RNA测序数据归一化对法医学年龄推断的影响

doi:10.12116/j.issn.1004-5619.2025.550701

法医学杂志 ›› 2026, Vol. 42 ›› Issue (2): 112-120.DOI: 10.12116/j.issn.1004-5619.2025.550701

RNA测序数据归一化对法医学年龄推断的影响

赵晋远¹^,²(), 宣宇佳¹^,², 陈安琪², 路艳芳², 廖梦筱², 刘思彤², 邢宇¹^,², 王亚丽¹, 陈丽琴¹(), 李成涛¹^,²^,³()

^1.内蒙古医科大学法医学教研室，内蒙古呼和浩特 010110
^2.复旦大学法庭科学研究院，上海 200032
^3.司法鉴定科学研究院上海市法医学重点实验室司法部司法鉴定重点实验室上海市司法鉴定专业技术服务平台，上海 200063

收稿日期:2025-07-04 发布日期:2026-07-08 出版日期:2026-04-25
通讯作者: 陈丽琴,李成涛
作者简介:赵晋远（2000—），女，硕士研究生，主要从事法医遗传学研究；E-mail：1749916837@qq.com
基金资助:
国家自然科学基金重大项目(82293650);国家自然科学基金重大项目(82293654);国家自然科学基金青年科学基金资助项目(82302124)

Effect of RNA Sequencing Normalization on Forensic Age Estimation

Jinyuan ZHAO¹^,²(), Yujia XUAN¹^,², Anqi CHEN², Yanfang LU², Mengxiao LIAO², Sitong LIU², Yu XING¹^,², Yali WANG¹, Liqin CHEN¹(), Chengtao LI¹^,²^,³()

^1.Department of Forensic Medicine, Inner Mongolia Medical University, Hohhot 010110, China
^2.Institute of Forensic Science, Fudan University, Shanghai 200032, China
^3.Shanghai Key Laboratory of Forensic Medicine, Key Laboratory of Forensic Science, Ministry of Justice, Shanghai Forensic Service Platform, Aca-demy of Forensic Science, Shanghai 200063, China

Received:2025-07-04 Online:2026-07-08 Published:2026-04-25
Contact: Liqin CHEN, Chengtao LI

1. 作者贡献声明和利益冲突声明.pdf(116KB)

摘要/Abstract

摘要：

目的评估4种常用RNA测序归一化方法在法医学年龄推断中的适用性，为优化年龄推断模型的准确性并提升其精确度提供参考依据。方法采集147例中国汉族无关个体的外周血样本，经RNA测序后采用每百万计数（counts per million，CPM）、每千个碱基的转录每百万映射读取的片段数（fragments per kilobase of transcript per million mapped reads，FPKM）、每百万转录本（transcripts per million，TPM）以及M值的修剪均值（trimmed mean of M-values，TMM） 4种方法对表达量进行归一化。采用Spearman相关性分析筛选与年龄相关的mRNA，并构建最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）、支持向量机（support vector machine，SVM）、极端梯度提升（extreme gradient boosting，XGBoost） 3种年龄推断模型，比较4种归一化方法在建模中的表现。结果 4种归一化方法筛选出的潜在年龄相关性标记数量不同，其中TMM归一化方法筛选出的标记数量最多，为2 912个。CPM和FPKM次之，分别筛选出2 897和1 481个潜在标记。TPM筛选出的标记数量最少，为338个。基于这些标记构建的年龄推断模型，训练集中平均绝对误差（mean absolute error，MAE）范围为4.38~8.62岁，测试集中MAE范围为5.85~9.29岁。TMM归一化方法在3种模型中表现最佳，尤其在XGBoost模型中，其训练集MAE为4.38岁，测试集MAE为5.85岁。结论不同归一化方法对法医学年龄推断模型的构建具有较大影响。TMM归一化方法能够有效提高预测精度，是法医学年龄推断的优选方法。

关键词: 法医遗传学, 年龄推断, RNA测序, 机器学习, 归一化

Abstract:

