人工智能在法医毒物学中的应用与展望

AI是一门研究如何让机器像人类一样，能看、能听、能说、能想、能动的技术。目前，AI在中毒现场勘查中的应用主要体现在其“能动”，即机器人技术上。中毒案事件尤其是在气体中毒、爆炸、火灾等现场中，可能存在多种有毒有害气体，勘查人员进入现场存在较高风险，还有一些小隧道、通风口、管道等，人类很难进入。研发可用于现场有毒气体实时检测的机器人等智能装备，辅助勘查人员进行现场安全评估、勘查方案制定、样品采集等，是目前AI在此领域的主要应用。Thilagar等报道了一款可用于下水道中有毒气体检测的机器人，其带有气体传感器阵列和温度传感器模块，可检测下水道中的硫化氢、氨气、一氧化碳、二氧化碳和甲烷等有害气体，并通过无线传输检测到气体浓度信息，若浓度水平超过设置的阈值，就会在蜂鸣器上发出警报。Saeed等研发的小型自主机器人可进行气体泄露检测，它使用超声波传感器进行避障操作，也可使用红外传感器进行线路跟踪，并且通过在小区域内导航来检测气体泄漏。检测完成后，向接收模块发送无线信号，接收模块由LCD显示屏组成，可实时监测气体泄漏强度。麦秋苑等设计了一款可应用于化学中毒应急处置现场的“多功能集成的毒物采样检测机器人”，除可检测现场有毒气体外，还具备远程实时侦察、远程毒物检测采样、现场气象检测、障碍清理、爬坡越障等多种功能，可用于化学物质泄漏事件等应急场景，降低人员安全风险的同时提高采样检测效率。

文章内容由凡默谷小编查阅文献选取，排版与编辑为原创。如转载，请尊重劳动成果，注明【来源：凡默谷公众号】。

2.1 目标毒物推断

目标毒物的推断与确定是毒物分析中长久以来存在的难点问题。在怀疑中毒但方向不明的案件中，需要检验人员结合现场情况、中毒症状及法医解剖所见等进行推断，法医学、毒理学、化学等多种学科知识的综合对检验人员知识储备要求极高，传统检验中主要依赖专家经验。近年来，以ChatGPT为代表的大语言模型可通过无监督、半监督或自监督的方式，学习掌握大量知识，并在此基础上按照用户需求进行回答、创作、总结与分析。Abdel-Messih等利用ChatGPT测试了其在目标毒物推断中的应用可能。他们通过ChatGPT（2023年2月13日发布，可通过OpenAI获得）询问了一个简单的中毒案例中可能的毒物及后续处置方式。案例情况描述如下：一名28岁男性卡车司机30min前在停车场被发现不省人事，心率110次/min，血压150/90mmHg，呼吸22次/min，体温36.8℃，血氧饱和度是88%RA，其胸部和躯干有疑似溶剂的气味，出汗，瞳孔1mm，唾液大量起泡。ChatGPT根据所提供的信息，给出了卡车司机可能为有机磷中毒，这与后续调查中发现该司机曾接触毒死蜱农药相符。同时，ChatGPT推荐进行进一步的诊断检查，包括全血细胞计数、肝功能检查、血清电解质、动脉血气分析和胸部X光检查等，以帮助评估中毒的严重程度，确定是否有并发症，并监测患者对治疗的反应。不过，AI在毒物分析目标物推断中的应用仅仅是在探索阶段，未来仍需要更多研究，同时也需注意其中涉及的安全、伦理、法律问题。

2.2 毒物检测

在毒物分析检测中，AI可用于辅助化合物筛选、峰识别、结果判定，提升毒物检验的阳性检出能力、结构预测能力和准确定量能力，实现快速的谱库检索、准确的定量分析和灵敏的化合物检测。例如Woldegebriel等报道了一种用于毒物筛查的贝叶斯概率算法，有效结合了色谱中所有可能的证据片段，可有效辅助阳性结果判定；Romain等利用分子网络技术对液相色谱-高分辨质谱检测人体尿液和血浆中曲马多的数据进行处理，发现之前未报道的代谢物25种；杨琼等建立了一个百万规模的计算机模拟质谱数据库，并在此基础上提出了一种超快速准确的谱图匹配方法（FastEI），大大提高了化合物定性鉴定的准确度和速度。

