通过基于ELOVL2在血液DNA中的甲基化率的统计和机器学习方法开发和比较法医间隔年龄预测模型
Takayuki Yamagishi1, Wataru Sakurai1, Ken Watanabe1
1National Research Institute of Police Science, 6-3-1 Kashiwanoha, Kashiwa, Chiba 277-0882, Japan.
Forensic science international. Genetics
|December 31, 2023
概括
使用量子回归 (QR) 和人工神经网络 (ANN) 的新DNA甲基化模型改善了法医年龄估计,特别是在老年人中. 这些模型为老年血迹样本提供了准确的预测和稳定性.
科学领域:
- 法医科学 法医科学 法医科学
- 分子生物学分子生物学
- 生物统计学 生物统计学
背景情况:
- DNA甲基化生物标志物对于法医年龄估计至关重要.
- 由于预测错误,现有的模型在老年人群中往往缺乏准确性.
- 普通最小平方回归的限制需要改进年龄估计方法.
研究的目的:
- 开发使用量子回归 (QR) 和人工神经网络 (ANN) 的高级年龄估计模型.
- 解决现有模型在所有年龄组,特别是老年人中准确估计年龄的局限性.
- 提高基于DNA甲基化的年龄预测在法医调查中的可靠性和适用性.
主要方法:
- 使用ELOVL2基因促进体 (n=1280,0-91岁) 的甲基化数据开发QR和ANN模型.
- 使用独立测试数据集对模型进行验证,以评估预测准确度和间隔.
- 测试模型稳定性,使用存储1-14年的老化血污样本.
主要成果:
- QR 和 ANN 模型都显示了较老年人群的预测间隔扩大.
- 高预测准确度 (>90%) 在老年人中实现.
- 该模型实现了5.3年的平均绝对误差 (MAE) 和7.3年的根平均平方误差 (RMSE).
- QR模型与MAE的5.6年和RMSE的7.8年取得了可比的结果.
- 模型显示稳定性和适用于老化的血污样本.
结论:
- 开发的QR和ANN模型在法医环境中提供了更准确,更可靠的年龄估计.
- 这些模型有效地解决了以前方法的与年龄相关的预测错误.
- 模型的稳定性使得它们适用于涉及老化生物样本的案例研究.