Objective To evaluate the applicability of four commonly used RNA sequencing normalization methods in forensic age estimation, and to provide a reference for optimizing the accuracy and precision of age estimation models. Methods Peripheral blood samples were collected from 147 unrelated Chinese Han individuals. After RNA sequencing, gene expression levels were normalized using four methods: counts per million （CPM）, fragments per kilobase of transcript per million mapped reads （FPKM）, transcripts per million （TPM）, and trimmed mean of M-values （TMM）. Spearman correlation analysis was used to screen age-related mRNAs. Three age estimation models were constructed using least absolute shrinkage and selection operator （LASSO）, support vector machine （SVM）, and extreme gradient boosting （XGBoost）, respectively, to compare the performance of the four normalization methods. Results The four normalization methods screened different numbers of potential age-related markers. The TMM method screened the largest number of 2 912 markers. The number of potential markers screened was 2 897 and 1 481 for CPM and FPKM, respectively. The TPM method screened the fewest markers with the number of 338. Age estimation models constructed based on these markers exhibited mean absolute errors （MAE） ranging from 4.38 to 8.62 years in the training set and from 5.85 to 9.29 years in the test set. The TMM method performed the best among the three models, especially in the XGBoost model; it achieved an MAE of 4.38 years in the training set and 5.85 years in the test set for the XGBoost model. Conclusion Different normalization methods have a large impact on the construction of forensic age estimation models. The TMM normalization method can effectively improve prediction accuracy and is recommended as the preferred method for forensic age estimation.

Key words: forensic genetics, age estimation, RNA sequencing, machine learning, normalization

中图分类号:

赵晋远, 宣宇佳, 陈安琪, 路艳芳, 廖梦筱, 刘思彤, 邢宇, 王亚丽, 陈丽琴, 李成涛. RNA测序数据归一化对法医学年龄推断的影响[J]. 法医学杂志, 2026, 42(2): 112-120.

Jinyuan ZHAO, Yujia XUAN, Anqi CHEN, Yanfang LU, Mengxiao LIAO, Sitong LIU, Yu XING, Yali WANG, Liqin CHEN, Chengtao LI. Effect of RNA Sequencing Normalization on Forensic Age Estimation[J]. Journal of Forensic Medicine, 2026, 42(2): 112-120.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.fyxzz.cn/CN/10.12116/j.issn.1004-5619.2025.550701

http://www.fyxzz.cn/CN/Y2026/V42/I2/112

图/表 8

表1 147例样本的年龄和性别分布 (例)

Tab. 1 Age and sex distribution of the 147 samples

年龄段/岁	男性	女性	合计
合计	73	74	147
18~30	15	15	30
>30~40	11	12	23
>40~50	11	12	23
>50~60	13	11	24
>60~70	10	12	22
>70	13	12	25

图1 4种归一化方法下mRNA表达量的分布箱线图红色散点为异常值。

Fig. 1 Box plots of distribution of mRNA expressionlevels under four normalization methods

图2 4种归一化方法下mRNA表达水平的分组统计柱状图

Fig. 2 Bar charts of grouped statistics of mRNA expressionlevels under four normalization methods

表2 4种归一化方法筛选的潜在年龄相关性mRNA与其KEGG富集分析结果汇总 (个)

Tab. 2 Summary of potential age-related mRNAsscreened by four normalization methods andtheir KEGG enrichment analysis results

归一化方法	潜在年龄相关性mRNA数量	KEGG通路数量	与已知通路重叠数量
CPM	2 897	14	3
FPKM	1 481	39	5
TPM	338	7	2
TMM	2 912	59	5

图3 4种归一化方法筛选的年龄相关性mRNA表达量区间分布柱状图

Fig. 3 Bar charts of interval distribution of age-relatedmRNA expression levels screened byfour normalization methods

图4 4种归一化方法与Aging Atlas数据库中KEGG通路的比较（气泡图）气泡的大小表示该通路中涉及的基因数量，气泡越大，该通路的富集基因数量越多；气泡的颜色表示该通路的P值，颜色越深，该通路的富集显著性越强。

Fig. 4 Comparison of KEGG pathways betweenthe four normalization methods and the AgingAtlas database （bubble plot）

表3 4种归一化方法构建的3种模型在训练集的预测性能

Tab. 3 Predictive performance of three models constructed using four normalization methods on the training set

归一化方法	LASSO			SVM			XGBoost
归一化方法	MAE/岁	RMSE/岁	R²	MAE/岁	RMSE/岁	R²	MAE/岁	RMSE/岁	R²
CPM	7.01	8.31	0.80	8.07	10.86	0.65	4.64	5.82	0.90
FPKM	7.74	9.12	0.75	8.55	10.99	0.64	4.97	6.35	0.88
TPM	8.12	9.73	0.72	8.62	10.67	0.66	5.86	7.38	0.84
TMM	4.75	6.15	0.89	7.17	9.34	0.74	4.38	5.28	0.92

