蛋白质芯片检测技术结合多维统计方法推断死亡时间

doi:10.12116/j.issn.1004-5619.2022.420407

法医学杂志 ›› 2023, Vol. 39 ›› Issue (2): 115-120.DOI: 10.12116/j.issn.1004-5619.2022.420407

• 论著 • 下一篇

蛋白质芯片检测技术结合多维统计方法推断死亡时间

张旭东(), 姜垚如, 梁芯瑞, 田甜, 靳茜茜, 张小红, 曹洁, 杜秋香, 孙俊红()

^{1.山西医科大学法医学院，山西晋中 030600

2.禹州市公安局，河南禹州 452570

3.四川大学华西基础医学与法医学院，四川成都 610041

4.邹平市公安局，山东邹平 256200}

收稿日期:2022-04-15 发布日期:2023-06-06 出版日期:2023-04-25
通讯作者: 孙俊红
作者简介:张旭东（1990—），男，硕士研究生，主要从事法医病理学研究；E-mail：zhangxudong202204@163.com
基金资助:
国家自然科学基金资助项目(81971795);山西省青年科技研究基金面上青年基金资助项目(201901D211334);山西省科技创新人才团队专项(202204051001025)

Postmortem Interval Estimation Using Protein Chip Technology Combined with Multivariate Analysis Methods

Xu-dong ZHANG(), Yao-ru JIANG, Xin-rui LIANG, Tian TIAN, Qian-qian JIN, Xiao-hong ZHANG, Jie CAO, Qiu-xiang DU, Jun-hong SUN()

_{1.School of Forensic Medicine, Shanxi Medical University, Jinzhong 030600, Shanxi Province, China

2.Yuzhou Public Security Bureau, Yuzhou 452570, Henan Province, China

3.West China School of Basic Medical Sciences and Forensic Medicine, Sichuan University, Chengdu 610041, China

4.Zouping Public Security Bureau, Zouping 256200, Shandong Province, China}

Received:2022-04-15 Online:2023-06-06 Published:2023-04-25
Contact: Jun-hong SUN

1. 作者贡献声明和利益冲突声明.pdf(122KB)

摘要/Abstract

摘要：

目的利用蛋白质芯片检测技术结合多维统计方法分析骨骼肌组织的蛋白质变化，进行死亡时间推断。方法大鼠颈椎脱臼处死后置于16 ℃环境中，提取死后不同时间点（0 d、1 d、2 d、3 d、4 d、5 d、6 d、7 d、8 d和9 d）骨骼肌的水溶性蛋白质，获取相对分子质量为14 000~230 000的蛋白质表达谱数据，采用主成分分析（principal component analysis，PCA）和正交偏最小二乘（orthogonal partial least squares，OPLS）进行数据分析，构建Fisher判别模型及反向传播（back propagation，BP）神经网络模型对大鼠死亡时间进行分类预测。另外收集不同死亡时间的人体骨骼肌蛋白质表达谱数据，通过热图和聚类分析观测其与死亡时间之间的关系。结果大鼠骨骼肌蛋白质谱峰随死亡时间呈一定的时序性变化。PCA结合OPLS判别分析结果显示，除死后6 d、7 d和8 d外，各死亡时间组间差异有统计学意义（P<0.05）；经Fisher判别分析，模型内部交叉验证准确率为71.4%，外部验证准确率为66.7%；BP神经网络模型分类预测结果显示，模型内部交叉验证准确率为98.2%，外部验证准确率为95.8%。经聚类分析，人体骨骼肌蛋白质表达在死后4 d与死后25 h内差异有统计学意义。结论蛋白质芯片检测技术可快速、准确、高重复性地获取死后不同时间点大鼠和人体骨骼肌相对分子质量为14 000~230 000的水溶性蛋白质表达谱，建立基于多维统计方法的多种死亡时间推断模型，有望为死亡时间推断提供新的思路和方法。

关键词: 法医病理学, 死亡时间, 蛋白质芯片, 蛋白质表达谱, Fisher判别分析, 反向传播神经网络, 大鼠

Abstract:

