Ces travaux s'inscrivent dans le prolongement d'études qui utilisent des données moléculaires pour l'identification judiciaire, allant de l'analyse du sang à partir d'une seule molécule à la prédiction de maladies à partir d'un test sanguin courant. Les études voisines se concentrent sur des biomarqueurs individuels ou des panels restreints, alors que cette recherche couvre cinq types de liquides et compare pour la première fois systématiquement trois stratégies protéomiques radicalement différentes sur une même cohorte. Elle comble le fossé entre les tests préliminaires rapides et les méthodes de confirmation coûteuses, en proposant une approche évolutive pour les échantillons mixtes.
Des échantillons de sang, de salive, de sperme, d'urine et de sécrétions vaginales ont été prélevés chez 20 volontaires sur des écouvillons stériles. Les protéines ont été extraites selon le protocole SP3, digérées par la trypsine, puis analysées par LC-MS/MS sur un spectromètre de masse Q Exactive en mode DDA. Pour le premier test, 526 peptides spécifiques à chaque liquide ont été sélectionnés, avec une sensibilité de 80 % et une spécificité de 90 %. Le deuxième test a utilisé 250 rapports d'intensités peptidiques, sélectionnés par ANOVA. Le troisième test reposait sur un modèle de forêt aléatoire en chaîne de classifieurs, entraîné sur 1110 caractéristiques choisies par l'algorithme ReliefF.
Le test sur les peptides spécifiques a atteint 100 % de précision pour le sang et la salive, et plus de 90 % pour les autres liquides, mais a montré des faux positifs dans les mélanges, en particulier pour l'urine. Le test sur les rapports de peptides a démontré une précision supérieure à 90 % pour toutes les classes, les mélanges étant mieux reconnus que les échantillons purs (75.6 % contre 68.0 %). Le modèle d'apprentissage automatique a donné le meilleur résultat : une précision de sous-ensemble de 95.9 % et 100 % pour les liquides purs. Il a été constaté que les trois méthodes utilisent des ensembles de caractéristiques presque disjoints : seuls 15 peptides sont communs à toutes les approches, ce qui confirme leur complémentarité.
Contrairement aux travaux voisins qui se concentrent sur une seule classe de molécules ou un seul type de liquide, cette étude compare directement trois stratégies protéomiques sur un ensemble de données unifié et montre que la combinaison de biomarqueurs et d'apprentissage automatique surpasse les approches traditionnelles. Il est particulièrement important que le modèle d'apprentissage automatique ne s'appuie pas sur des protéines spécifiques connues à l'avance, mais trouve ses propres motifs, ce qui pourrait révéler de nouveaux marqueurs diagnostiques. C'est un premier pas vers la standardisation de l'analyse protéomique en pratique médico-légale.
Le sujet pourrait évoluer vers l'analyse d'échantillons réels provenant de scènes de crime, y compris des taches dégradées sur divers supports et des mélanges aux proportions inconnues. L'extension de la portée taxonomique est prometteuse, par exemple en incluant le microbiote ou des protéines animales pour déterminer la source de la trace. Il est également probable qu'un logiciel convivial voie le jour, permettant aux experts sans formation spécialisée d'interpréter les données protéomiques.
La méthode influencera la médecine légale, la criminalistique et le diagnostic biomédical, où une identification précise des liquides biologiques est requise dans des échantillons mélangés ou contaminés.
Les prochaines étapes comprennent la validation sur des échantillons réels de composition connue et sur des simulations de taches dans des conditions proches de la réalité, telles que la dégradation et différents rapports de composants.
Ces travaux sont directement liés au problème non résolu de la protéomique médico-légale : comment identifier de manière fiable les liquides biologiques dans des mélanges, où les tests immunochromatographiques traditionnels donnent des résultats faussés en raison de réactions croisées. Un autre problème est la grande variabilité de la composition protéique entre les individus et l'influence des conditions de stockage des échantillons, ce qui limite la transférabilité des modèles entraînés sur des données de laboratoire.
Cette section s'adresse à l'auteur du travail et à ses collègues. Les travaux voisins ont été trouvés par une recherche sémantique dans notre archive, et non par correspondance de mots. Nous n'évaluons pas : nous montrons le champ autour.
Ce que fait ce travail
Les auteurs ont développé et comparé trois méthodes protéomiques basées sur la LC-MS/MS pour identifier cinq fluides biologiques : un panel de peptides spécifiques, une analyse des ratios de peptides et un modèle de forêt aléatoire. Sur une cohorte de 20 volontaires, le modèle d'apprentissage automatique a atteint une précision de 95,9 % pour le sous-ensemble et de 100 % pour les fluides purs, surpassant les approches traditionnelles. Il a été démontré que ces méthodes utilisent des ensembles de caractéristiques quasi disjoints, ce qui confirme leur complémentarité.
Où est sa force
La comparaison systématique de trois stratégies fondamentalement différentes sur un même ensemble de données, et la démonstration que l'apprentissage automatique trouve ses propres motifs sans s'appuyer sur des biomarqueurs connus à l'avance.
Vers où avancer
À essayer
Pourquoi cela peut compter
La standardisation de l'analyse protéomique des fluides biologiques pourrait considérablement renforcer la valeur probante des expertises médico-légales, en particulier dans les cas de traces mélangées.
Travaux voisins dans notre archive
L'archive est vide autour de ce travail : l'analyse la plus proche n'est qu'à 0.56, contre 0,64 d'ordinaire. Il semble qu'on ait peu foré à côté.
Parmi les 526 peptides spécifiques figurent des fragments de protéines déjà utilisés dans les tests immunochromatographiques de routine : l'hémoglobine, l'α-amylase, l'antigène prostatique spécifique, la séménogéline et l'uromoduline. Mais l'approche protéomique élargit le panel à des centaines de peptides, ce qui augmente considérablement la spécificité.
Dans la série « Les Experts : CSI », les experts déterminent souvent le type de liquide biologique à l'aide d'un seul test rapide. Ces travaux rapprochent la réalité de la fiction en montrant que la spectrométrie de masse et l'apprentissage automatique peuvent fournir une réponse tout aussi rapide, mais bien plus fiable, même pour des mélanges.