表4 4种归一化方法构建的3种模型在测试集的预测性能

Tab. 4 Predictive performance of three models constructed using four normalization methods on the test set

归一化方法	LASSO			SVM			XGBoost
归一化方法	MAE/岁	RMSE/岁	R²	MAE/岁	RMSE/岁	R²	MAE/岁	RMSE/岁	R²
CPM	7.08	8.85	0.77	8.79	11.19	0.63	6.30	7.57	0.85
FPKM	8.22	10.12	0.69	9.04	11.65	0.59	7.11	9.68	0.77
TPM	8.64	10.63	0.66	9.29	11.21	0.62	7.16	9.09	0.78
TMM	6.59	8.11	0.80	8.04	10.02	0.70	5.85	7.31	0.87

参考文献 45

[1]	王亚辉，陈腾. 法医学活体年龄推断研究前沿与挑战[J].法医学杂志，2024，40（2）：109-111.
	doi：10.12116/j.issn.1004-5619.2024.240410.WANG Y H， CHEN T. Research frontiers and challenges of living age estimation in forensic science[J]. Fayixue Zazhi，2024，40（2）：109-111.
[2]	MARCANTE B， MARINO L， CATTANEO N E， et al. Advancing forensic human chronological age estimation： Biochemical， genetic， and epigenetic approaches from the last 15 years： A systematic review[J]. Int J Mol Sci，2025，26（7）：3158. doi：10.3390/ijms26073158 .
[3]	王郡颜，李淑瑾. 衰老相关生物分子标志物在法医年龄推断中的研究进展[J].中国法医学杂志，2023，38（1）：69-74. doi：10.13618/j.issn.1001-5728.2023.01.013 .
	WANG J Y， LI S J. Development of aged-related biomolecular markers for age inference in the field of forensic medicine[J]. Zhongguo Fayixue Zazhi，2023，38（1）：69-74.
[4]	路艳芳，李成涛. 转录组分子在法医疑难检材鉴定的分子基础及其在年龄推断中的应用[J].中国法医学杂志，2025，40（1）：90-95. doi：10.13618/j.issn.1001-5728.2025.01.016 .
	LU Y F， LI C T. The molecular basis of transcriptome molecules in forensic identification of challenging samples and their application in age estimation[J]. Zhongguo Fayixue Zazhi，2025，40（1）：90-95.
[5]	WANG J Y， WANG C Y， WEI Y Y， et al. Circular RNA as a potential biomarker for forensic age prediction[J]. Front Genet，2022，13：825443. doi：10.3389/fgene.2022.825443 .
[6]	LU Y F， CHEN A Q， LIAO M X， et al. Development of a microRNA-based age estimation model using whole-blood microRNA expression profiling[J]. Noncoding RNA Res，2025，12：81-91. doi：10.1016/j.ncrna.2025.03.003 .
[7]	FANG C， ZHOU P， LI R， et al. Development of a novel forensic age estimation strategy for aged blood samples by combining piRNA and miRNA markers[J]. Int J Legal Med，2023，137（5）：1327-1335. doi：10.1007/s00414-023-03028-8 .
[8]	JIN X Y， REN Z， ZHANG H L， et al. Systematic selection of age-associated mRNA markers and the development of predicted models for forensic age inference by three machine learning methods[J]. Front Genet，2022，13：924408. doi：10.3389/fgene.2022.924408 .
[9]	QUINN T P， CROWLEY T M， RICHARDSON M F. Benchmarking differential expression analysis tools for RNA-Seq： Normalization-based vs. log-ratio transformation-based methods[J]. BMC Bioinformatics，2018，19：274. doi：10.1186/s12859-018-2261-8 .
[10]	CONESA A， MADRIGAL P， TARAZONA S， et al. A survey of best practices for RNA-seq data analysis[J]. Genome Biol，2016，17：13. doi：10.1186/s13059-016-0881-8 .
[11]	EVANS C， HARDIN J， STOEBEL D M. Selecting between-sample RNA-Seq normalization methods from the perspective of their assumptions[J]. Brief Bioinform，2018，19（5）：776-792. doi：10.1093/bib/bbx008 .
[12]	DÜZ E， ÇAKIR T. Effect of RNA-Seq data normalization on protein interactome mapping for Alzheimer’s disease[J]. Comput Biol Chem，2024，109：108028. doi：10.1016/j.compbiolchem.2024.108028 .
[13]	LI X H， COOPER N G F， O’TOOLE T E， et al. Choice of library size normalization and statistical methods for differential gene expression analysis in balanced two-group comparisons for RNA-seq studies[J]. BMC Genomics，2020，21：75. doi：10.1186/s12864-020-6502-7 .
