The human metabolome and machine learning improves predictions of the post-mortem interval

Motivation

• Known: 사후경과시간 추정은 법의학 수사에서 중요하지만, 직장 체온과 유리체 칼륨 농도 등 현존 방법은 1-3일 이내에서만 신뢰할 수 있다. 대사체가 PMI와 연관된 사례들이 보고되었으나 대규모 인간 데이터 기반의 예측 모델은 부족하다.
• Gap: 기존 PMI 추정 방법은 초기 사후기간에만 효과적이며, 더 긴 시간대에서의 정확한 예측이 필요하다. 또한 대규모 법의학 사례 데이터를 활용한 머신러닝 기반의 검증된 모델이 부재했다.
• Why: 정확한 PMI 예측은 살인 사건 수사에서 사건의 경위 재구성과 혐의자 특정에 매우 중요하며, 법의학적 신뢰성을 향상시킨다.
• Approach: 대퇴혈의 고해상도 질량분석법 기반 대사체 데이터(2,305개 특징)와 feed forward neural network (FFNN) 회귀 모델을 결합하여 PMI를 예측하고, 독립적인 테스트 데이터셋(n=512)으로 일반화 가능성을 검증했다.

Achievement

Fig. 1 | Study design and model performance. a We used our compendium of

• 높은 예측 정확도: FFNN 모델이 테스트 데이터에서 mean absolute error 1.45일, median absolute error 1.03일을 달성하여 기존 칼륨 기반 방법을 능가
• 교차 플랫폼 일반화: 다른 연도에 수집되고 별도의 질량분석기로 측정한 독립 데이터(n=512)에서도 MAE 1.78일로 예측 성능 유지
• 생물학적 통찰: Pseudo-time series clustering을 통해 지질 분해, 미토콘드리아 기능 장애, 단백질분해 등의 특이적 대사체 동역학 패턴 규명
• 확장성 입증: 수백 건의 사례만으로도 견고한 모델 학습이 가능함을 시연
• 임상적 우월성: 6가지 머신러닝 아키텍처 중 attention mechanism을 포함한 FFNN이 최고 성능 발휘

How

Fig. 1 | Study design and model performance. a We used our compendium of

• 4,876개의 대퇴혈 샘플(PMI 1-67일)을 80:10:10 비율로 train/validation/test 분할
• Attention mechanism을 포함한 feed forward neural network (FFNN) 구축 및 하이퍼파라미터 최적화 (1-4 hidden layers, 32-512 nodes, dropout 0.05-0.5, learning rate 1e-4~1e-2)
• ReLU activation function과 early stopping (patience 25 epochs) 적용
• Support vector regression, Random forest, Gradient boosting 등 6가지 머신러닝 모델과 성능 비교
• Potassium 기반 기존 모델과의 벤치마킹 (95% prediction interval 비교)
• 독립 테스트 데이터셋(n=512)으로 교차 플랫폼 일반화 평가

Originality

• 법의학 사례에서 얻은 4,876건의 진정한 인간 대사체 데이터를 활용한 대규모 연구로, 기존의 동물 모델(n=36 쥐) 또는 소규모 인간 연구와 차별화
• 일상 독성 검사 워크플로우에서 생성되는 루틴 데이터의 재목적화를 통한 비용 효율적인 접근
• 교차 플랫폼 데이터에서의 일반화 검증으로 실제 법의학 적용 가능성을 입증한 첫 시도
• Attention mechanism을 초기 계층에 통합하여 자동 특징 선택을 구현한 신경망 설계

Limitation & Further Study

• PMI 데이터의 해상도가 일부 샘플에서 48시간 단위로 제한되어 있어 모델 훈련 데이터의 내재적 불확실성이 존재
• 연구 모집단의 환경 조건(주변 온도 6°C 기준)이 제한적이어서 다양한 기후 환경에서의 성능 검증 필요
• 지질 분해, 미토콘드리아 기능 장애 등의 생물학적 메커니즘에 대한 상세한 기작 분석 부족
• 샘플 크기와 모델 성능의 관계에 대해 '수백 건으로 충분'이라는 정성적 결론만 제시, 정량적 임계값 미제공", '후속 연구는 다양한 환경 조건(고온, 습도 등), 부패 상태, 연령/성별 등 인구통계학적 변수가 모델 성능에 미치는 영향을 조사해야 함
• 다양한 지리적 위치와 시간대에서의 외부 검증(external validation) 필요

Evaluation

총평: 이 연구는 대규모 법의학 대사체 데이터와 신경망을 결합하여 사후경과시간 예측에서 기존 방법의 한계를 극복했으며, 교차 플랫폼 검증을 통해 실용적 적용 가능성을 입증한 획기적인 성과다. 법의학 분야에서 머신러닝의 활용을 제시하는 중요한 사례로, 향후 다양한 조건에서의 추가 검증이 이루어진다면 실제 사법 수사에 큰 기여할 수 있을 것이다.