پیش‌بینی زمان مرگ با باکتری‌های جسد؛ وقتی هوش مصنوعی مثل هواشناسی عمل می‌کند!

مدل هوش مصنوعی mHolmes که با بررسی ۳۴ جسد در طول ۲۱ روز آموزش دیده، می‌تواند با رصد توالی دگرگونی باکتری‌ها، زمان مرگ افراد را با خطای کم‌تر از دو روز تخمین بزند.

تشخیص دقیق اینکه چقدر از زمان مرگ یک فرد می‌گذرد، خیلی سخت‌تر از آن چیزی است که در سریال‌های جنایی می‌بینیم! حالا یک تیم تحقیقاتی در دانشگاه علم و فناوری هواژونگ (Huazhong University of Science and Technology) سیستمی مبتنی بر هوش مصنوعی به نام mHolmes ساخته‌اند که از زاویه‌ای کاملاً غیرمنتظره به این معما نگاه می‌کند: نه از روی دمای بدن یا وضعیت فیزیکی جسد، بلکه از روی اکوسیستم در حال تغییر باکتری‌هایی که روی آن زندگی می‌کنند.

این پژوهش در اواخر سپتامبر ۲۰۲۶ در نشریه معتبر Nature Communications منتشر شده است. روش‌های مرسوم برای تخمین بازه زمانی پس از مرگ (Postmortem Interval)، با پیشرفت روند تجزیه جسد یا در مواقعی که بقایای کاملی در دسترس نیست، کارایی و دقت خود را از دست می‌دهند؛ درست در همین نقطه‌های کور است که mHolmes وارد میدان می‌شود و گره از پرونده‌های دشوار باز می‌کند.

این سیستم دقیقاً چطور کار می‌کند؟

این سیستم با تغییرات تدریجی میکروب‌ها دقیقاً همان رفتاری را می‌کند که یک مدل هواشناسی با الگوهای جوی و آب‌وهوایی دارد.

پس از مرگ، هم‌زمان با تجزیه بافت‌ها و دگرگونی شرایط محیطی، جوامع باکتریایی مستقر روی بدن با ترتیبی کم‌وبیش قابل پیش‌بینی دستخوش تغییر می‌شوند. مدل mHolmes بر پایه نمونه‌برداری‌های روزانه از میکروبیوم پوست صورت و لگن ۳۴ جسد طی ۲۱ روز آموزش دیده است تا یک تصویر سری زمانی دقیق از نحوه تکامل این زیست‌بوم بسازد.

کانگ نینگ (Kang Ning)، پژوهشگر ارشد این پروژه، در مصاحبه‌ای این سیستم را یک «پیش‌بین آب‌وهوا برای میکروب‌ها» توصیف کرده است. این مدل یاد می‌گیرد کدام دسته‌های باکتری در هر مرحله اوج می‌گیرند و چه زمانی ناپدید می‌شوند؛ سپس با تکیه بر این الگوها، جایگاه جسد را روی این خط زمانی زیستی مشخص می‌کند.

طبق گزارش‌ها، این مدل هفت گروه باکتری مرتبط با مراحل مختلف تجزیه را شناسایی کرده است؛ از جمله گاماپروتئوباکترها (Gammaproteobacteria) که در مراحل اولیه فساد حضور چشمگیری دارند، کلستریدیاها (Clostridia) که همراه با پوسیدگی فعال ظاهر می‌شوند و داینوکوکوس‌ها (Deinococci) که در مرحله خشکی جسد سر و کله‌شان پیدا می‌شود. این ارتباطات باعث شده خروجی‌های مدل قابل‌تفسیرتر باشند و پیش‌بینی‌ها به‌جای اعدادی گنگ و نامفهوم، مستقیماً به فرآیندهای زیستی شناخته‌شده پیوند بخورند.

قابلیت‌های mHolmes فراتر از تشخیص الگوهای ساده است؛ این سیستم می‌تواند تغییرات میکروبی را در فاصله‌های زمانی ثبت‌نشده حدس بزند و سیر پیشین رشد میکروب‌ها را بازسازی کند. علاوه بر این، مدل قادر است الگوهای آموخته‌شده را بین بخش‌های مختلف بدن تطبیق دهد؛ امکانی فوق‌العاده برای کارآگاهان، به‌ویژه زمانی که فقط بخشی از بقایای جسد پیدا شده و دسترسی به بقیه نقاط ممکن نیست.

