提高晚期死后间隔预测:一项试点研究整合蛋白质学和机器学习来区分人类骨遗骸超过15年
Camila Garcés-Parra1,2, Pablo Saldivia3, Mauricio Hernández3
1Gene Expression and Regulation Laboratory (GEaRLab), Department of Biochemistry and Molecular Biology, Faculty of Biological Sciences, University of Concepción, Concepción, Chile.
Biological research
|October 24, 2024
概括
法医科学家现在可以通过蛋白质学和机器学习识别的三种蛋白质生物标志物以100%的准确度估计晚期死后间隔 (PMI). 这一突破增强了PMI对骨遗骸的预测,特别是在15年以后.
科学领域:
- 法医科学 法医科学 法医科学
- 生物化学 生化学
- 计算生物学 计算生物学
背景情况:
- 准确地确定死后间隔 (PMI) 是一个挑战,特别是超过5年的间隔.
- 传统方法与退化的软组织作斗争,需要骨分析.
- 当前PMI估计的准确性随着时间的推移显著下降,特别是在1-5年之间.
研究的目的:
- 使用蛋白质组学识别新型蛋白质生物标志物,以准确的PMI晚期估计.
- 利用机器学习来提高PMI预测的准确性,用于超过15年的时间间隔.
- 为了解决目前法医科学方法的局限性,以确定自死亡以来的时间.
主要方法:
- 在骨和肋骨骨遗骸上进行了蛋白质组分析 (LC-MS/MS).
- 蛋白质识别利用了三式和半式搜索,而半式对降解的样本证明是有利的.
- 随机森林算法模拟了用于PMI预测的蛋白质丰度,通过重要性得分和SHAP值选择生物标志物.
主要成果:
- 一组三种生物标志物的核心组 (K1C13,PGS1,CO3A1) 显著提高了15-20年间PMI的预测准确性.
- 一个机器学习模型使用从骨样本中获得的半性,在100次代中实现了100%的准确性.
- 半性体在骨蛋白质中表现出优于三性体的性能,用于晚期PMI预测.
结论:
- 结合蛋白质组学和机器学习,为准确的PMI晚期预测提供了一种可行的方法.
- 鉴定到的生物标志物显示出对完善法医蛋白质组学方法的希望.
- 未来的研究应该扩大样本大小和PMI范围,以进一步验证和标准化这些方法.