[14]	LI X H， BROCK G N， ROUCHKA E C， et al. A comparison of per sample global scaling and per gene normalization methods for differential expression analysis of RNA-seq data[J]. PLoS One，2017，12（5）：e0176185. doi：10.1371/journal.pone.0176185 .
[15]	LIN Y Z， GOLOVNINA K， CHEN Z X， et al. Comparison of normalization and differential expression analyses using RNA-Seq data from 726 individual Drosophila melanogaster [J]. BMC Genomics，2016，17：28. doi：10.1186/s12864-015-2353-z .
[16]	ELAHIMANESH M， NAJAFI M. Differentially expressed genes of RNA-seq data are suggested on the intersections of normalization techniques[J]. Biochem Biophys Rep，2024，37：101618. doi：10.1016/j.bbrep.2023.101618 .
[17]	TAM S， TSAO M S， MCPHERSON J D. Optimization of miRNA-seq data preprocessing[J]. Brief Bioinform，2015，16（6）：950-963. doi：10.1093/bib/bbv019 .
[18]	ZHAO S R， YE Z， STANTON R. Misuse of RPKM or TPM normalization when comparing across sam-ples and sequencing protocols[J]. RNA，2020，26（8）：903-909. doi：10.1261/rna.074922.120 .
[19]	ZHAO Y D， LI M C， KONATÉ M M， et al. TPM， FPKM， or normalized counts? A comparative study of quantification measures for the analysis of RNA-seq data from the NCI patient-derived models repository[J]. J Transl Med，2021，19（1）：269. doi：10.1186/s12967-021-02936-w .
[20]	WAGNER G P， KIN K， LYNCH V J. Measurement of mRNA abundance using RNA-seq data： RPKM measure is inconsistent among samples[J]. Theor Biosci，2012，131（4）：281-285. doi：10.1007/s12064-012-0162-3 .
[21]	ROBINSON M D， OSHLACK A. A scaling normalization method for differential expression analysis of RNA-seq data[J]. Genome Biol，2010，11（3）：R25. doi：10.1186/gb-2010-11-3-r25 .
[22]	SHERMAN B T， HAO M， QIU J， et al. DAVID： A web server for functional enrichment analysis and functional annotation of gene lists （2021 update）[J]. Nucleic Acids Res，2022，50（W1）：W216-W221. doi：10.1093/nar/gkac194 .
[23]	Aging Atlas Consortium. Aging Atlas： A multi-omics database for aging biology[J]. Nucleic Acids Res，2021，49（D1）：D825-D830. doi：10.1093/nar/gkaa894 .
[24]	VARSHAVSKY M， HARARI G， GLASER B， et al. Accurate age prediction from blood using a small set of DNA methylation sites and a cohort-based machine learning algorithm[J]. Cell Rep Methods，2023，3（9）：100567. doi：10.1016/j.crmeth.2023.100567 .
[25]	CHEN A Q， XUAN Y J， YANG F， et al. Long non-coding RNAs in human peripheral blood as biomarkers for age prediction[J]. Forensic Sci Int Genet，2026，82：103419. doi：10.1016/j.fsigen.2025.103419 .
[26]	王郡颜. 外周血年龄相关性circRNAs分子标志物的筛选及法医学个体年龄推断模型的构建[D].石家庄：河北医科大学，2020.
	WANG J Y. Identification of age-correlated circRNA markers for the development of forensic age estimation models[D]. Shijiazhuang： Hebei Medical University，2020.
[27]	STOEGER T， GRANT R A， MCQUATTIE-PIMENTEL A C， et al. Aging is associated with a systemic length-associated transcriptome imbalance[J]. Nat Aging，2022，2（12）：1191-1206. doi：10.1038/s43587-022-00317-6 .
[28]	蔡美铭，陈曼，季观庆，等. 法医转录组学的研究进展及展望[J].中国法医学杂志，2023，38（2）：166-171. doi：10.13618/j.issn.1001-5728.2023.02.014 .
	CAI M M， CHEN M， JI G Q， et al. Research progress and prospect of forensic transcriptomics[J]. Zhongguo Fayixue Zazhi，2023，38（2）：166-171.
[29]	樊嵘，孟大志，徐大舜. 统计相关性分析方法研究进展[J].数学建模及其应用，2014，3（1）：1-12. doi：10.3969/j.issn.2095-3070.2014.01.002 .
