有机枪弹残留物的表征与分类：基于未燃烧无烟火药、弹壳及射击者手部残留物的法医学研究

本研究针对枪击案件中弹药来源追溯难题，通过LC-MS/MS技术分析5种制造商弹药的无烟火药、弹壳残留及射击者手部有机枪弹残留物（OGSR），定量检测AKII、DPA等6种标志物，结合判别分析（DA）和机器学习（SVM/KNN），实现弹壳分类准确率83.7%、手部残留62.7%，为有限证据条件下的法医重建提供新方法。

　　

枪击案件的侦破常依赖枪弹残留物（GSR）分析，但传统无机颗粒检测（SEM-EDS）成本高、耗时长，且难以区分弹药来源。更棘手的是，有机枪弹残留物（OGSR）在燃烧和沉积过程中会发生化学变化，现有研究多聚焦未燃烧火药，对弹壳和射击者手部等实际物证的分析仍存空白。为此，西弗吉尼亚大学的研究团队在《Forensic Chemistry》发表论文，系统研究了5种制造商弹药（Blazer/Browning等）的OGSR特征，为法医溯源提供了新思路。

研究采用液相色谱-串联质谱（LC-MS/MS）检测900份样本（300份未燃烧火药、300份弹壳残留、300份射击者手部擦拭），靶向分析Akardite II（AKII）、二苯胺（DPA）等6种标志物，结合线性判别分析（LDA）、K近邻（KNN）等算法建立分类模型。

Smokeless powder analysis
未燃烧火药分析显示，不同品牌弹药中AKII、乙基中定剂（EC）等稳定剂的含量存在显著差异，为弹药溯源提供了化学指纹。

Spent cartridge case analysis
弹壳残留的判别分析准确率达83.7%，硝化二苯胺（2-NDPA/4-NDPA）的转化率成为关键区分指标。

Hand residue analysis
射击者手部残留因环境干扰和个体差异导致分类准确率降至62.7%，但SVM算法对含AKII的残留表现出更强识别力。

Conclusions
该研究首次系统比较了不同物证载体中OGSR的稳定性，证实弹壳残留的分类价值高于手部样本。通过建立多品牌弹药数据库和机器学习模型，为开放场景（如多弹药类型案件）的物证关联提供了量化依据。Thomas D. Ledergerber等强调，该方法可弥补SEM-EDS的局限性，尤其适用于缺乏弹头的案件重建。未来需进一步优化手部样本采集技术，并扩展弹药品牌覆盖以提高普适性。