基于ATR-FTIR光谱与机器学习联用的骨骼肌损伤时序推断新策略：突破早期死后变化的干扰

（编辑推荐）本研究创新性地将衰减全反射-傅里叶变换红外光谱（ATR-FTIR）与遗传算法优化的机器学习模型（GA-Ridge/GA-Lasso/GA-PLS）结合，成功构建了抗死后自溶干扰的骨骼肌损伤时序回归模型（最佳测试R2=0.77，MAE=5.01 h），并鉴定出与损伤时间高度相关的8个特征谱带（涉及酰胺II、C=O伸缩振动等），为法医实践中精准推断损伤时间提供了新技术路径。

　　

Highlight
本研究首次将衰减全反射傅里叶变换红外光谱（ATR-FTIR）与机器学习算法相结合，开发出能够抵抗早期死后自溶干扰的骨骼肌损伤时序推断模型，为法医实践提供了突破性技术方案。

动物模型
实验经重庆医科大学动物伦理委员会批准，采用200只健康成年SD大鼠（体重250-280 g），在SPF级屏障环境中建立标准化骨骼肌损伤模型。通过控制死后间隔（0 h和24 h）与损伤时间梯度（0-48 h共10个时间点），系统模拟了法医实践中常见的复杂场景。

平均光谱与主要吸收峰
图1展示了E-0（即时解剖组）和E-24（死后24小时解剖组）在1800-900 cm^-1波数范围内的平均光谱。值得注意的是，虽然两组在酰胺I带（≈1650 cm^-1）、酰胺II带（≈1540 cm^-1）和磷酸基团振动带（≈1240 cm^-1）等特征峰位置相似，但E-24组的峰强度普遍降低，提示死后蛋白质降解和核酸分解对光谱特征的影响。

结论
我们开发的GA优化回归模型（CV-R²达0.78）成功克服了死后24小时内自溶作用的干扰，首次证明红外光谱中蛋白质二级结构（β-折叠）、磷脂（PO₄^2-）和核酸（C-O-C）的动态变化可作为骨骼肌损伤的"分子时钟"。这项技术将传统法医病理学推进到了分子振动光谱诊断的新维度。