El trabajo se sitúa junto a investigaciones que emplean datos moleculares para la identificación forense, desde el análisis de sangre a partir de una sola molécula hasta la predicción de enfermedades mediante análisis de rutina. Los trabajos vecinos se centran en biomarcadores individuales o paneles reducidos, mientras que esta investigación abarca cinco tipos de fluidos a la vez y, por primera vez, compara sistemáticamente tres estrategias proteómicas fundamentalmente distintas en una misma cohorte. Esto llena el vacío entre las pruebas preliminares rápidas y los métodos confirmatorios costosos, ofreciendo un enfoque escalable para muestras mixtas.
Se recolectaron muestras de sangre, saliva, semen, orina y fluido vaginal de 20 voluntarios en hisopos estériles. Las proteínas se extrajeron siguiendo el protocolo SP3, se digirieron con tripsina y se analizaron mediante LC-MS/MS en un espectrómetro de masas Q Exactive en modo DDA. Para la primera prueba se seleccionaron 526 péptidos específicos de cada fluido, con una sensibilidad del 80% y una especificidad del 90%. La segunda prueba utilizó 250 proporciones de intensidades de péptidos, seleccionadas mediante ANOVA. La tercera prueba se basó en un modelo de bosque aleatorio en cadena de clasificadores, entrenado con 1110 características elegidas por el algoritmo ReliefF.
La prueba de péptidos específicos alcanzó una precisión del 100% para sangre y saliva, y superior al 90% para los demás fluidos, pero mostró falsos positivos en mezclas, especialmente para orina. La prueba de proporciones de péptidos demostró una precisión superior al 90% para todas las clases, y las mezclas se reconocieron mejor que las muestras puras (75.6% frente a 68.0%). El modelo de aprendizaje automático mostró el mejor resultado: una precisión de subconjunto del 95.9% y del 100% para fluidos puros. Se descubrió que los tres métodos utilizan conjuntos de características casi disjuntos: solo 15 péptidos son comunes a todos los enfoques, lo que confirma su complementariedad.
A diferencia de los trabajos vecinos, que se centran en una clase de moléculas o un tipo de fluido, esta investigación compara directamente tres estrategias proteómicas sobre un mismo conjunto de datos y demuestra que la combinación de biomarcadores y aprendizaje automático supera a los enfoques tradicionales. Es especialmente relevante que el modelo de aprendizaje automático no se apoya en proteínas específicas conocidas de antemano, sino que encuentra sus propios patrones, lo que podría revelar nuevos marcadores diagnósticos. Este es un primer paso hacia la estandarización del análisis proteómico en la práctica forense.
El tema podría evolucionar hacia el análisis de muestras reales de escenas del crimen, incluyendo manchas degradadas en diversos soportes y mezclas con proporciones desconocidas. Es prometedor ampliar el alcance taxonómico, por ejemplo, incluyendo microbiota o proteínas animales para determinar el origen del rastro. También es probable que surja un software fácil de usar que permita a los peritos sin formación especializada interpretar datos proteómicos.
El método influirá en la ciencia forense, la criminalística y el diagnóstico biomédico, donde se requiere la identificación precisa de fluidos biológicos en muestras mezcladas o contaminadas.
Los próximos pasos incluyen la validación en muestras reales de composición conocida y en simulacros de manchas en condiciones cercanas a la realidad, como degradación y diferentes proporciones de componentes.
El trabajo aborda directamente un problema no resuelto de la proteómica forense: cómo identificar de manera fiable fluidos biológicos en mezclas, donde las pruebas inmunocromatográficas tradicionales dan resultados falsos debido a la reactividad cruzada. Otro problema es la alta variabilidad de la composición proteica entre individuos y la influencia de las condiciones de almacenamiento de la muestra, lo que limita la transferibilidad de los modelos entrenados con datos de laboratorio.
Esta sección está dirigida al autor del trabajo y a sus colegas. Los trabajos vecinos los encontró la búsqueda por significado en nuestro archivo, no por coincidencia de palabras. No evaluamos: mostramos el campo alrededor.
Qué hace el trabajo
Los autores desarrollaron y compararon tres métodos proteómicos basados en LC-MS/MS para identificar cinco fluidos biológicos: un panel de péptidos específicos, un análisis de proporciones de péptidos y un modelo de bosque aleatorio. En una cohorte de 20 voluntarios, el modelo de aprendizaje automático mostró una precisión del 95.9% para el subconjunto y del 100% para fluidos puros, superando a los enfoques tradicionales. Se demostró que los métodos utilizan conjuntos de características casi disjuntos, lo que confirma su complementariedad.
Dónde está su fuerza
La comparación sistemática de tres estrategias fundamentalmente diferentes sobre un mismo conjunto de datos y la demostración de que el aprendizaje automático encuentra patrones propios sin apoyarse en biomarcadores conocidos de antemano.
Hacia dónde puede avanzar
Vale la pena probar
Por qué puede importar
La estandarización del análisis proteómico de fluidos biológicos podría aumentar sustancialmente el valor probatorio de las pericias forenses, especialmente en casos de rastros mezclados.
Trabajos cercanos en nuestro archivo
El archivo está vacío alrededor de este trabajo: el análisis más cercano queda en 0.56, frente a un 0.64 habitual. Parece que aquí al lado casi nadie ha perforado.
Entre los 526 péptidos específicos hay fragmentos de proteínas que ya se utilizan en pruebas inmunocromatográficas de rutina: hemoglobina, α-amilasa, antígeno prostático específico, semenogelina y uromodulina. Pero el enfoque proteómico amplía el panel a cientos de péptidos, lo que aumenta drásticamente la especificidad.
En la serie 'CSI: Crime Scene Investigation', los peritos suelen determinar el tipo de fluido biológico con una única prueba rápida. Este trabajo acerca la realidad a la ficción, demostrando que la espectrometría de masas y el aprendizaje automático pueden ofrecer una respuesta igual de rápida y mucho más fiable, incluso para mezclas.