解开死后的新陈代谢:一种机器学习方法来准确估计PMI
Ida Marie M Løber1,2,3, Mette S Hedemann4, Palle Villesen2,3
1Department of Forensic Medicine, Aarhus University, 8200 Aarhus, Denmark.
Analytical chemistry
|July 23, 2025
概括
这项研究开发了精确的机器学习模型,用于估计死后间隔 (PMI),使用从死亡4天内的老鼠组织中获得的分子数据. 这些发现为改善人类调查中的法医时间表提供了潜力.
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:
- 准确的死后间隔 (PMI) 估计对于法医调查至关重要.
- 现有的PMI方法往往缺乏法医应用所需的精度.
- 开发新的,准确的PMI估计技术是一个关键的需要.
研究的目的:
- 开发和验证用于PMI估计的准确机器学习模型.
- 确定可靠的分子生物标志物,用于在不同组织中确定PMI.
- 评估PMI估计的组织特定预测潜力.
主要方法:
- 利用非向的UHPLC-qTOF-MS来分析老鼠组织中的数千个分子.
- 采用机器学习 (Lasso,Random Forest) 来构建PMI的预测模型.
- 使用独立的老鼠组织数据集验证的模型.
主要成果:
- 在前4天内,在各种组织中实现了PMI估计的高交叉验证准确性.
- 随机森林模型表现出略高的预测性能.
- 确定了关键代谢物 (氨基酸,核酸) 作为潜在的PMI生物标志物.
结论:
- 开发的模型使用组织分子形状准确估计PMI.
- 已识别的代谢物在哺乳动物中保存,这表明人类的法医适用性.
- 组织特异性分析对于优化PMI估计准确度至关重要.
更多相关视频
07:11Author Spotlight: Emerging Technologies and Advanced Tools for Decoding Metabolomics Data Analysis
Published on: November 10, 2023
2.7K
11:25Multi-step Preparation Technique to Recover Multiple Metabolite Compound Classes for In-depth and Informative Metabolomic Analysis
Published on: July 11, 2014
34.0K