検死でのメタボロミクスパターンからケトアシドーシスを検出しサブタイプ分類する

検死室の外でこれが重要な理由

ケトアシドーシスは血液が危険なほど酸性になる生命を脅かす状態で、しばしば糖尿病、過度の飲酒、極度の低体温、飢餓と関連します。突然の死亡例では、今日の検査を用いても、どのプロセスが実際の死因だったかを法医医が判断するのは意外に難しいことがあります。本研究は、血中の微量分子パターンと現代の計算手法を組み合わせることで、故人の最終的な代謝状態を再構築し、なぜ死亡したのかをより明確に説明できることを示しています。

血液化学に潜む手がかりを探す

研究者らはグルコースや個別のケトン体などいくつかの既知物質だけを測る代わりに、メタボロミクスと呼ばれる広範な手法を用いました。この手法は血液試料中の何千もの小分子を同時に捉え、死亡時点の体内化学の詳細なスナップショットを提供します。スウェーデンでは検査の一環として検死血液が高分解能質量分析で薬物スクリーニングにかけられており、チームは同じ測定データに体内由来分子の豊富な情報が含まれていることに着目し、2017年から2020年に収集された1,700件以上の実際の法医学症例をこの既存資源で解析しました。

致死性アシドーシスの「パターン検出器」を構築する

研究者らは主に4つの死亡群に注目しました：アルコール性ケトアシドーシス、糖尿病性ケトアシドーシス、致命的低体温、そして絞首。絞首は通常死因が明瞭で経過が比較的短いため、代謝が大きく変化する時間が少ないことからコントロール群として使われました。各被検者の大腿静脈血から4,484の異なる化学信号が抽出され、統計解析の結果、ケトアシドーシス関連の死亡とコントロール群の間で1,400以上が差異を示しましたが、単純な可視化では群をきれいに分離できず、より高度なパターン認識手法が必要であることが示唆されました。

原因を分類するために機械に学習させる

この複雑性に対処するため、研究者らはランダムフォレスト、ペナルティ付き回帰の一種、サポートベクターマシンという3種類の機械学習モデルを訓練しました。まずモデルに単純な問いをさせました：この人はケトアシドーシスで死亡したかどうか。症例の70％で学習させ、残り30％でテストしたところ、いずれのモデルもケトアシドーシスを約90％の精度で検出し、コントロールを約98％で正しく認識し、死後でもケトアシドーシスの代謝フィンガープリントが明確かつ検出可能であることを示しました。

同じ致死状態に至る異なる経路を見分ける

次にチームはより難しい課題にモデルを挑ませました：アルコール性ケトアシドーシス、糖尿病性ケトアシドーシス、低体温、コントロールを区別することです。ここでもシステムは堅調に動作し、バランス精度が80％を超えました。特にアルコール性と糖尿病性のケトアシドーシスの区別に優れ、低体温はしばしばコントロールと誤分類されることがあり、これら群間で化学的な重なりがあることを反映しています。モデルが単に糖尿病や飲酒を検出しているのではなくケトアシドーシスを捉えているかを調べるため、研究者らは糖尿病や飲酒があるが主要な死因が別にある新しい症例群でもモデルをテストしました。多くが正しくコントロールと分類され、モデルが背景疾患ではなく最終的な代謝危機に着目していることを支持しました。

分子が語る臨終の数時間

モデルが重視した特徴を詳しく調べることで、研究者らはいくつかの同定済み分子を特定しました。たとえば、グルコサミン関連の信号は糖尿病を含む死亡で高く、慢性的な高血糖に関連する既知の経路と一致しました。ストレスホルモンであるコルチゾールはすべてのケトアシドーシス亜型でコントロールより高く、重度の生理的負荷のマーカーとしての役割を支持します。ビタミンB3の分解産物や色素化学に関連する他の分子は低体温で特に変化が大きく、以前の研究と一致して低体温ストレスが臨終近くの代謝をどう変えるかを示唆しています。

難しい法医学的決断により客観性を

平たく言えば、本研究は、死後血液の広範な化学プロファイルで学習したコンピュータが、患者がケトアシドーシス状態で死亡したかを検出するとともに、糖尿病、アルコール、低温暴露のどれが主因だったかを多くの場合に判定できることを示しています。モデルは完全ではなく、慎重な研究設計と高品質なデータに依存しますが、従来の所見や少数の検査結果があいまいな場合に強力な第二の判断材料を提供します。さらなる検証が進めば、このようなメタボロミクスのパターン解析は、検死医が遺族や法廷に対してどのように、なぜ人が亡くなったのかをより明確に示す助けになる可能性があります。

引用: Monte, R.E.C., Magnusson, R., Söderberg, C. et al. Detecting and subtyping ketoacidosis from metabolomic patterns in forensic casework. Sci Rep 16, 11607 (2026). https://doi.org/10.1038/s41598-026-45073-4

キーワード: ケトアシドーシス, 法医学病理学, メタボロミクス, 機械学習, 死因