O metaboloma humano e aprendizado de máquina melhoram previsões do intervalo pós-morte

Por que a hora da morte é importante

Saber quando alguém morreu é um enigma central em muitas investigações criminais e de mortes inexplicadas. Uma estimativa precisa do tempo decorrido desde a morte, chamada intervalo pós-morte, pode confirmar ou refutar álibis, reduzir o número de suspeitos e ajudar a reconstruir o que ocorreu nas últimas horas e dias de uma pessoa. Ainda assim, as ferramentas atuais, como a temperatura corporal ou medições químicas no olho, perdem confiabilidade rapidamente após o primeiro dia ou dois. Este estudo investiga se vestígios químicos invisíveis no sangue, combinados com inteligência artificial moderna, podem estender essa janela útil — de alguns dias para quase dois meses após a morte.

Limites das pistas forenses atuais

Especialistas forenses tradicionalmente se apoiam em sinais visíveis e físicos, como descoloração da pele, rigidez do corpo ou resfriamento do cadáver, além dos níveis de potássio no líquido claro do olho. Essas pistas funcionam razoavelmente bem no início, mas são subjetivas, fortemente influenciadas pelo ambiente e geralmente deixam de ser confiáveis após um a três dias. Para períodos mais longos, os investigadores precisam recorrer a indicadores muito mais grosseiros, como atividade de insetos, o grau de decomposição ou até a análise de restos esqueléticos. Há uma necessidade clara de métodos quantitativos que possam preencher a lacuna entre estimativas iniciais baseadas na temperatura e abordagens tardias baseadas na decomposição.

Os traços químicos do corpo como um relógio oculto

Após a morte, as pequenas moléculas do corpo — coletivamente chamadas de metaboloma — mudam de maneiras sistemáticas à medida que as células perdem energia, as membranas se degradam e as proteínas são digeridas. Os pesquisadores aproveitaram isso reaproveitando dados toxicológicos existentes: medições de alta resolução de milhares de sinais químicos obtidos do sangue femoral rotineiramente coletado em autópsias. No total, analisaram 4.876 casos forenses reais com tempos conhecidos entre morte e autópsia, na maioria entre um e treze dias, mas chegando até 67 dias. Em vez de buscar um único marcador “mágico”, perguntaram se o padrão completo de muitos metabólitos juntos poderia funcionar como um relógio químico.

Ensinando uma IA a ler o relógio químico

A equipe treinou uma rede neural feed-forward, um tipo de modelo de aprendizado de máquina, para receber cerca de 2.300 sinais químicos e estimar os dias desde a morte. Após otimizar os parâmetros do modelo e usar parte dos casos para treinamento e parte para teste, o sistema previu o intervalo pós-morte com um erro médio de cerca de 1,5 dias e um erro mediano pouco acima de um dia, em casos não vistos. Esse desempenho superou seis abordagens alternativas, incluindo vários métodos estatísticos e de aprendizado de máquina padrão. Embora as previsões fossem mais precisas para mortes no meio da faixa temporal e menos precisas para intervalos muito curtos ou muito longos, o erro geral foi similar à incerteza já presente nos próprios tempos de morte registrados.

O que o modelo revela sobre a degradação dentro do corpo

Como redes neurais são frequentemente vistas como caixas-pretas, os autores examinaram mais de perto quais mudanças químicas o modelo usou. Ao rastrear como metabólitos importantes tendiam a subir ou cair com o tempo, descobriram três padrões amplos. Algumas moléculas, especialmente certos lipídios e acilcarnitinas, diminuíam de forma constante, coerente com a degradação de membranas celulares e o declínio da produção de energia mitocondrial. Outras, notadamente aminoácidos e pequenos fragmentos de proteínas, aumentavam, consistente com proteínas sendo fragmentadas à medida que os tecidos se degradam. Um terceiro grupo mostrou curvas mais complexas ao longo do tempo. Essas tendências refletem estudos anteriores em animais e humanos e apontam para processos biológicos reconhecíveis — quebra de lipídios, falha mitocondrial e digestão de proteínas — desdobrando-se progressivamente após a morte.

De grandes estudos a ferramentas práticas

Para testar se a abordagem funcionaria além de um único laboratório, os pesquisadores aplicaram a rede neural treinada a 512 novos casos medidos em outro ano e em outro espectrômetro de massa. Mesmo sem novo treinamento, o erro do modelo permaneceu em torno de 1,8 dias, sugerindo que o sinal químico é robusto o suficiente para sobreviver a diferenças de equipamento e cronologia. Também mostraram que modelos mais simples treinados com apenas algumas centenas de casos ainda alcançaram precisão útil, o que implica que institutos forenses menores poderiam construir suas próprias ferramentas de previsão. Embora fatores ambientais e causa da morte possam também moldar o metaboloma, e sejam necessários dados mais equilibrados em intervalos muito curtos e muito longos, os resultados indicam que dados toxicológicos de rotina podem ser reaproveitados como um auxílio poderoso para estimar o tempo desde a morte.

O que isso significa para investigações reais

Para um leitor não especializado, a conclusão principal é que a própria química do corpo após a morte parece funcionar como um relógio de movimento lento, e que a IA moderna pode ler esse relógio com precisão de cerca de um dia ao longo de mais de uma semana. Isso não é um cronômetro perfeito, nem substitui o julgamento de peritos forenses ou outras evidências. Mas à medida que esses métodos são refinados e validados em mais contextos, eles podem oferecer aos investigadores uma estimativa mais objetiva e orientada por dados do tempo desde a morte, particularmente na janela crítica em que as abordagens padrão atuais começam a falhar.

Citação: 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

Palavras-chave: ciência forense, hora da morte, metabolômica, aprendizado de máquina, intervalo pós-morte