	FAN R， MENG D Z， XU D S. Survey of research process on statistical correlation analysis[J]. Shuxue Jianmo Jiqi Yingyong，2014，3（1）：1-12.
[30]	谢文华. Spearman相关系数的变量筛选方法[D].北京：北京工业大学，2015.
	XIE W H. Variable screening based on Spearman correlation[D]. Beijing： Beijing University of Technology，2015.
[31]	KE T M， LOPHATANANON A， MUIR K R. Exploring the relationships between lifestyle patterns and epigenetic biological age measures in men[J]. Biomedicines，2024，12（9）：1985. doi：10.3390/biomedicines12091985 .
[32]	ALSALEH H， HADDRILL P R. Identifying blood-specific age-related DNA methylation markers on the Illumina MethylationEPIC^® BeadChip[J]. Forensic Sci Int，2019，303：109944. doi：10.1016/j.forsciint.2019.109944 .
[33]	邢杨峰，冀志敏，李俊丽，等. 机器学习技术结合Y染色体CpG位点推断男性年龄[J].中国法医学杂志，2023，38（4）：381-384，389.
	doi：10.13618/j.issn.1001-5728.2023.04.010.XING Y F， JI Z M， LI J L， et al. Inferring male individual age based on machine learning technology and Y chromosome CpG locus[J]. Zhongguo Fayixue Zazhi，2023，38（4）：381-384，389.
[34]	SMID M， COEBERGH VAN DEN BRAAK R R J， VAN DE WERKEN H J G， et al. Gene length corrected trimmed mean of M-values （GeTMM） processing of RNA-seq data performs similarly in intersample analyses while improving intrasample comparisons[J]. BMC Bioinformatics，2018，19：236. doi：10.1186/s12859-018-2246-7 .
[35]	LÓPEZ-OTÍN C， PIETROCOLA F， ROIZ-VALLE D， et al. Meta-hallmarks of aging and cancer[J]. Cell Metab，2023，35（1）：12-35. doi：10.1016/j.cmet.2022.11.001 .
[36]	HU H H， CAO G， WU X Q， et al. Wnt signaling pathway in aging-related tissue fibrosis and therapies[J]. Ageing Res Rev，2020，60：101063. doi：10 .
	1016/j.arr.2020.101063.
[37]	HAGA M， OKADA M. Systems approaches to investigate the role of NF-κB signaling in aging[J]. Biochem J，2022，479（2）：161-183. doi：10.1042/BCJ20210547 .
[38]	BAIRAKDAR M D， TEWARI A， TRUTTMANN M C. A meta-analysis of RNA-Seq studies to identify novel genes that regulate aging[J]. Exp Gerontol，2023，173：112107. doi：10.1016/j.exger.2023.112107 .
[39]	LÜLECI H B， UZUNER D， CESUR M F， et al. A benchmark of RNA-seq data normalization me-thods for transcriptome mapping on human genome-scale metabolic networks[J]. NPJ Syst Biol Appl，2024，10（1）：124. doi：10.1038/s41540-024-00448-z .
[40]	WU Y T， GAO H J， ZHANG C， et al. Machine learning and deep learning approaches in lifespan brain age prediction： A comprehensive review[J]. Tomography，2024，10（8）：1238-1262. doi：10.3390/tomography10080093 .
[41]	SHOKHIREV M N， JOHNSON A A. Modeling the human aging transcriptome across tissues， health status， and sex[J]. Aging Cell，2021，20（1）：e13280. doi：10.1111/acel.13280 .
[42]	HAN H， MEN K. How does normalization impact RNA-seq disease diagnosis?[J]. J Biomed Inform，2018，85：80-92. doi：10.1016/j.jbi.2018.07.016 .
[43]	DØRUM G， HÄNGGI N V， BURRI D， et al. Selecting mRNA markers in blood for age estimation of the donor of a biological stain[J]. Forensic Sci Int Genet，2024，68：102976. doi：10.1016/j.fsigen.2023.102976 .
[44]	FLEISCHER J G， SCHULTE R， TSAI H H， et al. Predicting age from the transcriptome of human dermal fibroblasts[J]. Genome Biol，2018，19：221. doi：10.1186/s13059-018-1599-6 .
[45]	朱波峰. 多组学视域下的精准鉴识：法医物证学研究现状、挑战与展望[J].法医学杂志，2025，41（5）：421-440. doi：10.12116/j.issn.1004-5619.2025.550704 .
	ZHU B F. Precision identification from a multi-omics perspective： Current status， challenges， and prospects in forensic genetics[J]. Fayixue Zazhi，2025，41（5）：421-440.