Objective To estimate postmortem interval （PMI） by analyzing the protein changes in skeletal muscle tissues with the protein chip technology combined with multivariate analysis methods. Methods Rats were sacrificed for cervical dislocation and placed at 16 ℃. Water-soluble proteins in skeletal muscles were extracted at 10 time points （0 d, 1 d, 2 d, 3 d, 4 d, 5 d, 6 d, 7 d, 8 d and 9 d） after death. Protein expression profile data with relative molecular mass of 14 000-230 000 were obtained. Principal component analysis （PCA） and orthogonal partial least squares （OPLS） were used for data analysis. Fisher discriminant model and back propagation （BP） neural network model were constructed to classify and preliminarily estimate the PMI. In addition, the protein expression profiles data of human skeletal muscles at different time points after death were collected, and the relationship between them and PMI was analyzed by heat map and cluster analysis. Results The protein peak of rat skeletal muscle changed with PMI. The result of PCA combined with OPLS discriminant analysis showed statistical significance in groups with different time points （P<0.05） except 6 d, 7 d and 8 d after death. By Fisher discriminant analysis, the accuracy of internal cross-validation was 71.4% and the accuracy of external validation was 66.7%. The BP neural network model classification and preliminary estimation results showed the accuracy of internal cross-validation was 98.2%, and the accuracy of external validation was 95.8%. There was a significant difference in protein expression between 4 d and 25 h after death by the cluster analysis of the human skeletal muscle samples. Conclusion The protein chip technology can quickly, accurately and repeatedly obtain water-soluble protein expression profiles in rats’ and human skeletal muscles with the relative molecular mass of 14 000-230 000 at different time points postmortem. The establishment of multiple PMI estimation models based on multivariate analysis can provide a new idea and method for PMI estimation.

Key words: forensic pathology, postmortem interval, protein chip, protein expression profile, Fisher discriminant analysis, back propagation neural network, rats

中图分类号:

DF795.1

张旭东, 姜垚如, 梁芯瑞, 田甜, 靳茜茜, 张小红, 曹洁, 杜秋香, 孙俊红. 蛋白质芯片检测技术结合多维统计方法推断死亡时间[J]. 法医学杂志, 2023, 39(2): 115-120.

Xu-dong ZHANG, Yao-ru JIANG, Xin-rui LIANG, Tian TIAN, Qian-qian JIN, Xiao-hong ZHANG, Jie CAO, Qiu-xiang DU, Jun-hong SUN. Postmortem Interval Estimation Using Protein Chip Technology Combined with Multivariate Analysis Methods[J]. Journal of Forensic Medicine, 2023, 39(2): 115-120.

图/表 5

表1 9例人体样本的详细信息

Tab. 1 Details of 9 human cadaver samples

案例	年龄/岁	性别	是否冷藏	死亡原因	死亡时间
1	69	女	否	交通事故	4 d
2	32	男	否	锐器伤	12 h
3	37	男	否	锐器伤	16 h
4	52	男	否	棍棒伤	5.5 h
5	53	男	否	锐器伤	20 h
6	47	男	否	冠心病	22 h
7	12	男	是	中暑死	20~25 h
8	51	男	是	锐器伤	5~10 h
9	49	男	是	锐器伤	15~20 h

图1 死后不同时间点大鼠骨骼肌蛋白质的表达A：死后不同时间点蛋白质谱峰重叠图；B：重叠谱峰局部放大图像；C：死后不同时间点蛋白凝胶电泳图；D：识别峰含量的热图。

Fig. 1 Protein expression of rat skeletal muscles at different time points after death

图2 死后不同时间点大鼠骨骼肌蛋白质谱峰的PCA模型

Fig. 2 PCA model of rat skeletal muscle protein peaks at different time points after death

图3 大鼠骨骼肌蛋白质样本的死亡时间预测模型A：Fisher判别模型；B：BP神经网络模型。

Fig. 3 Prediction model of postmortem interval in protein samples from rat skeletal muscles

图4 死后人体骨骼肌蛋白质的表达A：谱峰全貌；B：不同死亡时间各峰含量的热图及聚类结果，横向表示识别出的16个峰，纵向表示9个案例的死亡时间，颜色由浅到深表示峰含量由少到多。

