ヒトのメタボロームと機械学習が死後経過時間の予測を改善する

なぜ死亡の時刻が重要か

誰かがいつ亡くなったかを知ることは、多くの刑事事件や原因不明の死の捜査における中心的な謎です。死亡からの経過時間の精密な推定、つまり死後経過時間は、アリバイの確認や否定、容疑者の絞り込み、被害者の最期の数時間から数日の出来事の再構築に役立ちます。しかし現在の手法は、体温や眼球内の化学的測定値のようなものでも、最初の1〜2日を過ぎると急速に信頼性を失ってしまいます。本研究は、血液中の目に見えない化学的痕跡と現代の人工知能を組み合わせることで、有用な推定可能期間を数日からほぼ2ヶ月まで延ばせるかどうかを探っています。

現行の法科学的手がかりの限界

法科学の専門家は伝統的に、皮膚の変色、死体の硬直、遺体の冷却といった目に見える物理的徴候や、眼房水中のカリウム濃度などに依拠してきました。これらは初期にはある程度有効ですが主観的で環境に強く左右され、通常は1〜3日後には頼りにならなくなります。より長い期間に関しては、昆虫の活動や腐敗の状態、あるいは骨化した遺体の解析といったずっと粗い指標に頼らざるを得ません。早期の温度ベースの推定と、後期の腐敗ベースの手法との間を埋める定量的な方法のニーズが明らかです。

体内の化学的痕跡は隠れた時計である

死後、細胞がエネルギーを失い、膜が崩れ、タンパク質が分解されるにつれて、小分子群（総称してメタボローム）は体系的に変化します。研究者たちはこれを利用し、既存の法医学的毒性学データ、つまり検死時に通常採取される大腿静脈血からの高分解能で得られた何千もの化学特徴の測定値を再利用しました。合計で、死後から検死までの時間が既知の4,876件の実際の法医学事例を解析しました。これらは主に1〜13日間に集中していましたが、最長で67日まで含まれていました。単一の「魔法の」マーカーを探す代わりに、多数の代謝物の全体的なパターンが化学的な時計として機能するかを問いかけました。

化学的時計を読むようAIを教える

チームは、約2,300の化学信号を入力として受け取り、死亡からの日数を出力するフィードフォワード型ニューラルネットワークという機械学習モデルを訓練しました。モデルの設定を最適化し、症例の一部を訓練に、残りをテストに用いたところ、未知の事例に対して平均誤差約1.5日、中央値誤差は1日弱という精度で死後経過時間を予測しました。この性能は、いくつかの標準的な統計手法や機械学習法を含む6つの代替手法よりも優れていました。予測は時間範囲の中央付近の死で最も正確で、非常に短いまたは非常に長い間隔では精度が下がりましたが、全体的な誤差は記録された死亡時刻自体に既に存在する不確実性と同程度でした。

モデルが示す体内の腐敗の様子

ニューラルネットワークはしばしばブラックボックスと見なされるため、著者らはモデルが利用している化学変化を詳しく調べました。時間とともに重要度が上がるか下がるかを追跡することで、三つの大まかなパターンを発見しました。特に一部の脂質やアシルカルニチンなどの分子は徐々に減少し、これは細胞膜の崩壊やミトコンドリアのエネルギー産生の低下と一致します。アミノ酸や短いタンパク質断片など一部は増加し、組織が分解されるにつれてタンパク質が切断されることと整合します。三つ目のグループは時間経過でより複雑な曲線を示しました。これらの傾向は先行する動物やヒトの研究と一致し、脂質分解、ミトコンドリア機能の喪失、タンパク質の消化といった認識可能な生物学的過程が死後に段階的に進行することを示唆します。

大規模研究から実用ツールへ

彼らの手法が単一の研究室を越えて機能するかを試すため、研究者らは訓練済みのニューラルネットワークを、別の年に別の質量分析装置で測定された512件の新しい事例に適用しました。再訓練を行わなくても、モデルの誤差は約1.8日で維持され、化学信号は装置や測定時期の違いに耐えうるほど頑健であることを示唆しました。また、数百例のみで訓練したより単純なモデルでも実用的な精度を達成できることを示し、小規模な法科学機関でも独自の予測ツールを構築できる可能性を示しました。環境要因や死因もメタボロームに影響を与えること、非常に短いおよび非常に長い間隔におけるデータのバランスを改善する必要があることは残りますが、日常的な毒性学データを死後経過時間の推定に転用できる強力な助けになることを示しています。

実際の捜査にとっての意義

専門外の人にとっての要点は、死後の体内化学がゆっくり動く時計のように振る舞い、現代のAIがその時計を1日程度の精度で一週間以上にわたって読むことができるように見える、ということです。これは完璧なストップウォッチではなく、法医学専門家の判断や他の証拠に取って代わるものではありません。しかし、これらの手法がさらに精緻化され、より多くの状況で検証されれば、今日の標準的手法が頼りにならなくなる重要な時間帯に、より客観的でデータ駆動の死後経過時間推定を捜査に提供する可能性があります。

引用: 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

キーワード: 法科学, 死亡時刻, メタボロミクス, 機械学習, 死後経過時間