基于机器学习的法医微生物研究现状

doi:10.3969/j.issn.1671-2072.2024.03.005

摘要/Abstract

摘要： 微生物广泛存在于自然界和人体，其群落分布差异性为解决法医学相关问题提供了很多新的可能性。作为实现人工智能的主要方法之一，机器学习拥有强大的识别、处理和分析数据能力，为法医微生物研究提供了新思路和新方法。通过介绍近年来在法医微生物研究中使用较多的无监督学习、监督学习和深度学习等机器学习算法，并对其在个体识别、死亡时间推断、地理位置溯源等领域的探索性研究进行总结。此外，还系统剖析了机器学习算法在法医微生物研究中标准化流程、数据库建立和证据解释等方面存在的问题，并对其在法医微生物中的应用进行展望。

关键词: 法医学, 微生物, 人工智能, 机器学习算法

Abstract: Microorganisms are widely present in nature and in human body. Their diverse community distribution provides new possibilities for solving forensic science challenges. As one of the main tools in artificial intelligence，machine learning plays a crucial role in data identification，processing and analysis，providing new ideas and methods for forensic microbiology research. This paper introduces various machine learning（ML） algorithms and related models，including supervised learning，unsupervised learning and deep learning，which have been widely used in recent forensic microbiology studies，and summarizes relevant studies on individual identification，postmortem interval inference，geographic location traceability. In addition，this paper systematically analyses challenges faced by machine learning algorithms in standardization，database establishment and evidence interpretation in forensic microbiology research，and discusses its application in forensic microbiology.

Key words: forensic science, microbiology, artificial intelligence（AI）, machine learning（ML） algorithm

中图分类号:

张立为, 王甜, 余代静, 张君, 严江伟. 基于机器学习的法医微生物研究现状[J]. 中国司法鉴定, 2024(3): 32-40.

ZHANG Liwei, WANG Tian, YU Daijing, ZHANG Jun, YAN Jiangwei. Status of Forensic Microbiology Research Based on Machine Learning[J]. Chinese Journal of Forensic Sciences, 2024(3): 32-40.