Fig. 4 Protein expression of human skeletal muscles after death

参考文献 24

1	AMENDT J， CAMPOBASSO C P， GAUDRY E， et al. Best practice in forensic entomology -- Standards and guidelines[J]. Int J Legal Med，2007，121（2）：90-104. doi：10.1007/s00414-006-0086-x .
2	MEGYESI M S， NAWROCKI S P， HASKELL N H. Using accumulated degree-days to estimate the postmortem interval from decomposed human remains[J]. J Forensic Sci，2005，50（3）：618-626.
3	SAMPAIO-SILVA F， MAGALHÃES T， CARVALHO F， et al. Profiling of RNA degradation for estimation of post mortem interval[J]. PLoS One，2013，8（2）：e56507. doi：10.1371/journal.pone.0056507 .
4	BAUER M， GRAMLICH I， POLZIN S， et al. Quantification of mRNA degradation as possible indicator of postmortem interval -- A pilot study[J]. Leg Med （Tokyo），2003，5（4）：220-227. doi：10.1016/
	j.legalmed.2003.08.001.
5	RHEIN M， HAGEMEIER L， KLINTSCHAR M， et al. DNA methylation results depend on DNA integrity-role of post mortem interval[J]. Front Genet，2015，6：182. doi：10.3389/fgene.2015.00182 .
6	PERRY W L 3 RD， BASS W M， RIGGSBY W S，et al. The autodegradation of deoxyribonucleic acid （DNA） in human rib bone and its relationship to the time interval since death[J]. J Forensic Sci，1988，33（1）：144-153.
7	WEHNER F， WEHNER H D， SCHIEFFER M C， et al. Delimitation of the time of death by immunohistochemical detection of thyroglobulin[J]. Forensic Sci Int，2000，110（3）：199-206. doi：10.1016/S0379-07 38（00）00177-8 .
8	KUMAR S， ALI W， SINGH U S， et al. Temperature-dependent postmortem changes in human cardiac troponin-T （cTnT）： An approach in estimation of time since death[J]. J Forensic Sci，2016，61（S1）：S241-S245. doi：10.1111/1556-4029.12928 .
9	PITTNER S， EHRENFELLNER B， MONTICELLI F C， et al. Postmortem muscle protein degradation in humans as a tool for PMI delimitation[J]. Int J Legal Med，2016，130（6）：1547-1555. doi：10.1007/s00414-016-1349-9 .
10	WALKER C C， LASSITTER C L， LYNN S N， et al. Rapid seafood species identification using chip-based capillary electrophoresis and protein pattern matching[J]. J AOAC Int，2017，100（5）：1500-1510. doi：10.5740/jaoacint.17-0178 .
11	ZANCOLLI G， SANZ L， CALVETE J J， et al. Venom on-a-chip： A fast and efficient method for comparative venomics[J]. Toxins （Basel），2017，9（6）：179. doi：10.3390/toxins9060179 .
12	李文晋，李健，卢晓军，等. 蛋白芯片检测技术结合多维统计推断死亡时间[J].法医学杂志，2020，36（5）：660-665，671. doi：10.12116/j.issn.1004-5619.2020.05.010 .
	LI W J， LI J， LU X J， et al. Estimating postmortem interval by protein chip detection technology combined with multidimensional statistics[J]. Fayixue Zazhi，2020，36（5）：660-665，671.
13	ERIKSSON L， JOHANSSON E， KETTANEH-WOLD N， et al. Multi- and megavariate data analysis. Principles and applications[M]. Umeå， Sweden： Umetrics Academy，2001：263-336.
14	CHOI K M， ZISSLER A， KIM E， et al. Postmortem proteomics to discover biomarkers for forensic PMI estimation[J]. Int J Leg Med，2019，133（3）：899-908. doi：10.1007/s00414-019-02011-6 .
15	LI C， MA D， DENG K， et al. Application of MALDI-TOF MS for estimating the postmortem interval in rat muscle samples[J]. J Forensic Sci，2017，62（5）：1345-1350. doi：10.1111/1556-4029.13413 .
16	ZISSLER A， STOIBER W， STEINBACHER P， et al. Postmortem protein degradation as a tool to estimate the PMI： A systematic review[J]. Diagnostics （Basel），2020，10（12）：1014. doi：10.3390/diagnostics 10121014 .
17	韩刘君，徐红梅，陈龙. 蛋白质组学及其在法医病理学中的应用[J].法医学杂志，2019，35（1）：78-83. doi：10.12116/j.issn.1004-5619.2019.01.015 .
	HAN L J， XU H M， CHEN L. Proteomics and its application in forensic pathology[J]. Fayixue Zazhi，2019，35（1）：78-83.
18	LI C， LI Z， TUO Y， et al. MALDI-TOF MS as a novel tool for the estimation of postmortem interval in liver tissue samples[J]. Sci Rep，2017，7（1）：4887. doi：10.1038/s41598-017-05216-0 .
19	BAKSHI B R. Multiscale PCA with application to multivariate statistical process monitoring[J]. AIChE J，1998，44（7）：1596-1610. doi：10.1002/aic.690440712 .
20	STANISZEWSKA-SLEZAK E， FEDOROWICZ A， KRAMKOWSKI K， et al. Plasma biomarkers of pulmonary hypertension identified by Fourier transform infrared spectroscopy and principal component analysis[J]. Analyst，2015，140（7）：2273-2279. doi：10 .
	1039/c4an 01864h.
21	BYLESJÖ M， RANTALAINEN M， CLOAREC O， et al. OPLS discriminant analysis： Combining the strengths of PLS-DA and SIMCA classification[J]. J Chemom，2006，20（8/9/10）：341-351. doi：10.1002/cem.1006 .
22	赵丽娜. Fisher判别法的研究及应用[D].哈尔滨：东北林业大学，2013.
	ZHAO L N. Research and improvement of Fisher discriminant analysis method[D]. Harbin： Northeast Forestry University，2013.
23	阮峰，谭爱军，张雪宝，等. 手足口病重症病例临床特征的Fisher逐步判别分析[J].中华流行病学杂志，2011，32（7）：716-719. doi：10.3760/cma.j.issn.0254-6450.2011.07.018 .
	RUAN F， TAN A J， ZHANG X B， et al. Step Fisher discriminant analysis on severe clinical features of hand foot and mouth disease between enterovirus （EV） 71 and other EV[J]. Zhonghua Liu-xingbingxue Zazhi，2011，32（7）：716-719.
24	BOJKO A. Using eye tracking to compare web page designs： A case study[J]. J Usability Stud，2006，1（3）：112-120.

