合的证据这为探索更早期、更不易留存的生命痕迹提供了新的方法论支持。相关研究以「Organic geochemical evidence for life in Archean rocks identified by pyrolysis–GC–MS and supervised machine learning」为题收录于美国国家科学院院刊 PNAS。研究亮点研究提出的技术融合方法打破了传统局限通过将热解气相色谱-质谱与机器学习结合攻克了分子降解后难以分辨的核心难题研究样本覆盖范围广泛从现代生命到数十亿年前的岩石从地球生物到地外陨石为模型训练提供了全维度对照实验表明该方法兼具科学性与前瞻性不仅验证了太古代岩石中生命痕迹的存在更为其他未知生命痕迹探寻提供了新方法论文地址https://www.pnas.org/doi/10.1073/pnas.2514534122关注公众号后台回复「热解气相色谱」获取完整 PDF数据集406 份样本涵盖广泛为模型提供全维度对照研究团队共分析了 406 份包含一系列有机分子的天然和合成样本涵盖古代与现代、生物与非生物来源时间跨度从约 38 亿年前太古代至 1,000 万年前新近纪样本类型囊括沉积岩141 块、化石65 份、现代生物123 个、陨石42 颗其中 39 颗为碳质球粒陨石及实验室合成有机分子组合35 组为机器学习分析提供了丰富、多元的数据基础。在这 406 份样本中有 272 份样本按系统发育亲缘关系和生理特征明确划分为 9 个类别用于监督机器学习的训练75%与测试25%具体来看如下图所示9 类样本的三维 py-GC-MS 数据现代动物来自多种近期死亡的无脊椎动物和脊椎动物代表现代非光合异养生物的有机分子特征。样本数量为 21 个。现代植物非光合组织包含植物根、种子、花朵、果实和树液的非光合组织及分泌物代表植物不同功能组织的分子差异。样本数量为 40 个。现代植物光合组织主要以叶子及其他光合组织为主作为光合生物分子特征的现代参照。样本数量为 36 个。含光合蓝藻/藻类化石的沉积岩从页岩或燧石中经盐酸HCI和氢氟酸HF酸溶富集的有机残留物且岩石具有可靠的蓝藻或藻类化石形态学证据作为古代光合微生物的分子记录。样本数量为 24 个。木化石、煤和油页岩以显生宙 5.41 亿年样本为主也包含元古代岩石中成因较复杂的富烃沉积如 shungite、anthraxolite代表古代高等植物及烃类物质的分子保存特征。样本数量为 49 个。动物化石均为显生宙样本包含鱼类化石、三叶虫化石的碳化残留以及中新世腹足类动物壳中提取的成壳结合蛋白代表古代动物的有机分子残留。样本数量为 9 个。现代真菌包含多种木腐菌和酵母菌填补真核生物中非植物、非动物类群的分子数据。样本数量为 16 个。陨石主要以碳质球粒陨石为主39 个经化学溶蚀富集有机分子组合作为明确的非生物有机来源参照。样本数量共 42 颗。实验室合成样本通过 Maillard 反应、Formose 反应等实验室合成过程中获得的有机分子组合模拟非生物成因的有机物质的分子特征。样本数量为 35 个。除此之外研究团队还额外设定了两个辅助类别样本用于特定机器学习模型以区分光合生物和非光合生物样本数量共 3 个。以两个现代蓝藻样本补充光合原核生物数据。 以一个现代嗜盐菌Halobacter样本补充非光合古菌数据。最后剩余的 131 个样本主要为富含有机物的太古代或元古代沉积岩的酸溶富集残留物。这些样本的有机分子来源、生理特征存在未知或争议但也因此为此次实验验证机器学习分析的应用提供了新的分类试验场。研究方法及模型py-GC-MS 与机器学习深度融合本次实验主要可以概括为四个步骤第一步从各种现代和古代、生物和非生物来源中收集 406 种不同的含碳样本第二步从陨石和古沉积岩中提取碳质大分子物质第三步采用 pyrolysis gas chromatography coupled to electron impact ionization mass spectrometry 对每个样本进行分析第四步使用实验样本分析子集中的数据机器学习方法训练监督随机森林模型。其中该方法最重要的环节还是在于将 py-GC-MS 分析技术与机器学习方法进行「技术融合」。首先是分析技术在本次实验中研究团队在仪器配置方面采用 CDS 6150 热探针与 Agilent 8860 系列气相色谱仪以及 Agilent 5999 四级杆质谱仪联用使用 Agilent 30 M 5% 苯基 PDMS 色谱柱进行色谱分离热解的产物会立即被氦气扫到气相色谱柱上进行分析。具体操作如下热解研究人员将样本10-100μg装入预热550℃ 空气下燃烧 3 h的石英管中然后将其插入热探针线圈中进行闪蒸热解以 500℃/s 的速率升温至 610℃并保持 10s。色谱初始温度为 50℃保持 1min以 5℃/min 升至 300℃保持 15min载气使用超高纯氦气UHP 5.5 级。质谱在 250℃ 下以 70 eV 电离能的电子电离EI模式工作扫描范围 m/z 45-700扫描速率为 0.80s/decade扫描间延迟为0.20s。为了避免小分子挥发物如 CO₂、H₂O干扰 实验在开始的前两分钟不采集 MS 数据。此外实验还需要排除色谱图中常见的污染物如棕榈酸、硬脂酸洗脱区域后的信号。每个样本都会转换为二维矩阵3,240 个洗脱时间段 x 150 个 m/z 值记录其中 489,240 个元素的信号强度作为质量和保留时间的函数。