Ludzki metabolom i uczenie maszynowe poprawiają prognozy dotyczące czasu pośmiertnego

Dlaczego moment zgonu ma znaczenie

Znajomość momentu śmierci jest kluczową zagadką w wielu sprawach kryminalnych i w dochodzeniach dotyczących niewyjaśnionych zgonów. Dokładne oszacowanie czasu, jaki upłynął od śmierci — tzw. czasu pośmiertnego — może potwierdzić lub obalić alibi, zawęzić krąg podejrzanych i pomóc odtworzyć, co wydarzyło się w ostatnich godzinach i dniach życia danej osoby. Tymczasem stosowane dziś narzędzia, takie jak pomiar temperatury ciała czy oznaczenia chemiczne w oku, szybko tracą wiarygodność po pierwszym lub dwóch dniach. W badaniu tym sprawdzono, czy niewidoczne ślady chemiczne we krwi, połączone z nowoczesną sztuczną inteligencją, mogą wydłużyć ten użyteczny okres — z kilku dni do prawie dwóch miesięcy po śmierci.

Ograniczenia współczesnych wskazówek kryminalistycznych

Biegli kryminalistyczni tradycyjnie polegają na widocznych i fizycznych oznakach, takich jak przebarwienia skóry, sztywność zwłok czy wychłodzenie ciała, a także na poziomie potasu w przejrzystym płynie oka. Te wskazówki działają stosunkowo dobrze we wczesnym okresie, ale są subiektywne, silnie zależne od warunków środowiskowych i zwykle przestają być wiarygodne po jednym do trzech dni. W przypadku dłuższych okresów śledczy muszą sięgać po znacznie grubsze wskaźniki, takie jak aktywność owadów, stopień rozkładu czy analiza szczątków kostnych. Istnieje wyraźna potrzeba metod ilościowych, które mogłyby wypełnić lukę między wczesnymi oszacowaniami opartymi na temperaturze a bardzo późnymi podejściami opartymi na rozkładzie.

Chemiczne ślady ciała jako ukryty zegar

Po śmierci małe cząsteczki w organizmie — zbiorczo nazywane metabolomem — zmieniają się w systematyczny sposób, gdy komórki tracą energię, błony komórkowe ulegają rozkładowi, a białka są trawione. Badacze wykorzystali to, przeglądając istniejące dane toksykologiczne: wysokorozdzielcze pomiary tysięcy cech chemicznych z krwi udowej rutynowo pobieranej podczas sekcji zwłok. W sumie przeanalizowali 4 876 rzeczywistych spraw sądowo-lekarskich z znanym odstępem czasu między śmiercią a sekcją, przeważnie między jednym a trzynastoma dniami, ale sięgającymi do 67 dni. Zamiast poszukiwać pojedynczego „magicznnego” markera, sprawdzili, czy cały wzorzec wielu metabolitów razem może działać jak chemiczny zegar.

Nauczanie SI odczytywania chemicznego zegara

Zespół wytrenował sieć neuronową typu feed-forward, rodzaj modelu uczenia maszynowego, aby przyjmowała około 2 300 sygnałów chemicznych i zwracała szacowaną liczbę dni od śmierci. Po optymalizacji parametrów modelu oraz użyciu części przypadków do treningu i części do testów, system przewidywał czas pośmiertny z średnim błędem około 1,5 dnia, a medianą błędu nieco ponad jednego dnia w przypadkach nieużywanych wcześniej do uczenia. Wyniki te były lepsze niż sześciu alternatywnych metod, w tym kilku standardowych technik statystycznych i uczenia maszynowego. Prognozy były najdokładniejsze dla zgonów w środku zakresu czasowego i mniej precyzyjne dla bardzo krótkich lub bardzo długich odstępów, jednak ogólny błąd był porównywalny z niepewnością już obecną w zarejestrowanych czasach zgonu.

Co model ujawnia o rozkładzie wewnątrz ciała

Ponieważ sieci neuronowe bywają postrzegane jako czarne skrzynki, autorzy przyjrzeli się bliżej, które zmiany chemiczne model wykorzystywał. Śledząc, jak ważność poszczególnych metabolitów zmieniała się w czasie, odkryli trzy szerokie wzorce. Niektóre molekuły, zwłaszcza określone lipidy i acylokarnityny, stopniowo malały, co pasuje do rozpadu błon komórkowych i spadku produkcji energii w mitochondriach. Inne, w szczególności aminokwasy i krótkie fragmenty białek, rosły, co zgodne jest z rozcinaniem białek w miarę degradacji tkanek. Trzecia grupa wykazywała bardziej złożone krzywe w czasie. Te trendy odzwierciedlają wcześniejsze badania na zwierzętach i ludziach oraz wskazują na rozpoznawalne procesy biologiczne — rozkład lipidów, niewydolność mitochondrialną i trawienie białek — które stopniowo zachodzą po śmierci.

Od dużych badań do praktycznych narzędzi

Aby sprawdzić, czy ich podejście zadziała poza jednym laboratorium, badacze zastosowali wytrenowaną sieć neuronową do 512 nowych przypadków zmierzonych w innym roku na innym spektrometrze mas. Nawet bez ponownego treningu błąd modelu pozostał na poziomie około 1,8 dnia, co sugeruje, że sygnał chemiczny jest wystarczająco odporny, by przetrwać różnice w sprzęcie i harmonogramie. Pokazali też, że prostsze modele wytrenowane na zaledwie kilkuset przypadkach nadal osiągały użyteczną dokładność, co sugeruje, że mniejsze instytuty sądowo-lekarskie mogłyby zbudować własne narzędzia predykcyjne. Chociaż czynniki środowiskowe i przyczyna zgonu również kształtują metabolom, i potrzeba bardziej zrównoważonych danych dla bardzo krótkich i bardzo długich odstępów, wyniki wskazują, że rutynowe dane toksykologiczne można przekształcić w potężne wsparcie przy szacowaniu czasu od zgonu.

Co to oznacza dla rzeczywistych śledztw

Dla osoby niezwiązanej ze specjalistyczną dziedziną kluczowe wnioski są takie, że chemia ciała po śmierci wydaje się działać jak wolno poruszający się zegar, a nowoczesna sztuczna inteligencja potrafi odczytać ten zegar z precyzją około jednego dnia przez ponad tydzień. To nie jest doskonały stoper i nie zastępuje osądu biegłych ani innych dowodów. Jednak w miarę dopracowywania i weryfikowania tych metod w kolejnych miejscach, mogą one dać śledczym bardziej obiektywne, oparte na danych oszacowanie czasu od zgonu, szczególnie w krytycznym oknie, kiedy dziś stosowane standardowe podejścia zaczynają zawodzić.

Cytowanie: 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

Słowa kluczowe: kryminalistyka, czas zgonu, metabolomika, uczenie maszynowe, czas pośmiertny