近期，c7c7.app法醫學院孫俊紅教授團隊在高水平國際學術期刊Talanta（分析化學）（中科院1區top期刊，影響因子6.1分）發表了最新研究成果：《Multi-omicsintegrationstrategyinthepost-mortemintervalofforensicscience》。博士研究生李健為本文第一作者。這項研究應用人工智能的多組學分析策略，整合了代謝組學、蛋白質芯片和傅里葉紅外變換分析鑒定的多水平、多模態、多標記數據用于預測死亡時間，表現出卓越的性能。更重要的是，該研究也為其他學科及不同實驗平臺、不同來源的多模態數據整合分析提供了新的思路。(https://doi.org/10.1016/j.talanta.2023.125249)
準確推斷死亡時間（Post-morteminterval,PMI）是法庭調查證據鏈中的重要一環，對于確定案件性質和縮小潛在嫌疑人范圍具有重要意義。此前研究證實了利用組學技術研究生物體死亡后各種分子的降解規律可以為推斷死亡時間提供較為精確的方法。然而，隨著死亡時間的延長，環境因素與機體狀態的相互作用會給生物標志物的分解和轉化帶來更大的不穩定性，同時，由于蛋白、核酸等不同類型的分子大小和降解模式的差異，在死后的各個階段展現了不同的預測優勢。因此，開發多組學數據整合的方法相較于單一組學不僅可以提升PMI的推斷精度還可以擴大PMI的潛在預測范圍。本研究收集了來自代謝組學、蛋白質芯片和傅里葉變換紅外的多模態數據，構建了8種不同機器學習和集成算法的死亡時間推斷模型。結果顯示多組學集成框架對于0-30天內的死亡時間預測準確率為93%，廣義受試者工作特征曲線下面積為0.98。該研究結果表明整合不同模態的數據并進行多組學分析顯著提升了死亡時間推斷的全面性和容錯率，多組學集成框架有潛力成為未來法醫學各類問題解決的致勝策略，并進一步為司法案件提供更可靠的證據支持。
孫俊紅教授團隊長期深耕于法醫學領域，多年沉淀于法醫實際檢案并致力于研究法醫學亟需解決的難點問題。開展法醫學基礎研究的同時并與相關熱門專業進行學科交叉滲透，積極探索人工智能、深度學習以及生物信息學分析等學科技術在損傷時間、死亡時間以及死因鑒定等法醫學關鍵科學問題的轉化與應用。近年來該團隊在學術領域取得了卓越的成果，在法醫學領域高水平期刊累積發表論文一百余篇，并在損傷時間跨物種研究和死因鑒定等方面獲批多項國家自然科學基金和山西省重點研發項目。該論文的發表標志著孫俊紅教授團隊在法醫學多模態數據融合和死亡時間推斷進入國際領先水平。 （圖/文 李健）
