
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于 Transformer 迁移学习的 mHolmes 框架提升法医死亡时间估算精度
《Nature Communications》:mHolmes improves cross anatomical cadaveric microbiome forecasting for postmortem interval estimation
【字体: 大 中 小 】 时间:2026年09月29日 来源:Nature Communications 18.1
编辑推荐:
摘要法医微生物学利用死后微生物组的演变作为估算死亡时间(PMI)的有希望的生物标志物。然而,当前的方法受到采样点稀少(通常只有3-5个时间点)和有限跨解剖部位普适性的限制,导致死亡时间估算的不精确,误差常常超过±3天,尤其是在尸体被肢解的情况下。为了解决这些限制,我们开发了mHo
法医微生物学利用死后微生物组的演变作为估算死亡时间(PMI)的有希望的生物标志物。然而,当前的方法受到采样点稀少(通常只有3-5个时间点)和有限跨解剖部位普适性的限制,导致死亡时间估算的不精确,误差常常超过±3天,尤其是在尸体被肢解的情况下。为了解决这些限制,我们开发了mHolmes,这是一种基于Transformer的迁移学习框架,用于预测尸体的微生物组动态。mHolmes通过训练34具尸体在21天内的每日纵向数据,实现了对微生物动态的每日预测,并在跨解剖部位的预测任务中降低了误差(MAE < 2天,例如从髋部到面部的预测)。Shapley Additive exPlanations(SHAP)分析通过识别七类细菌作为与死亡时间相关的候选特征,增强了该模型的可解释性。这项研究表明,mHolmes是一个强大的预测框架,能够有效应对采样稀少和跨解剖部位微生物数据的关键问题,改进了基于不完整观测数据的死亡时间估算,并在肢体识别和更高分辨率的时间线重建方面具有潜在的法医应用价值。