毒物检验最常用的方法是气相色谱-质谱法（GC-MS）或液相色谱-质谱法（LC-MS）。其中色谱条件的选择在传统方法建立过程中通常依赖于经验判断及反复试验, 通过试错过程逐步积累分析知识。AI的引入为这一领域带来了创新性解决方案, 因为AI拥有基于数据学习的模型预测能力, 可以快速进行色谱条件的虚拟筛选, 从而有效降低试错的频率和成本；同时，机器学习算法被用于处理和分析色谱数据集，它们可以识别复杂数据中的模式和相关性，促进复杂样品中化合物的定性定量。这一研究对毒物代谢组学等领域的研究极有价值，大大提升分析的准确性和速度。Torigoe等利用203个极性代谢物的训练数据，在12420个分子描述符（MDs）中使用随机森林对特征重要性进行排序，并构建了包含26个选定MDs的保留时间预测模型。利用51种极性代谢物的测试数据评估保留时间模型的准确性，86.3%的ΔRTs（实测值与预测值之间的差异）在±1.50min内，平均绝对误差为0.80min，表明保留时间预测精度较高。使用开发的保留时间模型和计算机模拟MS/MS预测分析了冷冻人血浆代谢物的非靶向代谢组学数据，除了根据标准确定的62种代谢物外，还成功预测了216种极性代谢物的结构。

以上研究体现了AI在检测给定样品中所有可能的峰特征与高通量筛选工作中的具大潜力，但不同算法各具优势及特点，表1对毒物检测中各算法进行了比较。

3.1 毒性预测

传统的基于动物实验的化学物质毒性预测面临成本高昂、耗时耗力、涉及伦理等困境，越来越多的研究者致力于通过计算毒理学的方法开展毒性预测，大数据和人工智能的飞速发展更是为各类毒物预测模型的开发提供了强有力的支撑。谭壮生等构建了一个基于Matlab平台BP神经网络模块的毒性预测模型，选择了20种常见有机磷农药，其中17个为训练集，3个为验证集，可预测有机磷农药对硫磷对乙酰胆碱酯酶活性50%抑制浓度，该模型可为中毒案事件中缺乏毒理学信息的化学物质的风险评估与毒性预测提供参考。有研究表明基于大数据和机器学习的定量构效关系（quantitative structure-activity relationship, QSAR）或交叉参照结构活性关系（read-across structure activity relationships, RASAR）模型可能实现类似甚至优于动物实验的可重复性。Luechtefeld等基于包含866000多种化学性质/危害的大型数据库，采用无监督学习步骤和监督学习步骤训练了2种RASAR模型（即简单RASAR和数据融合RASAR）。结果表明，简单RASAR模型对动物可重复性实验结果的灵敏度达到80%以上，特异性为51%~69%，数据融合RASAR进一步将灵敏度提高到80%~95%范围，而一般动物实验在重复实验中获得相同结果的概率约为78%~96%。这一研究体现了AI模型在毒性预测中的优势。然而，化合物的毒性预测是一个非常复杂的领域，需要综合考虑多方面进行建模方法的选择，才能达到最优的效果。

3.2 毒代动力学

毒代动力学即毒物代谢动力学，是药物代谢动力学原理在毒理学中的应用，主要研究机体对毒物的吸收、分布、消除的规律。近年来AI在药代动力学研究中的应用为毒代动力学研究带来了新思路。深度学习在药毒物的吸收、分布和代谢等预测方面均有探索性研究。以直接影响化合物在生物体中吸收的药毒物关键性质水溶性为例，Li等建立了基于半监督学习模型的多层深度信念网络（deep belief network，DBN）来预测化合物的水溶性。该方法讨论了特征维数对预测精度的影响，分析了预测药物溶解度的模型参数，并将浅层机器学习与类似的深层机器学习进行了对比。结果表明，该模型能较准确地预测药毒物的水中溶解度，预测准确率达到85.9%。虽然目前AI在毒代动力学的参数预测研究方面应用尚不多，但是药代动力学的方法为毒物学家提供了很好的借鉴模型，未来毒物学家可在此领域进行更多的有益尝试。