[1]	李艳红, 许小明, 熊思齐, 刘世奇, 熊小亮. 右冠状动脉扩张并血栓形成猝死1例[J]. 法医学杂志, 2024, 40(3): 291-292.
[2]	方伟, 郑吉龙, 付奕铭, 刘轶. 利用犬类嗅觉搜索人体遗骸研究进展[J]. 法医学杂志, 2024, 40(3): 269-275.
[3]	陈念念, 余娇芳, 吴鹏, 罗丽, 白雅琴, 王利凯, 李晓倩, 李展鹏, 高彩荣, 郭相杰. 基于代谢组学分析急性心肌梗死大鼠尿液代谢物变化[J]. 法医学杂志, 2024, 40(3): 227-236.
[4]	陈光, 王小龙, 项慧敏, 汪露, 秦明, 刘岫, 徐祥. 虚拟解剖结合法医学尸体检验判定气枪弹创致死1例[J]. 法医学杂志, 2024, 40(2): 196-199.
[5]	宋旦, 单华鑫, 王福远, 李正东. 压缩式垃圾车挤压致死1例[J]. 法医学杂志, 2024, 40(2): 205-207.
[6]	王悦, 刘希, 李广云, 刘明哲, 陈新山. 腹股沟疝修补术中恶性高热死亡法医学鉴定1例[J]. 法医学杂志, 2024, 40(2): 208-210.
[7]	黄武林, 李玲玉, 彭建伟, 邹梦琴, 章青波. 毒性弥漫性甲状腺肿并发脑梗死法医学鉴定1例[J]. 法医学杂志, 2024, 40(2): 199-201.
[8]	陈尚亨, 董盛仲, 王智敏, 洪光辉, 叶星, 林子杰, 林俊毅, 江洁清, 王守宇, 林汉成, 沈忆文. 束缚应激致高脂血症ApoE^-/-小鼠心肌损伤的分子靶标筛选与机制分析[J]. 法医学杂志, 2024, 40(2): 172-178.
[9]	景嘉钰, 徐璐瑶, 杜思昊, 岳霞, 乔东访. 宏基因组测序辅助鉴定输液致血流感染死亡1例[J]. 法医学杂志, 2024, 40(2): 211-216.
[10]	吴娟娟, 黄俊杰, 张煜, 卓嘉英, 陈刚, 杨舒涵, 赵蕴琦, 范琰琰. IL-10、TGF-β1在小鼠深静脉血栓中的时序性变化[J]. 法医学杂志, 2024, 40(2): 179-185.
[11]	徐杰, 薛晓明, 王玉宝, 岳宇, 张阳. 结合现场环境及植物物证推断死亡时间1例[J]. 法医学杂志, 2024, 40(2): 202-204.
[12]	陈云霞, 徐杰, 薛晓明, 李忠杰, 戴玉阳. 赤小豆残叶DNA鉴定重建命案现场1例[J]. 法医学杂志, 2024, 40(2): 216-218.
[13]	徐碧宇, 吴晨阳, 姬艳琦, 李莹莹, 宋旭东. 二叶主动脉瓣伴动脉夹层破裂1例[J]. 法医学杂志, 2024, 40(1): 77-79.
[14]	周杰, 邹亚晶, 姚建. 开放场所性窒息法医学鉴定1例[J]. 法医学杂志, 2024, 40(1): 86-87.
[15]	邢运虹, 李洋, 王文政, 王亮亮, 孙乐乐, 杜秋香, 曹洁, 何光龙, 孙俊红. 不稳定冠状动脉粥样斑块病理特征及分类[J]. 法医学杂志, 2024, 40(1): 59-63.

蛋白质芯片检测技术结合多维统计方法推断死亡时间

Postmortem Interval Estimation Using Protein Chip Technology Combined with Multivariate Analysis Methods

RichHTML

PDF (PC)

补充材料

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 24

相关文章 15

编辑推荐

Metrics