Il metaboloma umano e l’apprendimento automatico migliorano le previsioni dell’intervallo post-mortem

Perché il momento della morte conta

Sapere quando una persona è morta è un enigma centrale in molte indagini penali e su decessi non spiegati. Una stima precisa del tempo trascorso dalla morte, chiamata intervallo post-mortem, può confermare o smentire alibi, restringere il campo dei sospetti e aiutare a ricostruire cosa è accaduto nelle ultime ore e giorni di una persona. Tuttavia gli strumenti odierni, come la temperatura corporea o misurazioni chimiche nell’occhio, perdono rapidamente affidabilità dopo il primo giorno o due. Questo studio esplora se tracce chimiche invisibili nel sangue, combinate con l’intelligenza artificiale moderna, possano estendere quella finestra utile — da un paio di giorni a quasi due mesi dopo la morte.

Limiti degli indizi forensi attuali

Gli esperti forensi fanno tradizionalmente affidamento su segni visibili e fisici come la discromia cutanea, la rigidità cadaverica o il raffreddamento del corpo, oltre ai livelli di potassio nel liquido trasparente dell’occhio. Questi indizi funzionano ragionevolmente bene nelle fasi iniziali ma sono soggettivi, fortemente influenzati dall’ambiente e, di norma, smettono di essere affidabili dopo uno-tre giorni. Per periodi più lunghi, gli investigatori devono ricorrere a indicatori molto più grossolani come l’attività degli insetti, lo stato di decomposizione o persino l’analisi di resti scheletrici. Esiste un chiaro bisogno di metodi quantitativi che possano colmare il divario tra stime precoci basate sulla temperatura e approcci tardivi basati sulla decomposizione.

Le tracce chimiche del corpo come un orologio nascosto

Dopo la morte, le piccole molecole del corpo — collettivamente chiamate metaboloma — cambiano in modo sistematico man mano che le cellule perdono energia, le membrane si degradano e le proteine vengono digerite. I ricercatori hanno sfruttato questo riutilizzando dati tossicologici esistenti: misurazioni ad alta risoluzione di migliaia di caratteristiche chimiche da sangue femorale raccolto routinariamente durante le autopsie. In totale hanno analizzato 4.876 casi forensi reali con tempi noti tra morte e autopsia, per lo più tra uno e tredici giorni ma estesi fino a 67 giorni. Invece di cercare un singolo marcatore “magico”, si sono chiesti se l’insieme dei molti metaboliti potesse funzionare come un orologio chimico.

Insegnare a un’IA a leggere l’orologio chimico

Il team ha addestrato una rete neurale feed-forward, un tipo di modello di apprendimento automatico, per ricevere circa 2.300 segnali chimici e produrre in output la stima dei giorni trascorsi dalla morte. Dopo aver ottimizzato i parametri del modello e utilizzato una parte dei casi per l’addestramento e una parte per il test, il sistema ha previsto l’intervallo post-mortem con un errore medio di circa 1,5 giorni e un errore mediano appena sopra il giorno in casi non visti. Questa performance è stata migliore rispetto a sei approcci alternativi, inclusi diversi metodi statistici e di machine learning standard. Pur essendo le previsioni più accurate per decessi nella parte centrale dell’intervallo temporale e meno precise per intervalli molto brevi o molto lunghi, l’errore complessivo è risultato simile all’incertezza già presente nei tempi di morte registrati.

Cosa rivela il modello sulla decomposizione interna al corpo

Poiché le reti neurali sono spesso viste come scatole nere, gli autori hanno esaminato più da vicino quali cambiamenti chimici il modello utilizzava. Tracciando come i metaboliti importanti tendevano ad aumentare o diminuire nel tempo, hanno identificato tre schemi principali. Alcune molecole, in particolare certi lipidi e acilcarnitine, diminuivano costantemente, coerentemente con la degradazione delle membrane cellulari e il calo della produzione energetica mitocondriale. Altre, in particolare amminoacidi e brevi frammenti proteici, aumentavano, in linea con la scissione delle proteine man mano che i tessuti si degradano. Un terzo gruppo mostrava curve temporali più complesse. Queste tendenze riflettono studi precedenti su animali e su esseri umani e indicano processi biologici riconoscibili — degradazione lipidica, fallimento mitocondriale e digestione proteica — che si manifestano progressivamente dopo la morte.

Dai grandi studi agli strumenti pratici

Per verificare se il loro approccio potesse funzionare oltre un singolo laboratorio, i ricercatori hanno applicato la rete neurale addestrata a 512 nuovi casi misurati in un anno diverso con un altro spettrometro di massa. Anche senza riaddestramento, l’errore del modello è rimasto intorno a 1,8 giorni, suggerendo che il segnale chimico è sufficientemente robusto da sopravvivere a differenze di strumentazione e tempi. Hanno anche dimostrato che modelli più semplici addestrati su poche centinaia di casi raggiungevano comunque precisioni utili, implicando che istituti forensi più piccoli potrebbero costruire i propri strumenti predittivi. Sebbene fattori ambientali e causa della morte possano influenzare il metaboloma e siano necessari dati più bilanciati per intervalli molto brevi e molto lunghi, i risultati indicano che i dati tossicologici di routine possono essere riutilizzati come valido ausilio per stimare il tempo trascorso dalla morte.

Cosa significa per le indagini reali

Per un lettore non specialista, la conclusione principale è che la chimica del corpo dopo la morte sembra comportarsi come un orologio che scorre lentamente e che l’IA moderna è in grado di leggerlo con una precisione dell’ordine del giorno per oltre una settimana. Non è un cronometro perfetto e non sostituisce il giudizio degli esperti forensi o altre prove. Ma man mano che questi metodi verranno perfezionati e convalidati in contesti diversi, potrebbero offrire agli investigatori una stima più obiettiva e basata sui dati del tempo trascorso dalla morte, in particolare nella finestra critica in cui gli approcci standard odierni cominciano a fallire.

Citazione: 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

Parole chiave: scienze forensi, momento della morte, metabolomica, apprendimento automatico, intervallo post-mortem