在法医科学的死后间隔中,多个omics的整合策略
Jian Li1, Yan-Juan Wu1, Ming-Feng Liu1
1School of Forensic Medicine, Shanxi Medical University, No. 98, University Street, Wujinshan Town, Yuci District, Jinzhong City, Shanxi Province, 030604, PR China; Shanxi Key Laboratory of Forensic Medicine, Jinzhong, 030600, Shanxi, China.
Talanta
|October 15, 2023
概括
法医科学家现在可以更准确地使用新的多omics堆叠模型 (MOSM) 估计死后间隔 (PMI). 这种由人工智能驱动的方法集成了各种分子数据,用于在法律调查中改进PMI预测.
科学领域:
- 法医科学 法医科学 法医科学
- 计算生物学 计算生物学
- 生物化学 生化学
背景情况:
- 准确的死后间隔 (PMI) 估计对于法医调查至关重要.
- 目前基于分子标记的PMI估计方法在准确性和全面性方面存在局限性.
- 需要先进的技术来提高PMI决定的可靠性.
研究的目的:
- 开发和验证一种创新的方法,用于准确的死后间隔 (PMI) 估计.
- 将多omics数据与人工智能集成在一起,以提高PMI预测.
- 解决法医科学现有方法的局限性.
主要方法:
- 开发了多奥米克堆叠模型 (MOSM),集成了代谢学,蛋白质微阵列电泳和里埃变换红外光谱数据.
- 在MOSM框架内应用具有独特算法原理的机器学习模型.
- 利用多分子,多标记物和多维信息来描述生物过程.
主要成果:
- 对于PMI,MOSM实现了0.93的预测准确度.
- 证明了0.98.98的接收器操作特征曲线 (AUC) 下的概括面积.
- 报告的最小平均绝对误差 (MAE) 为0.07,表示高精度.
结论:
- 多omics堆叠模型 (MOSM) 显著提高了死后间隔估计的准确性和稳定性.
- 综合多种omics数据和机器学习,提高了PMI预测的概括性.
- 这种由人工智能驱动的方法为法医应用提供了更全面,更可靠的工具.
