Метаболом человека и машинное обучение улучшают прогнозирование интервала после смерти

Почему важно знать время смерти

Установление времени смерти — ключевая задача во многих уголовных и необъяснимых случаях. Точное определение времени, прошедшего с момента смерти, называемое интервалом после смерти, может подтвердить или опровергнуть алиби, сузить круг подозреваемых и помочь восстановить события в последние часы и дни жизни человека. Однако современные методы, такие как измерение температуры тела или химические анализы жидкости глаза, теряют надежность уже через сутки–двое. В этом исследовании изучается, могут ли невидимые химические следы в крови в сочетании с современным искусственным интеллектом расширить этот полезный интервал — от нескольких дней до почти двух месяцев после смерти.

Ограничения нынешних судебных методов

Судебные эксперты традиционно опираются на видимые и физические признаки — изменение цвета кожи, окоченение тела, охлаждение трупа — а также на уровень калия в прозрачной жидкости глаза. Эти признаки работают достаточно хорошо на ранних стадиях, но являются субъективными, сильно зависят от окружающей среды и обычно перестают быть надежными через один–три дня. Для более длинных периодов следователи вынуждены полагаться на гораздо грубее методы: активность насекомых, степень разложения или анализ скелетированных останков. Нужны количественные методы, которые могли бы заполнить разрыв между ранними оценками на основе температуры и поздними подходами, основанными на разложении.

Химические следы в теле как скрытые часы

После смерти малые молекулы в организме — совместно называемые метаболомом — систематически меняются по мере того, как клетки теряют энергию, разрушаются мембраны и расщепляются белки. Исследователи использовали это, переработав имеющиеся токсикологические данные: высокоточные измерения тысяч химических признаков в бедренной крови, routinely собираемой при вскрытиях. В сумме они проанализировали 4 876 реальных судебных случаев с известным временем между смертью и вскрытием, в основном от одного до тринадцати дней, но с расширением до 67 дней. Вместо поиска единого «волшебного» маркера авторы выясняли, может ли весь набор множества метаболитов вместе служить химическими часами.

Обучение ИИ чтению химических часов

Команда обучила прямую нейронную сеть (feed-forward), разновидность модели машинного обучения, которая принимает примерно 2 300 химических сигналов и выдаёт оценку количества дней с момента смерти. Оптимизировав параметры модели и разделив данные на обучающую и тестовую части, система предсказывала интервал после смерти со средней ошибкой около 1,5 дня и медианной ошибкой чуть более одного дня для невидимых ранее случаев. Эта производительность превосходила шесть альтернативных подходов, включая несколько стандартных статистических и машинного обучения методов. Предсказания были наиболее точными для случаев в середине временного диапазона и менее точными для очень коротких или очень длинных интервалов; в целом же ошибка была сопоставима с неопределённостью, уже имеющейся в зафиксированных временах смерти.

Что модель раскрывает о разложении в теле

Поскольку нейронные сети часто воспринимаются как чёрные ящики, авторы более внимательно изучили, какие химические изменения использует модель. Отслеживая, какие метаболиты увеличиваются или уменьшаются со временем, они выделили три общие модели. Некоторые молекулы, особенно определённые липиды и ацилаккарнитины, стабильно снижались — это согласуется с разрушением клеточных мембран и падением митохондриальной энергетики. Другие, в особенности аминокислоты и короткие фрагменты белков, увеличивались, что соответствует расщеплению белков по мере деградации тканей. Третья группа демонстрировала более сложные временные кривые. Эти тенденции отражают прежние исследования на животных и людях и указывают на узнаваемые биологические процессы — распад липидов, митохондриальную недостаточность и переваривание белков — которые последовательно разворачиваются после смерти.

От крупных исследований к практическим инструментам

Чтобы проверить переносимость подхода за пределы одной лаборатории, исследователи применили обученную нейронную сеть к 512 новым случаям, измеренным в другой год на другом масс-спектрометре. Даже без дообучения ошибка модели оставалась около 1,8 дня, что свидетельствует о достаточной устойчивости химического сигнала к различиям в оборудовании и сроках. Они также показали, что более простые модели, обученные на нескольких сотнях случаев, по-прежнему дают полезную точность, что подразумевает возможность создания подобных инструментов в небольших судебно-медицинских институтах. Хотя факторы окружающей среды и причина смерти также могут влиять на метаболом, и необходимы более сбалансированные данные для очень коротких и очень длинных интервалов, результаты указывают на то, что рутинные токсикологические данные можно переиспользовать как мощную помощь в оценке времени после смерти.

Что это значит для реальных расследований

Для неспециалиста главное: собственная химия тела после смерти функционирует как медленно идущее часы, и современные методы ИИ могут считывать эти часы с точностью примерно до одного дня на протяжении более чем недели. Это не идеальный хронометр и не заменяет суждений судебных экспертов или другие доказательства. Но по мере уточнения и валидации методов в разных условиях они могут дать следователям более объективную, основанную на данных оценку времени смерти, особенно в критическом промежутке, где стандартные подходы сегодня начинают давать сбой.

Цитирование: 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

Ключевые слова: судебная медицина, время смерти, метаболомика, машинное обучение, интервал после смерти