结合代谢学和并联机器学习模型用于伤口年龄估计:一种新的分析策略

科学领域:

• 法医科学 法医科学 法医科学
• 生物化学 生物化学
• 计算生物学 计算生物学

背景情况:

• 估计伤口年龄在法医病理学中至关重要,但仍然具有挑战性.
• 目前的方法依赖于物理发现和生物化学测试,往往缺乏客观性和可靠性.
• 需要一种精确的方法来确定受伤后的时间间隔.

研究的目的:

• 为了研究受伤骨肌中的内源代谢物,以估计伤口年龄.
• 开发和验证一个预测模型来推断骨肌损伤后的时间.
• 提高法医伤口年龄评估的准确性和可靠性.

主要方法:

• 在Sprague-Dawley大鼠中建立了骨肌损伤的动物模型.
• 受伤的肌肉样本在不同时间点 (受伤后4-48小时) 收集.
• 超高性能液态色谱-高分辨率质谱法用于代谢分析,随后使用多层感知子 (MLP) 机器学习模型.

主要成果:

• 在受伤肌肉中,共发现了43种不同的代谢物.
• 构建了一个两级并行MLP模型,将样本分类为特定的年龄子组 (例如16-20小时,24-32小时).
• 双联模型在伤口年龄估计方面实现了92.6%的高预测准确度.

结论:

• 骨肌肉中的代谢物概况与受伤后的时间间隔相关.
• 开发的基于代谢学的MLP-MLP合模型为伤口年龄估计提供了一个新且准确的策略.
• 这种方法有可能显著改善涉及伤口年龄确定的法医案例工作.