RNA测序数据归一化对法医学年龄推断的影响

Effect of RNA Sequencing Normalization on Forensic Age Estimation

RichHTML

PDF (PC)

补充材料

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 45

相关文章 15

编辑推荐

Metrics

[1]	张更谦, 刘紫东. RNA多态性个体识别的方法、应用与展望[J]. 法医学杂志, 2026, 42(2): 143-150.
[2]	刘振平, 叶之骅, 童继军, 宋佳辉, 吴微微, 郝宏蕾, 傅燕芳, 翟仙敦. 男性个体Amelogenin基因座异常分型的分析[J]. 法医学杂志, 2026, 42(2): 121-129.
[3]	张祥彦, 杨帆, 胡胜, 贾琼, 聂昊, 赵兴春, 郭亚东. 联合肠道特征菌与机器学习的裸鼠死亡时间分段推断模型构建[J]. 法医学杂志, 2026, 42(2): 87-93.
[4]	窦润庭, 程顺, 周鑫, 叶星, 王智敏, 洪光辉, 张麒, 夏晴, 沈忆文. 基于结构化损伤特征的机器学习模型判别外伤后膝关节活动度[J]. 法医学杂志, 2026, 42(1): 8-16.
[5]	孙溢华, 陈剑, 李永生. 6种STR试剂盒法医学检验性能比较[J]. 法医学杂志, 2026, 42(1): 26-33.
[6]	余华光, 黄江平, 刘亚楠, 于雷, 金晓剑. 综合运用混合分型拆分和Y-STR破获强奸致孕案1例[J]. 法医学杂志, 2025, 41(6): 612-615.
[7]	丁鑫泽, 林锦锋, 张轶伦, 黄佳斌, 陈云弟, 王万旭. 罕见非整倍体流产胚胎DNA检验1例[J]. 法医学杂志, 2025, 41(6): 616-619.
[8]	朱波峰. 多组学视域下的精准鉴识：法医物证学研究现状、挑战与展望[J]. 法医学杂志, 2025, 41(5): 421-440.
[9]	邹后英, 雷印蕾, 夏若成, 施妍, 李成涛. 基于微生物组学污水中精神活性物质检测[J]. 法医学杂志, 2025, 41(5): 468-476.
[10]	刘振平, 沈艳, 王胜利, 傅燕芳, 童继军, 徐倩南, 翟仙敦. Y染色体长臂多个STR等位基因缺失样本的家系分型调查3例[J]. 法医学杂志, 2025, 41(5): 513-516.
[11]	郭紫雯, 邱天禹, 曹玥. 基于表面增强拉曼光谱与机器学习的依托咪酯及其结构类似物的快速鉴识[J]. 法医学杂志, 2025, 41(4): 364-370.
[12]	陈冲, 石妍, 贾莉, 李惠芬, 任贺, 张京晶. Y-STR等位基因缺失关联Y染色体AZFabc亚区缺失1例[J]. 法医学杂志, 2025, 41(4): 404-406.
[13]	陈静, 王亚萍, 冯云鹏, 胡晓欣, 贾振军, 刘洪迪, 严安心, 李永久, 彭柱, 刘志芳, 陈健刚. 国产人类DNA定量试剂盒的验证及法医学应用[J]. 法医学杂志, 2025, 41(3): 252-259.
[14]	李泽琴, 原芳, 刘娜, 严江伟, 张更谦. 牙线来源的生物样本采集、DNA提取及STR分型[J]. 法医学杂志, 2025, 41(3): 237-243.
[15]	周慧明, 李丹阳, 万雷, 刘太昂, 李远喆, 汪茂文, 王亚辉. 基于分割标签与原始图像融合的双通道汉族青少年肩关节X线骨龄评估[J]. 法医学杂志, 2025, 41(3): 208-216.