SA：基于机器学习的古菌脂类生物标志物古水深重建

近日，上海交通大学海底微生物与环境演化团队的研究成果以论文"Machine learning-based paleobathymetric reconstructions using archaeal lipid biomarkers"发表于Science Advances，该研究融合脂类地球化学与机器学习技术，构建了海洋古水深定量重建新模型，为相关领域研究提供了全新方法与视角。

题目：Machine learning-based paleobathymetric reconstructions using archaeal lipid biomarkers

作者：周佳鸣（Jiaming Zhou）、康杜娟（Dujuan Kang）、陈诗洁（Shijie Chen）、董良（Liang Dong）

期刊：Science Advances（SA）

摘要：准确重建古海洋水深是理解构造演化与全球气候变化相互作用的关键，但现有研究方法存在诸多局限性。本研究探究了甘油二烷基甘油四醚（GDGTs，古菌脂类生物标志物）作为古水深定量代用指标的潜力，通过分析全球海洋表层沉积物数据集，发现 GDGTs 的分布特征随水体深度呈现系统性变化。研究利用类异戊二烯 GDGT（isoGDGT）和羟基 GDGT（OH-GDGT）的组合剖面训练随机森林机器学习模型，取得了较高的预测精度（决定系数 R²=0.85，均方根误差 RMSE=646 米）。将该方法应用于澳大利亚西北大陆架 600 万年的沉积记录，重建结果复现了基于有孔虫的古水深重建特征，同时揭示了构造运动驱动的古水深演化过程，以及其对利文洋流形成发展的潜在影响。上述研究结果表明，基于 GDGTs 的机器学习模型为古海洋水深重建提供了稳健、有效的研究框架，也为探究海洋学与构造运动之间的关联提供了新的思路。