3.3 毒物相互作用

在中毒案件中，多种药毒物同时存在的现象时有发生，但是相关文献及数据库中对于药毒物的毒性数据多来源于单一毒物实验，毒物之间相互作用的研究较少，在实际工作中经常面临多种药毒物作用下中毒量、致死量无数据参考的困境，给相关案件中毒原因的判定带来了难题。利用文本挖掘技术从生物医学文献中提取药物相互作用（drug-drug interaction, DDI）的研究为探索毒物相互作用提供了新的借鉴思路。例如Sahu等提出了三种长短期记忆网络模型（LSTM），即B-LSTM、AB-LSTM和联合AB-LSTM，并在SemEval-2013DDI提取数据集上对模型进行了验证，结果表明即使在简单的架构下，联合AB-LSTM模型也能产生合理的性能（f值为69.39%）。Zhao等提出了一种基于语法卷积神经网络（SCNN）的DDI提取方法。建立了一种新的词嵌入方法——句法词嵌入，在DDI Extraction2013数据集上的实验结果表明，SCNN获得了比其他方法更好的性能（f值为0.686）。

基于GC-MS和LC-MS的毒物检验方法除可用于传统的中毒案件检验鉴定外，还可用于涉案人员目标识别与特征刻画，为侦查破案提供线索。具体包括通过检测现场血斑、唾液斑等体液瘢痕中的药毒物成分推断供体生活、生理特征；通过毛发分段分析检测刻画供体的用药行为；通过人体气味的挥发性物质分析进行个体识别与特征刻画等。AI在此类研究中可广泛用于识别刻画模型的构建，文献对于机器学习在人体气味识别中的应用进行了详细介绍，此处不再赘述。

AI已在中毒现场勘查、毒物筛查与定性定量分析、毒理学研究、涉案人员个体识别与特征刻画等多个法医毒物学的分支领域展现出了其良好的应用潜力，为法医毒物学的发展提供了新的机遇，但同时也带来了新的挑战。具体包括：1）数据问题。高质量的大数据集对于训练强大的AI模型至关重要。目前，在毒物分析中获得的数据格式和类型是多样的，获得统一、兼容的大量数据较为困难；同时，在毒理学数据方面，虽然毒性数据繁多，但质量难以保证，在选择数据开发模型之前，应严格检查数据的质量、完整性、可靠性和相关性，未来建立系统性、权威性的毒性数据评估和评审方法可促进数据质量的提升。2）模型的可解释性及适应性。机器学习等人工智能算法通常被视为缺乏可解释性的黑盒，这给机器学习模型在法医毒物学中的应用带来了一定的阻力。发展可解释的人工智能模型，使研究人员更好地理解算法的内部过程，有利于增加使用者对AI结果的信任度。此外，毒物学领域的一个基本原则是“剂量决定毒性”。物质的毒性取决于多种因素，包括暴露剂量、时间、物种、体外实验和体内实验等各种因素。现有的计算毒理学模型大多基于生物活性分类，即是否具有生物活性/毒性，无法预测毒性作用的强度、剂量-反应关系或时间依赖性，适用于复杂实际条件的模型仍有待开发。3）安全与监管。由于法医毒物学的研究与结论很多与案件相关，数据安全和隐私是必须要考虑的问题，建立明确的安全保护和监管方案至关重要。4）人员团队。法医毒物学与AI的结合涉及化学、法医学、毒理学、计算机科学等多个学科领域。当前多数法医毒物学团队缺少AI专业技术人才的支持，组建和发展跨学科的研究团队，更加注重不同领域知识的融合与创新，是未来的重要发展方向。

综上，AI在法医毒物学这一传统学科的不同分支领域展现出了广阔的应用前景，但现有工作多为尝试性、探索性研究，需要研究人员持续推进深入研究并验证方法的可行性，形成安全、规范、可靠的标准化方法，才能更好地满足公安实战的需求。