发表机构
ESPCI-PSL, CNRS, UAR 2051; Department of biology, Ecole Normale Supérieure Paris-Saclay; Département Environnement Incendies Explosifs, Institut de Recherche Criminelle de la Gendarmerie Nationale（巴黎高等物理化工学院，法国国家科学研究中心; 巴黎萨克雷高等师范大学生物学系; 国家宪兵队犯罪研究所环境、火灾与爆炸部门）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
该研究针对法医体液鉴定的来源信息缺失问题，开发三种蛋白质组学方法，结合机器学习模型，实现了体液及混合物的高准确率识别，为法医调查提供了新工具。
AI 中文摘要
法医体液鉴定对重建犯罪现场事件至关重要。DNA分析虽能实现个体识别，但缺乏体液来源的信息。我们开发并评估了三种互补的蛋白质组学方法，采用LC-HRMS/MS技术识别血液、唾液、精液、尿液和阴道液，包括复杂混合物。第一种方法利用体液特异性肽生物标志物，对纯体液实现高准确率；第二种采用肽丰度比，在体液混合物中表现有效；第三种是使用Classifier Chain Random Forest的机器学习模型，对纯体液达到100%准确率，对混合物也取得良好结果。我们的研究揭示了不同检测方法的互补性，其中肽特异性生物标志物和机器学习方法最为稳健。本研究证明了蛋白质组学在全面体液鉴定中的潜力，为法医调查提供了有价值的工具。
英文摘要
Forensic body fluid identification is crucial for reconstructing crime scene events. While DNA analysis provides individualization, it lacks information about the fluid's origin. We developed and evaluated three complementary proteomic approaches using LC-HRMS/MS to identify blood, saliva, semen, urine, and vaginal fluid, including complex mixtures. The first method utilized fluid-specific peptide biomarkers, achieving high accuracy for pure fluids. The second employed peptide abundance ratios, demonstrating effectiveness in body fluid mixtures. The third, a machine learning model using Classifier Chain Random Forest, achieved 100% accuracy for pure fluids and promising results for mixtures. Our results revealed the complementarity of different tests, with the peptide-specific biomarker and machine-learning approaches being the most robust. This study demonstrates the potential of proteomics for comprehensive body fluid identification, offering valuable tools for forensic investigations.
Journal refAnalytical Chemistry, 2025, 97 (40), pp.21818-21826
