A Machine-Learning Approach to Biosignature Exploration on Early Earth and Mars Using Sulfur Isotope and Trace Element Data in Pyrite
Notice bibliographique
Résumé
We propose a novel approach to identify the origin of pyrite grains and distinguish biologically influenced sedimentary pyrite using combined in situ sulfur isotope (δ 34 S) and trace element (TE) analyses. To classify and predict the origin of individual pyrite grains, we applied multiple machine-learning algorithms to coupled δ 34 S and TE data from pyrite grains formed from diverse sedimentary, hydrothermal, and metasomatic processes across geologic time. Our unsupervised classification algorithm, K-means++ cluster analysis, yielded six classes based on the formation environment of the pyrite: sedimentary, low temperature hydrothermal, medium temperature, polymetallic hydrothermal, high temperature, and large euhedral. We tested three supervised models (random forest [RF], Naïve Bayes, k-nearest neighbors), and RF outperformed the others in predicting pyrite formation type, achieving a precision (area under the ROC curve) of 0.979 ± 0.005 and an overall average class accuracy of 0.878 ± 0.005. Moreover, we found that coupling TE and δ 34 S data significantly improved the performance of the RF model compared with using either TE or δ 34 S data alone. Our data provide a novel framework for exploring sedimentary rocks that have undergone multiple hydrothermal, magmatic, and metamorphic alterations. Most significant, however, is the demonstrated potential for distinguishing between biogenic and abiotic pyrite in samples from early Earth. This approach could also be applied to the search for potential biosignatures in samples returned from Mars.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».