综述：死后时间推断技术的进展：机器学习与代谢组学在不同组织类型中的系统评价

这篇综述系统评价了机器学习（ML）与代谢组学技术（NMR/MS）在死后时间（PMI）推断中的创新应用，指出随机森林（RF）模型结合心脏血液代谢物对短期PMI预测最优（MAE=1.067 h），而多器官堆叠模型对长期PMI准确率达93%。研究为法医学精准PMI评估提供了算法-组织组合策略。

　　

Abstract

传统死后时间（PMI）推断依赖尸僵、尸斑等形态学变化，易受环境干扰。代谢组学通过核磁共振（NMR）和质谱（MS）技术捕捉死后生化变化，结合机器学习（ML）显著提升精度。本文系统分析了不同组织与算法的组合效能，为法医学实践提供数据驱动新范式。

Background

PMI推断是法医病理学的核心挑战。传统方法观察尸温、尸僵等物理变化，误差可达数小时。代谢组学通过追踪死后代谢物（如乳酸、氨基酸）的动态变化，建立量化模型。机器学习中主成分分析（PCA）、偏最小二乘（PLS）和支持向量机（SVM）能有效处理高维代谢数据，突破传统线性模型的局限。

Methods

研究团队检索了截至2024年9月的五大数据库文献，由双人独立提取数据。纳入标准包括：明确记录实验对象物种（多为小鼠/猪）、组织类型（心脏血/骨骼肌等）、PMI覆盖范围（0-168 h）、代谢检测技术（NMR或LC-MS/MS）及模型性能指标（MAE/R²）。

Results

心脏血液表现亮眼：张氏团队2022年采用随机森林（RF）筛选关键代谢物，将MAE压缩至1.067 h；佐藤2015年的PLS模型虽MAE达5.73 h，但证实了血液代谢物的时序规律性。多组织联用展现潜力：卢氏2022年构建的堆叠模型整合心、肝、脑代谢谱，准确率提升至93%。骨骼肌在长PMI（>72 h）中稳定性突出，这与肌纤维蛋白降解动力学相关。

Conclusion

短期PMI（<24 h）首选心脏血液+RF模型，长期推断推荐骨骼肌或多器官堆叠策略。未来需在人类样本验证中优化代谢标志物panel，并探索温度等环境变量的补偿算法。