基于~1H NMR的代谢组学技术在死亡时间推断中的应用研究

作     者：曹洁 谷祯 刘明锋 党丽虹 杜秋香 李宇 孙俊红 CAO Jie;GU Zhen;LIU Ming-Feng;DANG Li-Hong;DU Qiu-Xiang;LI Yu;SUN Jun-Hong

作者机构：山西医科大学法医学院 珠海市公安局 山西省肿瘤医院 

出 版 物：《分析化学》 (Chinese Journal of Analytical Chemistry)

年 卷 期：2022年第50卷第10期

页      面：1551-1559页

核心收录：

学科分类：1001[医学-基础医学(可授医学、理学学位)] 08[工学] 0838[工学-公安技术] 0703[理学-化学] 100105[医学-法医学] 10[医学] 

基　　金：国家自然科学基金项目(No.81901924)资助~~ 

主　　题：核磁共振氢谱 代谢组学 死亡时间 机器学习 Stacking集成模型 

摘      要：死亡时间(PMI)推断是法医学实践工作中亟待解决的关键问题，目前使用的技术和手段缺乏准确性、特异性和重现性，需要可靠、稳定的分子标记来提供科学依据。本研究采用基于核磁共振氢谱(~1H NMR)的代谢组学技术寻找不同死亡时间大鼠骨骼肌组织中小分子化合物变化规律，结合机器学习模型进行PMI预测。将Sprague-Dawley大鼠脱颈处死，分别于死亡即时(0 h)、死后6、 12、 18、 24、 48和72 h(n=10)收集大鼠骨骼肌组织，利用~1H NMR技术采集代谢物谱。采用正交偏最小二乘法(OPLS)结合Mann-Whitney U检验、数据库比对和随机森林(RF)特征选择从代谢物谱中筛选出羟基丁酸、乳酸、酪氨酸和次黄嘌呤等20种可用于PMI推断的分子标记。在此基础上建立以RF、梯度提升决策树(GBDT)和线性判别分析(LDA)为基分类器和以逻辑回归(LR)为元分类器的Stacking集成模型，此模型预测PMI的准确率可达85.71%,受试者工作曲线下面积(AUC)为0.85,其预测性能优于单分类器RF、 GBDT和LDA的预测性能。研究结果表明，~1H NMR技术结合Stacking集成模型通过检测死亡后不同时间骨骼肌组织中代谢物变化规律，可有效预测PMI,为PMI推断提供了新的技术和分析策略。