海水溺死大鼠盲肠微生物群落变化及结合随机森林机器学习算法进行死亡时间推断

Changes of cecal microbial community in seawater drowning rats and estimation of postmortem interval in combination with random forest machine learning algorithm

摘要

目的 研究海水中溺死大鼠和CO₂窒息死后入水大鼠盲肠微生物的演替规律，并结合随机森林（random forest，RF）机器学习算法进行死后淹没时间（postmortem submersion interval，PMSI）的推断。 方法 本研究将70只健康成年SD大鼠随机分为海水溺死组（seawater drowning group，D组）和死后入水组（postmortem submersion group，PS组）。建立动物模型后置于25 ℃恒温气候箱，按照死后经历时间（0、12、24、36、48、72、96 h）对盲肠内容物进行取材，经十六烷基三甲基溴化铵（cetyltrimethylammonium bromide，CTAB）法提取DNA，细菌16S rDNA V3-V4区特异性扩增，高通量测序等得到测序数据，对盲肠微生物群落特征进行多样性分析；结合微生物组测序结果和RF机器学习算法，筛选生物标志物，建立海水溺死和死后入水组大鼠尸体的PMSI预测模型。 结果 海水溺死组和死后入水组的盲肠微生物群落特征存在差异。结合RF机器学习算法筛选出16种推断PMSI的潜在生物标志物，并分别建立了海水溺死组（D组）和死后入水组（PS组）的PMSI推断模型。海水溺死组预测模型结果：平均绝对误差（mean absolute error，MAE）=13.272 h，R²=0.798；死后入水组预测模型结果：MAE=9.956 h，R²=0.793。 结论 本研究表明，海水溺死和死后入水2种死因的盲肠微生物群落存在规律性差异，证明了结合RF机器学习算法的盲肠内容物微生物群落演替能够成为海水尸体PMSI推断的有效生物学指标。

关键词

溺死 / 死后浸没时间 / 随机森林 / 微生物组学 / 死亡时间推断

Key words

drowning / postmortem submersion interval / random forest / microbiome / estimation of postmortem interval

基金资助

国家自然科学基金资助项目(82060341;81560304)

海南省院士创新平台科研资助项目(YSPTZX202134)

海南省研究生创新课题资助项目(Qhys2023-474)