Das menschliche Metabolom und maschinelles Lernen verbessern Vorhersagen des Todeszeitpunkts

Warum der Zeitpunkt des Todes wichtig ist

Zu wissen, wann jemand gestorben ist, ist ein zentrales Rätsel in vielen kriminal- und unaufgeklärten Todesfällen. Eine präzise Schätzung der seit dem Tod verstrichenen Zeit, das sogenannte postmortale Intervall, kann Alibis bestätigen oder widerlegen, Verdächtige eingrenzen und dabei helfen, die letzten Stunden und Tage einer Person zu rekonstruieren. Die heute verfügbaren Werkzeuge, etwa Körpertemperatur oder chemische Messungen im Auge, verlieren jedoch bereits nach einem bis zwei Tagen schnell an Zuverlässigkeit. Diese Studie untersucht, ob unsichtbare chemische Spuren im Blut in Kombination mit moderner künstlicher Intelligenz dieses nützliche Zeitfenster erweitern können — von ein paar Tagen auf nahezu zwei Monate nach dem Tod.

Grenzen heutiger forensischer Hinweise

Forensiker stützen sich traditionell auf sichtbare und physische Zeichen wie Hautverfärbung, Körpersteifigkeit oder Abkühlung der Leiche sowie auf Kaliumwerte in der klaren Flüssigkeit des Auges. Diese Hinweise funktionieren zu Beginn recht gut, sind aber subjektiv, stark von der Umgebung beeinflusst und sind meist nach ein bis drei Tagen nicht mehr verlässlich. Für längere Zeiträume müssen Ermittler auf weitaus gröbere Indikatoren zurückgreifen, etwa Insektenaktivität, den Zersetzungszustand oder sogar die Analyse von skelettierten Überresten. Es besteht ein klarer Bedarf an quantitativen Methoden, die die Lücke zwischen frühen, temperaturbasierten Schätzungen und sehr späten, zersetzungsbasierten Ansätzen überbrücken können.

Die chemischen Spuren des Körpers als versteckte Uhr

Nach dem Tod verändern sich die kleinen Moleküle des Körpers — insgesamt als Metabolom bezeichnet — auf systematische Weise, wenn Zellen Energie verlieren, Membranen zerfallen und Proteine abgebaut werden. Die Forschenden nutzten hierfür bereits vorhandene Toxikologie-Daten: hochauflösende Messungen von Tausenden chemischer Merkmale aus femoralem Blut, das routinemäßig bei Obduktionen entnommen wird. Insgesamt analysierten sie 4.876 reale forensische Fälle mit bekannten Zeiträumen zwischen Tod und Obduktion, meist zwischen einem und dreizehn Tagen, in Einzelfällen bis zu 67 Tagen. Statt nach einem einzigen „magischen“ Marker zu suchen, fragten sie, ob das Gesamtmuster vieler Metaboliten zusammen als chemische Uhr dienen könnte.

Der KI das Lesen der chemischen Uhr beibringen

Das Team trainierte ein Feed-forward-Neuronales Netz, eine Form des maschinellen Lernens, das etwa 2.300 chemische Signale einliest und als Ausgabe die geschätzten Tage seit dem Tod liefert. Nach Optimierung der Modelleinstellungen und unter Nutzung eines Teils der Fälle zum Training und eines anderen zum Testen, sagte das System das postmortale Intervall mit einem durchschnittlichen Fehler von etwa 1,5 Tagen und einem medianen Fehler knapp über einem Tag in unbekannten Fällen voraus. Diese Leistung war besser als die von sechs alternativen Ansätzen, darunter mehrere Standardverfahren der Statistik und des maschinellen Lernens. Während die Vorhersagen am genauesten für Todesfälle in der Mitte des Zeitbereichs waren und für sehr kurze oder sehr lange Intervalle weniger präzise, entsprach der Gesamterror in etwa der Unsicherheit, die ohnehin schon in den aufgezeichneten Todeszeiten vorhanden ist.

Was das Modell über den Zerfall im Körper verrät

Weil neuronale Netze oft als Blackbox gesehen werden, untersuchten die Autorinnen und Autoren genauer, welche chemischen Veränderungen das Modell nutzte. Indem sie verfolgten, welche Metaboliten tendenziell mit der Zeit an Bedeutung gewannen oder verloren, entdeckten sie drei breite Muster. Einige Moleküle, besonders bestimmte Lipide und Acylcarnitine, nahmen stetig ab, was zum Zerfall von Zellmembranen und dem Rückgang mitochondrialer Energieproduktion passt. Andere, namentlich Aminosäuren und kurze Proteinstücke, stiegen an, konsistent mit dem Zerschneiden von Proteinen, während sich Gewebe zersetzen. Eine dritte Gruppe zeigte komplexere Kurven über die Zeit. Diese Trends spiegeln frühere Tier- und Humanstudien wider und deuten auf erkennbare biologische Prozesse — Lipidabbau, mitochondriales Versagen und Proteindigestion — hin, die sich nach dem Tod nacheinander entfalten.

Von großen Studien zu praktischen Werkzeugen

Um zu prüfen, ob ihr Ansatz über ein einzelnes Labor hinaus funktionieren könnte, wandten die Forschenden das trainierte neuronale Netz auf 512 neue Fälle an, die in einem anderen Jahr auf einem anderen Massenspektrometer gemessen worden waren. Selbst ohne erneutes Training blieb der Fehler des Modells bei rund 1,8 Tagen, was darauf hindeutet, dass das chemische Signal robust genug ist, um Unterschiede in Geräten und Zeitpunkten zu überstehen. Sie zeigten außerdem, dass einfachere Modelle, die nur mit ein paar hundert Fällen trainiert wurden, immer noch nützliche Genauigkeit erreichten, was nahelegt, dass kleinere forensische Institute eigene Vorhersagewerkzeuge entwickeln könnten. Obwohl Umweltfaktoren und Todesursachen das Metabolom ebenfalls beeinflussen können und ausgewogenere Daten für sehr kurze und sehr lange Intervalle nötig sind, deuten die Ergebnisse darauf hin, dass routinemäßige Toxikologie-Daten zu einem leistungsfähigen Hilfsmittel für die Schätzung der Todeszeit umfunktioniert werden können.

Was das für reale Ermittlungen bedeutet

Für Nicht-Fachleute ist die wichtigste Erkenntnis, dass die körpereigene Chemie nach dem Tod wie eine langsam laufende Uhr zu wirken scheint und dass moderne KI diese Uhr mit etwa einem Tag Genauigkeit über mehr als eine Woche hinweg ablesen kann. Dies ist keine perfekte Stoppuhr und ersetzt nicht das Urteil von forensischen Expertinnen und Experten oder andere Beweismittel. Doch wenn diese Methoden weiter verfeinert und in mehr Umgebungen validiert werden, könnten sie Ermittlern eine objektivere, datengetriebene Schätzung der seit dem Tod verstrichenen Zeit liefern — insbesondere in dem kritischen Bereich, in dem heutige Standardmethoden an ihre Grenzen stoßen.

Zitation: Magnusson, R., Söderberg, C., Ward, L.J. et al. The human metabolome and machine learning improves predictions of the post-mortem interval. Nat Commun 17, 1504 (2026). https://doi.org/10.1038/s41467-026-69158-w

Schlüsselwörter: forensische Wissenschaft, Todeszeitpunkt, Metabolomik, maschinelles Lernen, postmortales Intervall