之后经过标准化与平滑处理最终保留 8,149 个有效特征。其次是模型选择本次实验采用随机森林方法这是一种具备高准确率、低计算成本和可解释性的集成分类方法通过构建多棵去相关决策树降低过拟合风险。模型采用了 Leo Breiman 在「Random Forests」中提到的随机森林模型。研究人员对训练好的机器学习模型使用了两种验证策略。首先采用 75% 训练集 25% 测试集的分层随机抽样确保各类样本比例在两组中一致然后通过 10 次重复的 10 折交叉验证评估模型泛化能力计算平均准确率以减少随机误差。实验测试了 4 个模型分别用于区分现代生物源动植物与非生物源陨石合成样本、古代生物源已知生物成因的沉积岩与非生物源、古代生物源不含木化石、煤与非生物源、光合与非光合样本。实验结果多模型、多维度验证技术融合可行性在初步测试中研究人员对 9 类已知属性样本的 36 种成对组合进行了随机森林模型分类在样本数量相对平衡的情况下36 个测试中 25 个的训练集与测试集正确率均 ≥ 90%其中 19 个正确率 ≥ 95%。所有结果如下表所示为了进一步说明该方法论文给出了数个案例结果表明该方法在不同案例区分时的高效和低效差异。如在第 3 组和第 8 组的案例中即现代植物光合组织与陨石该方法以 100% 的准确率将植物与陨石进行了区分所有样本的类别概率均 0.6 或 0.4分子特征差异显著。如下图 A 所示训练集中各样本属于两类别之一的概率直方图此外识别生物成因与非生物成因的样本是古生物学和天体生物学研究的一个关键目标针对于此研究团队构建并比较了 3 种不同的随机森林模型针对不同样本组合验证生物源与非生物源的区分能力。具体来说在 model # 1 中研究团队测试了第 1、2、3 组和第 8、9 组的现代动植物与非生物源陨石和合成样本的区分能力样本数量分别为 97 个和 77 个。整体正确率达到 98%AUC 值训练集 0.977测试集为 1.00010 折交叉验证准确率为 98.3%。model # 2 主要用于验证区分古代生物样本和富含有机物的非生物样本的能力对照样本来自于第 4、5 组和第 8、9 组分别包含 87 个样本和 77 个样本。在 87 份生物成因古代有机样本中有 83 份被正确分类正确率达到 95%另外这些样本中有 70 个80%具有高置信度的生物成因分类概率 0.6。非生物源样本中有 69 个被正确分类正确率达 90%AUC 值训练集为 0.924测试集 0.92610 折交叉验证准确率为 92.7%。将 Model # 2 应用于 109 个未知生物源的古代沉积岩中发现 68 个样本61%的生物源分类概率 0.5032 个样本的生物源分类概率 0.60。另外结果还揭示了生物源样本比例随地质年代递减的规律在 82 个显生宙样本中76 个93%属于生物成因元古代样本中有 43 个73%太古代的 45 个样本中仅有 21 个47%。显示了随年代增长生物成因样本的百分比显著下降可能反映了样本中生物分子降解或非生物源有机输入。如下图所示从太古代到元古代再到现生宙Model # 2 分类的生物成因样本百分比趋势图Model # 3 主要用于验证区分古代生物源与非生物源的能力生物源样本来自 89 个页岩和燧石样本包含第 4 组样本非生物源样本依旧为第 8、9 组的 77 个样本。其中生物源样本全部分类正确有 80% 的样本具有高置信度的生物成因分类概率 0.60非生物成因样本正确率为 77%AUC 值训练集 0.873测试集 0.86310 折交叉验证准确率为 91.6%。此外通过结合 Model # 2 和 Model # 3研究人员确认了 11 个古代样本为生物源最古老的为 33.3 亿年前南非巴伯顿绿岩带的 Josefsdal 燧石。如下表所示根据 Model # 2 和 Model # 3中 ≥ 60% 的生物成因分类概率预测生物成因样本技术融合成为生命起源探寻的重要手段近年来针对早期生命痕迹识别、地外有机质溯源等核心难题全球研究团队已开展多项创新性探索。这些研究同样以复杂分子混合物的解析为核心通过算法模型深挖传统分析手段难以捕捉的生物特征为技术融合路径的可行性、追溯地球生命起源奠定了坚实基础。例如同样由卡内基科学研究所地球和行星实验室主导联合其他不同院校的成果也是前文提到的上述实验所借鉴之方法它既可以用于确定行星样本中有机物质的生物原生性也可以用于确定地球早期生命痕迹。该方法将陆地和外星碳质材料的热解气相色谱-质谱测量与机器学习的分类方法进行结合在区分非生物来源的样本与生物样本含高度降解的生物样本方面达到了 90% 的准确率并准确反映了达尔文的生物分子选择功能的必要性。论文题目A robust, agnostic molecular biosignature based on machine learning论文地址https://www.pnas.org/doi/10.1073/pnas.2307149120py-GC-MS 与机器学习的技术融合路径不仅打破了传统方法对早期生命探索的局限更构建起古生物学与人工智能交叉的新范式。但同时由上述实验以及其他研究也可见得基于技术融合的该种方法也仍存有待优化的空间这也为后续更深入的研究提供了方向相信在技术的不断精进之下未来或将推动人类更加直观、深入地认识生命起源甚至探寻地外生命的痕迹。