نقاط قوت و چالش‌های اصلی سیستم

دقت امیدوارکننده این ابزار، با حجم داده‌ای همراه شده که برای قضاوت قطعی هنوز بسیار محدود است.

تیم تحقیقاتی میانگین خطای پیش‌بینی این مدل را روی نقاط مختلف بدن کم‌تر از دو روز اعلام کرده است. این عدد در مقایسه با روش‌های قبلی مبتنی بر میکروبیوم عملکرد چشمگیری محسوب می‌شود، گرچه مقایسه مستقیم کاملاً به نوع داده‌ها و روش‌های آزمایش بستگی دارد.

نکته جالب اینجاست که وقتی پژوهشگران بیش از نیمی از داده‌های ورودی را حذف کردند، مدل همچنان پایداری خود را حفظ کرد و تاب‌آوری بالایی نشان داد. این دستاورد اگرچه نویدبخش است، اما یک آزمایش آزمایشگاهی بوده و نشان نمی‌دهد mHolmes در تنوع بی‌انتهای محیط‌های واقعی پزشکی قانونی چه واکنشی خواهد داشت.

محدودیت‌های پژوهش هم کم نیستند و خود محققان با صراحت به آن‌ها اشاره کرده‌اند. مجموعه داده‌های آموزشی فقط شامل ۳۴ جسد و دو ناحیه از بدن در یک بازه ۲۱ روزه بوده است. از طرفی، دگرگونی میکروب‌ها تحت تأثیر عواملی مثل دما، شرایط دفن، نوع لباس، هجوم حشرات و محیط اطراف تغییر می‌کند؛ بنابراین مدلی که در شرایط خاصی آموزش دیده، ممکن است در آب‌وهوا یا محیطی دیگر رفتار متفاوتی نشان دهد.

علاوه بر این، mHolmes یک بازه زمانی پس از مرگ را تخمین می‌زند و نمی‌تواند لحظه دقیق جان باختن فرد را مشخص کند. میانگین خطای گزارش‌شده نیز یک شاخص آماری در نمونه‌های آزمایشی است، نه یک تضمین صددرصدی برای تک‌تک پرونده‌های واقعی.

شواهد فعلی نشان می‌دهد این سیستم هنوز برای استفاده رسمی در دادگاه‌ها آماده نیست. برای رسیدن به آن مرحله، به پروتکل‌های استاندارد نمونه‌برداری، اعتبارسنجی مستقل در میان جوامع و اقلیم‌های گوناگون، تعیین نرخ خطای مستند و رعایت زنجیره حفاظتی شواهد نیاز است تا بتوان یافته‌های آن را به عنوان مدرک قانونی پذیرفت.

قدم بعدی کجاست؟

پیش از خروج این فناوری از آزمایشگاه، دانشمندان به مجموعه‌داده‌های بسیار بزرگ‌تر، نمونه‌برداری از بخش‌های بیش‌تر بدن و آزمایش‌های می‌دانی گسترده احتیاج دارند.

در حال حاضر باید به mHolmes به چشم یک دستیار پزشکی قانونی در فاز تحقیقاتی نگاه کرد، نه یک ابزار عملیاتی اثبات‌شده. ارزش واقعی این ابزار زمانی مشخص می‌شود که به عنوان یک نشانه زیستی کمکی، در پرونده‌هایی با تجزیه شدید یا بقایای ناقص وارد عمل شود؛ درست مثل سیستم‌های رباتیکی که برای نجات بازماندگان حوادث طراحی می‌شوند و در شرایط غیرقابل‌پیش‌بینی محیطی با چالش‌هایی مشابه دست‌وپنجه نرم می‌کنند.

قرار نیست پزشکان قانونی، آسیب‌شناسان و کارآگاهان جای خود را به هوش مصنوعی بدهند! واقع‌بینانه‌ترین نقش برای سیستم‌هایی مانند mHolmes در کوتاه‌مدت، فعالیت به عنوان یکی از چندین منبع داده در کنار دمای محیط، فعالیت حشرات و شواهد فیزیکی است. این هم‌افزایی می‌تواند به‌جای صدور یک حکم ماشینی و الگوریتمی صرف، تصویری جامع‌تر و دقیق‌تر در اختیار تیم‌های جنایی بگذارد.