传统PMI推断的统计学困境
死后间隔时间（PMI）是法医学中最基本但也最不确定的推断之一。传统方法依赖单个或少数几个指标：尸僵（个体变异大，受温度和死前肌肉活动影响）、尸斑（体位和按压试验的主观性高，不可量化）、尸温（Henssge列线图的95%置信区间达±3-5小时，降至环境温度后完全失效）。这三种指标随时间的变异系数在个体间高达30%-50%。法医昆虫学受限于季节和昆虫活动条件，微生物组学仍处于研究阶段——各方法单独使用时的PMI误差在数小时至数周不等。多组学融合的逻辑是：虽然单个指标预测精度有限，但来自代谢、蛋白质和微生物三个独立生物学维度的信号组合可能含有更丰富的PMI时间信息。
多组学数据整合方法
三个组学维度的信息互补
代谢组学捕捉尸体内小分子代谢物的浓度变化轨迹——尸胺和腐胺（鸟氨酸脱羧产物）在死后数小时内开始积累，次黄嘌呤（ATP降解产物）在死后上升速度与温度强相关。蛋白质组学提供蛋白质降解模式——肌钙蛋白和肌动蛋白的断裂片段随PMI呈现特征性阶梯降解，不同蛋白质的半衰期差异（从数天至数周）形成了天然的时钟分层。微生物组学提供微生物群落的演替时间线——前面已讨论的三阶段演替。三个维度在统计学上互补：代谢组对短PMI（<48>
随机森林与深度学习方法
随机森林在处理高维小样本数据上有天然优势——数百至数千个组学特征输入但只有数十个训练样本，传统线性回归会严重过拟合。随机森林通过自助采样（bootstrap）和特征随机子空间在低样本量下保持相对稳健的预测性能。近年来深度学习方法开始进入多组学PMI预测：自编码器可将高维组学数据压缩为低维潜在表示，再以潜在特征输入回归器预测PMI。但深度学习的黑箱本质在法医学中是一把双刃剑——出色的预测精度与不可解释的决策逻辑之间的矛盾在法庭上尤为突出。
当前进展与法庭应用局限
2023年一项综合研究将死后肝组织的代谢组（200+代谢物）、蛋白质组（1000+蛋白）和微生物组（500+菌属）输入随机森林模型，PMI预测的中位绝对误差约±12小时（短PMI）至±2天（长PMI）——显著优于任何单一组学的预测精度。但多组学PMI预测距离法庭应用还有几个关键缺口：训练数据量严重不足（目前最大队列不足百例），缺少跨地域和跨环境条件的独立外部验证，以及从肝组织到更实用的血液/玻璃体液等易采集样本的转化。当前最合理的应用路线是作为传统PMI方法的补充和交叉验证，而非替代。