参考文献

[ 1 ] MARCHESI J R，RAVEL J.The vocabulary of microbiome research： A proposal[J]. Microbiome，2015，30：3：31.
[ 2 ] BUDOWLE B，SCHUTZER S E，EINSELN A，et al. Public health. Building microbial forensics as a response to bioterrorism[J]. Science， 2003，301（5641）：1852-1853.
[ 3 ] TURNBAUGH P J， LEY R E， HAMADY M，et al. The human microbiome project[J].Nature，2007，449（7164）：804-810.
[ 4 ] FIERER N，LAUBER C L，ZHOU N，et al. Forensic identification using skin bacterial communities[J].Proceedings of the National Academy of Sciences of the United States of America， 2010，107（14）：6477-6481.
[ 5 ] GILBERT J A， BLASER M J， CAPORASO J G， et al. Current understanding of the human microbiome[J].Natural Medicine， 2018， 24（4）： 392-400.
[ 6 ] KULESHOV V， JIANG C， ZHOU W， et al. Synthetic long-read sequencing reveals intraspecies diversity in the human microbiome[J].Nature Biotechnology，2016，34（1）：64-69.
[ 7 ] HANDELSMAN J， RONDON M R， BRADY S F，et al. Molecular biological access to the chemistry of unknown soil microbes： A new frontier for natural products[J]. Chemistry & Biology，1998，5（10）：R245-R249.
[ 8 ] QUINCE C， WALKER A W， SIMPSON J T， et al. Shotgun metagenomics， from sampling to analysis [J]. Nature Biotechnology，2017，35（9）：833-844.
[ 9 ] METCALF J L， XU Z Z， WEISS S， et al. Microbial community assembly and metabolic function during mammalian corpse decomposition[J]. Science，2016，351（6269）：158-162.
[10] RAVI R K， WALTON K， KHOSROHEIDARI M. MiSeq： A next generation sequencing platform for genomic analysis[J]. Methods in Molecular Biology，2018，1706：223-232.
[11] BHARTI R， GRIMM D G. Current challenges and best-practice protocols for microbiome analysis[J]. Briefings in Bioinformatics，2021， 22（1）：178-193.
[12] JOHNSON J S， SPAKOWICZ D J， HONG B Y， et al. Evaluation of 16S rRNA gene sequencing for species and strain-level microbiome analysis[J]. Nature Communications，2019，10（1）：5029.
[13] PRODAN A， TREMAROLI V， BROLIN H， et al. Comparing bioinformatic pipelines for microbial 16S rRNA amplicon sequencing[J]. PLoS One，2020，15（1）：e0227434.
[14] JORDAN M I， MITCHELL T M. Machine learning： Trends， perspectives， and prospects[J]. Science，2015，349（6245）：255-260.
[15] ASNICAR F， THOMAS A M， PASSERINI A， et al. Machine learning for microbiologists[J]. Nature Reviews Microbiology， 2024，22（4）：191-205.
[16] BEN SALEM K， BEN ABDELAZIZ A. Principal component analysis（PCA） [J]. La Tunisie Medicale，2021，99（4）：383-389.
[17] DOBAY A， HAAS C， FUCILE G， et al. Microbiome-based body fluid identification of samples exposed to indoor conditions[J]. Forensic Science International Genetics，2019，40：105-113.
[18] ZHANG J， WANG M C， QI X Q， et al. Predicting the postmortem interval of burial cadavers based on microbial community succession[J]. Forensic Science International Genetics，2021，52：102488.
[19] BECKER T， ROUSSEAU A J， GEUBBELMANS M， et al. Decision trees and random forests[J]. American Journal of Orthodontics and Dentofacial Orthopedics，2023，164（6）：894-897.
[20] YANG J， TSUKIMI T， YOSHIKAWA M， et al. Cutibacterium acnes （Propionibacterium acnes） 16S rRNA genotyping of microbial samples from possessions contributes to owner identification[J]. mSystems， 2019，4（6）：e00594-e00619.
[21] METCALF J L， WEGENER P L， GONZA-LEZ A， et al. A microbial clock provides an accurate estimate of the postmortem interval in a mouse model system[J]. Elife，2013，15：2：e01104.
[22] DEEL H， EMMONS A L， KIELY J， et al. A pilot study of microbial succession in human rib skeletal remains during terrestrial decomposition[J]. mSphere，2021，6（4）：e0045521.
[23] WANG J Q， CHENG X J， ZHANG J， et al. Estimating the time since deposition （TsD） in saliva stains using temporal changes in microbial markers [J]. Forensic Science Internatioanal Genetics，2022，60：102747.
[24] MetaSUB International Consortium.The Metagenomics and Metadesign of the Subways and Urban Biomes （MetaSUB） International Consortium inaugural meeting report[J]. Microbiome，2016，4（1）：24.
[25] RYAN F J. Application of machine learning techniques for creating urban microbial fingerprints[J]. Biology Direct，2019，14（1）：13.
[26] ZHANG J， YU D J， WANG Y Y， et al. Tracing recent outdoor geolocation by analyzing microbiota from shoe soles and shoeprints even after indoor walking[J]. Forensic Science International Genetics，2023， 65：102869.
[27] MARILL K A. Advanced statistics：Linear regression， part II：Multiple linear regression[J]. Academic Emergency Medicine，2004， 11（1）：94-102.
[28] STOLTZFUS J C. Logistic regression：A brief primer[J]. Academic Emergency Medicine，2011，18（10）：1099-1104.
[29] HUANG L H， XU C Q， YANG W X， et al. A machine learning framework to determine geolocations from metagenomic profiling[J]. Biology Direct，2020，15（1）：27.
[30] OH J， BYRD A L， PARK M， et al. Temporal stability of the human skin microbiome[J]. Cell，2016，165（4）：854-866.
[31] SCHMEDES S E， WOERNER A E， BUDOWLE B. Forensic human identification using skin microbiomes[J]. Applied and Environmental Microbiology，2017，83（22）：e01672-e01717.
[32] SCHMEDES S E， WOERNER A E， NOVROSKI N M M， et al. Targeted sequencing of clade-specific markers from skin microbiomes for forensic human identification[J]. Forensic Science International Genetics，2018， 32：50-61.
[33] DÍEZ LÓPEZ C， KAYSER M， VIDAKI A. Estimating the time since deposition of saliva stains with a targeted bacterial DNA approach： A proof-of-principle study[J]. Frontiers Microbiology，2021，12： 647933.
[34] XANTHOPOULOS P， PARDALOS P M， TRAFALIS T B， et al. Linear discriminant analysis[J]. Robust Data Mining，2013，2：27-33.
[35] MEI S， ZHAO M， LIU Y， et al. Evaluations and comparisons of microbial diversities in four types of body fluids based on two 16S rRNA gene sequencing methods[J]. Forensic Science International，2022，331： 111128.
[36] HEARST M A， DUMAIS S T， OSUNA E， et al. Support vector machines[J]. IEEE Intelligent Systems and Their Applications，1998，13（4）：18-28.
[37] SHERIER A J， WOERNER A E， BUDOWLE B. Population informative markers selected using Wright’s fixation index and machine learning improves human identification using the skin microbiome[J]. Applied and Environmental Microbiology，2021，87（20）：e0120821.
[38] WOERNER A E， NOVROSKI N M M， WENDT F R， et al. Forensic human identification with targeted microbiome markers using nearest neighbor classification[J]. Forensic Science International Genetics，2019，38：130-139.
[39] TOYOMANE K， YOKOTA R， WATANABE K， et al. Evaluation of CRISPR diversity in the human skin microbiome for personal identification[J]. mSystems，2021，6（1）：e01255-e01320.
[40] KAELBLING L P， LITTMAN M L， MOORE A W. Reinforcement learning： A survey[J]. Journal of Artificial Intelligence Research，1996，4： 237-285.
[41] CHOI R Y， COYNER A S， KALPATHY-CRAMER J， et al. Introduction to machine learning， neural networks， and deep learning[J]. Translational Vision Science and Technology，2020，9（2）：14.
[42] LECUN Y， BENGIO Y， HINTON G. Deep learning [J]. Nature， 2015， 521（7553）： 436-444.
[43] KRIEGESKORTE N， GOLAN T. Neural network models and deep learning[J]. Current Biology，2019，29（7）：R231-R236.
[44] DÍEZ LÓPEZ C， VIDAKI A， RALF A， et al. Novel taxonomy-independent deep learning microbiome approach allows for accurate classification of different forensically relevant human epithelial materials[J]. Forensic Sciencde International Genetics，2019，41：72-82.
[45] DÍEZ LÓPEZ C， MONTIEL GONZÁLEZ D， HAAS C， et al. Microbiome-based body site of origin classification of forensically relevant blood traces[J]. Forensic Science International Genetics，2020，47：102280.
[46] LIU R N， GU Y X， SHEN M W， et al. Predicting postmortem interval based on microbial community sequences and machine learning algorithms[J]. Environmental Microbiology，2020，22（6）：2273-2291.
[47] 中国法医学晋祠宣言[J]. 法医学杂志，2023，39（5）：431-432.

