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¹(), 姜垚如², 梁芯瑞¹, 田甜³, 靳茜茜¹, 张小红⁴, 曹洁¹, 杜秋香¹, 孙俊红¹()

^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:孙俊红，男，教授，主要从事损伤病理学与猝死病理学研究；E-mail：sunjunhong146@163.com
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 ZHANG¹(), Yao-ru JIANG², Xin-rui LIANG¹, Tian TIAN³, Qian-qian JIN¹, Xiao-hong ZHANG⁴, Jie CAO¹, Qiu-xiang DU¹, Jun-hong SUN¹()

^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]	曾勇, 邹冬华, 范颖, 徐晴, 陶陆阳, 陈忆九, 李正东. 人体血管有限元建模及生物力学的研究进展与法医学应用[J]. 法医学杂志, 2023, 39(5): 471-477.
[2]	陈建波, 郭影, 陈再勇, 鲍人辉, 孔繁荣. 钩吻中毒死亡法医学鉴定1例[J]. 法医学杂志, 2023, 39(5): 509-511.
[3]	马钳钳, 张云, 秦丽娜. 播散型毛霉病致死1例[J]. 法医学杂志, 2023, 39(5): 507-509.
[4]	孙语新, 龚晓娟, 郝秀丽, 田雨馨, 陈艺铭, 张宝, 阎春霞. 婴儿猝死综合征与婴儿感染性猝死共同相关基因的筛选及其调控网络的生物信息学分析[J]. 法医学杂志, 2023, 39(5): 433-440.
[5]	高日红, 王新宙, 王冰, 郑立新. 大剂量盐酸地芬尼多与乙醇、氯化钾联合中毒死亡1例[J]. 法医学杂志, 2023, 39(5): 512-515.
[6]	杨宇, 雷梵章, 董玉友, 马剑龙, 石启强, 叶雪松. 口服盐酸地芬尼多中毒死亡案例的回顾性分析[J]. 法医学杂志, 2023, 39(4): 393-398.
[7]	向青青, 陈立方, 苏秦, 杜宇坤, 梁沛妍, 康晓东, 石河, 徐曲毅, 赵建, 刘超, 陈晓晖. 微生物群落演替在死亡时间推断中的研究进展[J]. 法医学杂志, 2023, 39(4): 399-405.
[8]	苏秦, 陈倩玲, 吴伟斌, 向青青, 杨成梁, 乔东访, 李志刚. 原发性脑干损伤致死大鼠的脑干组织代谢组学分析[J]. 法医学杂志, 2023, 39(4): 373-381.
[9]	盛利, 宋国铭. “钢珠”气枪射击致颅脑损伤死亡1例[J]. 法医学杂志, 2023, 39(4): 417-418.
[10]	姚泽伟, 贾自发, 韦铭菲, 史俊展, 李凡. 肝豆状核变性者外伤后脑干出血死亡1例[J]. 法医学杂志, 2023, 39(4): 419-421.
[11]	龙武, 瞿鹏飞, 马琳, 王蕊, 习严梅, 李玉华, 聂胜洁, 段婷, 杜进良, 唐雪, 赵静峰, 雷普平, 王跃兵. 一起云南不明原因猝死案件中4种野生菌的细胞毒性[J]. 法医学杂志, 2023, 39(2): 121-128.
[12]	高俊薇, 鹿阳, 李彦军, 邹冬华, 何光龙, 王彦斌. 法医学虚拟解剖实验室建设状况及实验室认可适用性调查[J]. 法医学杂志, 2023, 39(2): 186-192.
[13]	陈旭. 儿童甲型流感病毒感染并发急性坏死性脑病致死医疗损害鉴定1例[J]. 法医学杂志, 2023, 39(2): 215-217.
[14]	朱伟豪, 秦豪杰, 贾泽雷, 高雯晶, 李凡, 莫耀南. 急性淋巴细胞白血病猝死1例[J]. 法医学杂志, 2023, 39(2): 207-209.
[15]	刘东明, 马涛. 左利手扼颈致死法医学分析1例[J]. 法医学杂志, 2023, 39(2): 203-204.

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