基于多器官代谢组学和集成学习的死亡时间推断方法

死亡时间推断是推测和判断尸体检验时距离死亡当时的间隔时间，一直以来都是法医实际工作的难点，同样也是法医病理学研究的科学问题。准确推断死亡时间对明确发案时间、划定作案嫌疑人、确定案件性质乃至整个案件侦破均具有重要作用。在实际检案工作中，法医最常用的方法是依据尸体现象如尸斑、尸僵、胃肠内容物消化程度、昆虫、微生物等推断死亡时间，但这些方法往往受勘验者的主观经验、死者自身因素（性别、年龄、体重、衣着情况、死亡原因等）、周围环境（温度、湿度、空气流通等）等错综复杂的因素影响，死亡时间的推断常常出现较大误差。

因此，探索一种更为便捷、准确的方法尤为迫切。代谢组学技术主要研究对象为参与新陈代谢、维持生命体正常生长、发育、凋亡的所有内源性小分子，如氨基酸、碳水化合物、脂类、核酸等，通过应用超高效液相色谱－高分辨率质谱联用技术检测大鼠死后0d-30d内骨骼肌、肝脏、肺脏、肾脏中的小分子化合物，利用差异性小分子化合物结合集成学习算法建立多器官组织多指标多模型的死亡时间推断判别模型，为死亡时间推断提供新的方法和思路。实验及分析流程如图1。

通过OPLS-DA分析，依据VIP＞1和独立样本t检验P＜0.05筛选出大鼠骨骼肌所有时间点共有42个差异性小分子

图1 实验及分析流程

化合物，大鼠肝脏共有59个差异性小分子化合物，大鼠肺脏共有62个差异性小分子化合物，大鼠肾脏共有67个差异性小分子化合物。这些小分子化合物主要包括氨基酸、脂肪酸、核苷酸、酰胺、醛类、酮类、有机酸、吲哚衍生物和其他生物活性物质。四种器官组织共有的内源性差异小分子化合物有13个，以上化合物分别在四种器官组织中的相对表达量变化如图2。

利用各器官组织筛选出的差异性小分子化合物分别建立了单一器官组织的死亡时间推断模型，将测试集数据带入各模型中，骨骼肌、肝脏、肺脏、肾脏的预测准确率分别为61%、53%、53%、69%，如图3所示。

将4种器官组织共计共计230个差异性小分子化合物融合，建立多器官组织多指标机器学习模型，将测试集带入模型进行性能测试，模型的最小平均AUCs为0.94，除7d、15d和21d的AUCs小于0.9，其他各时间点均大于0.9，最终的

图2 不同死亡时间点4种器官组织共有化合物的相对表达量变化趋势

图3 四种器官组织最优模型RF的测试结果

预测准确率为78%，如图4所示。

图4 多器官组织多指标融合RF模型测试结果

依据骨骼肌、肝脏、肾脏、肺脏所有时间点差异性小分子化合物，对各器官组织分别进行RF、SVM、MLP三种机器学习模型的建立，通过比较验证集ROC曲线及AUCs，确定各器官组织最优模型。将各器官组织的最优模型进行多器官组织多指标多模型的Stacking集成学习，集成学习模型流程图如图5所示。将测试集数据代入集成学习模型中，最小平均AUCs=0.95，且具体时间点0d、1d、2d、3d、5d、15d、18d、24d、27d和30d的AUCs为1.00，集成学习模型的准确率高达78%，远高于单一器官组织模型。与第三部分实验结果相比，虽多器官组织指标融合的RF模型预测准确率也为78%，但本部分中集成学习模型的AUCs更高（0.95vs0.91），且14个死后时间点中的10个时间点的模型AUCs=1.0。这也就说明了集成学习模型的优越性，可用于PMI推断的研究，达到了本研究的预期目的。

图5 Stacking集成学习流程图

此部分内容已于2022年6月3日发表在《International Journal of Legal Medicine上》。