[1]	李娜, 张书芮, 孙俊红. 人工智能技术驱动的法医病理时间类问题解决策略[J]. 中国司法鉴定, 2024, 0(3): 41-48.
[2]	马文静, 刘凡, 赵亮, 刘华, 裴京哲, 张睿, 施维. 股骨颈骨折影像人工智能快速诊断方法研究[J]. 中国司法鉴定, 2024, 0(3): 49-54.
[3]	洪翔. 试论检察机关暂予监外执行案件的法医学技术性证据专门审查[J]. 中国司法鉴定, 2023, 0(6): 16-22.
[4]	周慧明, 李丹阳, 万雷, 李成涛, 汪茂文, 王亚辉. 人工智能技术在法医学骨龄和牙龄评估中的研究前沿及展望[J]. 中国司法鉴定, 2023, 0(5): 31-38.
[5]	刘中冲, 李智伟, 秦妙, 刘兆芹, 刘丰杰, 钱学江, 刘雨清. 混杂型肩袖撕裂与肩袖病变磁共振征象对比分析[J]. 中国司法鉴定, 2023, 0(4): 52-56.
[6]	李强, 梁英楠, 单锋, 李亮. 颈部血管破裂伤及其人体损伤程度鉴定256例分析[J]. 中国司法鉴定, 2023, 0(2): 61-66.
[7]	胡丙杰, 黄瑞亭. 法医研究所的创建、发展及贡献——纪念法医研究所创立90周年[J]. 中国司法鉴定, 2022, 0(5): 88-96.
[8]	刘微, 蔡有权, 蔡继峰, 常云峰, 兰玲梅, . 四肢长骨骨折术后不愈合医疗损害法医学分析[J]. 中国司法鉴定, 2022, 0(3): 51-56.
[9]	龚艺, 郑丹, 陈芳萍, 于燕妮, 官志忠, 楼迪栋, . 地方性氟中毒流行现状与法医学鉴定[J]. 中国司法鉴定, 2022, 0(2): 35-40.
[10]	周旻, 张韦屹, 沈寒坚. 72例妇产科医疗损害法医学鉴定分析[J]. 中国司法鉴定, 2022, 0(2): 100-105.
[11]	赵宪伟, 刘政, 徐衍. 海量电子数据审查的实现路径 [J]. 中国司法鉴定, 2022, 0(1): 30-37.
[12]	夏若成, 陶瑞旸, 林源, 张晓春, 杨琪, 于欢, 席世涵, 熊磊, 李成涛, 张素华. 大麻遗传标记的法医学应用研究进展 [J]. 中国司法鉴定, 2022, 0(1): 66-72.
[13]	李卓, 屈胜秋, 周智露, 陈捷敏, 王萌, 汪茂文, 夏文涛. CT测量在眶内壁骨折损伤程度鉴定中的应用 [J]. 中国司法鉴定, 2022, 0(1): 79-84.
[14]	姜镇飞, 邹冬华, 赵明辉, 陈建国, 关闯. 多车致人死亡交通事故鉴定中痕迹物证与法医学的综合应用 [J]. 中国司法鉴定, 2021, 0(6): 96-102.
[15]	俞晓英, 陈捷敏, 周智露, 等. 眼外伤后视觉功能障碍法医学鉴定研究进展 [J]. 中国司法鉴定, 2021, 0(4): 41-47.