人类代谢组与机器学习提高了死亡后间隔的预测能力

为何死亡时点很重要

确定某人死亡的时间是在许多刑事与非正常死亡调查中的核心难题。死亡后时间的精确估计（称为死亡后间隔）可以证实或推翻不在场证明、缩小嫌疑人范围，并帮助重建死者最后几小时或几天发生的事情。然而，当今的工具，例如体温或眼内化学测量，在头一两天之后可靠性迅速下降。本研究探讨了血液中看不见的化学痕迹结合现代人工智能，是否能将有用的时间窗从几天扩展到近两个月。

当今法医线索的局限

法医专家传统上依赖可见和物理的迹象，如皮肤变色、尸僵或遗体降温，以及眼内透明液体中的钾离子水平。这些线索在早期相当有效，但带有主观性，受环境影响极大，通常在一到三天后便不再可靠。对于更长的时间段，调查人员必须转向更粗略的指标，例如昆虫活动、腐败程度，甚至对骨骼化遗体的分析。显然需要量化方法，来弥合基于体温的早期估计与基于腐败的晚期方法之间的空白。

体内化学痕迹作为隐藏的时钟

死亡后，体内的小分子——统称为代谢组——随着细胞能量耗尽、膜结构瓦解和蛋白质被分解而以系统化的方式发生变化。研究人员利用现有的法医毒理数据：高分辨率测量的成千上万化学特征，这些数据来自尸检过程中常规采集的股动脉血。研究中共分析了4,876例真实的法医个案，其死亡至验尸的时间已知，绝大多数在1至13天之间，但最长延伸至67天。研究并非寻找单一“神奇”标志物，而是考察许多代谢物的整体模式能否充当一种化学时钟。

教会人工智能读取化学时钟

团队训练了一个前馈神经网络，这是一类机器学习模型，用以输入约2,300个化学信号并输出估计的死亡天数。在优化模型参数并将部分病例用于训练、部分用于测试后，系统在未见过的病例中对死亡后间隔的平均误差约为1.5天，中位误差略超一天。该表现优于六种替代方法，包括若干标准统计和机器学习手段。尽管对处在时间范围中部的死亡预测最为准确，而对极短或极长间隔的预测精度较低，但总体误差与记录的死亡时间本身已存在的不确定性相近。

模型揭示的体内衰变过程

由于神经网络常被视为黑箱，作者进一步研究了模型所依赖的化学变化。通过追踪重要代谢物随时间上升或下降的倾向，他们发现了三类总体模式。一些分子，尤其是某些脂类和酰基肉碱，稳定下降，这与细胞膜分解和线粒体能量产出衰退相符。另一些分子，尤其是氨基酸和短肽片段，则增加，符合组织降解时蛋白质被切割的过程。第三类则表现出更复杂的时间曲线。这些趋势与早期的动物和人体研究相呼应，指向可识别的生物过程——脂质分解、线粒体失效和蛋白质消化——在死亡后逐步展开。

从大型研究到实用工具

为测试该方法能否超越单一实验室的适用性，研究人员将训练好的神经网络应用到512例在另一年、另一台质谱仪上测得的新病例上。即便未重新训练，模型误差仍维持在约1.8天，表明化学信号足够稳健，可在设备和时间差异中保留。他们还展示了仅用几百例训练的更简单模型也能达到有用的精度，这意味着较小的法医机构也能建立自己的预测工具。尽管环境因素和死因也会影响代谢组，并且在极短和极长间隔处需要更平衡的数据，结果表明常规毒理学数据可被重新利用，成为估算死亡后时间的强有力辅助。

对实际调查的意义

对非专业读者来说，关键结论是：人体在死亡后的自身化学变化似乎像一只缓慢运转的时钟，而现代人工智能能以约一天的精度读取这只时钟，持续时间超过一周。这并非完美的计时工具，也不能取代法医专家的判断或其他证据。但随着这些方法在更多场景中被改进和验证，它们可能为调查人员提供一种更客观、以数据为驱动的死亡时间估计，特别是在现有标准方法开始失效的关键时间窗内。

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

关键词: 法医科学, 死亡时间, 代谢组学, 机器学习, 死亡后间隔