2026年9月28日，华中科技大学生命科学与技术学院宁康教授团队在 Nature Communications 在线发表研究论文《mHolmes improves cross anatomical cadaveric microbiome forecasting for postmortem interval estimation》。研究团队围绕法医学死亡间隔（postmortem interval，PMI）估计中“采样稀疏、时间序列不完整、不同解剖部位之间差异明显”等问题，构建了基于 Transformer 和迁移学习的 mHolmes 框架。该模型能够学习尸体微生物组随死亡时间变化的动态规律，并在面部与髋部之间进行跨解剖部位迁移，同时结合逆时间重建和 SHAP 可解释性分析，为延迟发现、部分样本缺失等复杂场景下的 PMI 推断提供了新的计算建模思路。

论文在线发表页面

死亡后，人体微生物群落会随着分解过程发生有规律的演替，因此被认为是推断死亡时间的重要潜在生物标志物。然而，现实法医场景往往难以获得完整、连续的纵向样本：遗体可能在死亡多日后才被发现，可采集的部位也可能受损或缺失。与此同时，不同解剖部位具有不同的微环境，例如相对受保护的髋部与更易暴露于外界环境的面部，其微生物组成和变化幅度并不完全一致。如何从有限的后期样本中恢复时间信息，并将一个部位学到的微生物演替规律迁移到另一个部位，是微生物组辅助 PMI 估计进一步走向复杂场景应用需要解决的问题。

构建 mHolmes：让时间规律在不同解剖部位间迁移

研究团队基于 PatchTST 架构构建 mHolmes，将微生物丰度时间序列划分为固定长度的时间片段，并利用 Transformer 捕获短期和长期的动态依赖关系。模型在源解剖部位进行预训练后，再使用目标部位数据进行微调，从而在保留共享时间规律的同时适应不同部位的微环境差异。

研究使用公开的人体尸体纵向微生物组数据，对 34 具尸体的面部和髋部皮肤微生物组进行连续 21 天建模，并采用个体水平的五折交叉验证，避免同一具尸体的不同时间点同时进入训练集和测试集。这一设计使模型评估更聚焦于对未见个体的泛化能力，而不是对同一时间序列的重复记忆。

mHolmes 总体研究框架：跨解剖部位迁移学习、模型评估与关键菌群解释

核心发现：跨解剖部位迁移保留了具有时间分辨率的 PMI 信息

在面部与髋部的双向迁移任务中，mHolmes 能够捕获两个解剖部位之间共享的微生物演替结构。与不使用迁移学习的版本相比，迁移后的模型在部分任务中进一步降低预测误差，表明不同部位之间存在可被模型利用的共同时间信息。

进一步以平均绝对误差（MAE）评估 PMI 时，模型的预测能力呈现明显的阶段依赖性。死亡后第 11 天，使用 SHAP 筛选出的关键菌群时，最低观测 MAE 为 1.48 天（95% CI：0.97-1.99 天）；使用完整特征集时为 1.51 天（95% CI：0.93-2.10 天）。在分解阶段层面，两个迁移方向和不同特征组合的最低 MAE 均出现在活动腐败阶段，为 2.12-2.85 天。这些结果说明，微生物组中的时间信号并非在整个分解过程中保持同等强度，而是在特定阶段具有更高的时间分辨能力。

延迟发现情景：利用后期样本反向重建早期微生物轨迹

真实案件中，遗体常在死亡一段时间后才被发现，因此研究团队进一步为 mHolmes 设计了逆时间重建模式。不同于常规的“根据过去预测未来”，该模式尝试利用较晚阶段的微生物组状态反向推测更早阶段的群落轨迹，从而补充已经无法直接采集的早期信息。

在模拟“死亡 10 天后才被发现”的场景中，研究人员使用发现后的连续 7 天真实采样数据，并由 mHolmes 向前回溯生成此前 4 天的微生物组轨迹，再将真实观测与生成数据共同用于 PMI 回归。这一设置使模型能够在早期样本缺失的条件下，将后期微生物状态转化为可用于时间重建的信息，为延迟发现和不连续采样等法医场景提供了可检验的建模方案。

七类关键菌群连接模型预测与分解生态过程

为了回答模型“依据什么进行判断”，研究团队进一步引入 SHAP 分析，对不同微生物特征对预测结果的贡献进行解释。分析筛选出 7 类在不同模型和迁移方向中具有较高预测贡献的细菌类群，包括 Gammaproteobacteria、Bacilli、Bacteroidia、Clostridia、Actinobacteria、Alphaproteobacteria 和 Deinococci。

这些关键菌群在分解过程中呈现不同的阶段性变化。例如，部分兼性厌氧或厌氧类群在膨胀和活动腐败阶段增加，而耐受干燥和环境胁迫的类群在后期更为突出。关键菌群的时间轨迹与模型中的特征重要性共同表明，mHolmes 的预测并非仅依赖抽象的算法相关性，而是能够关联到尸体分解过程中具有生物学意义的微生物生态变化。

外部验证：从人体尸体数据迁移到小鼠皮肤微生物组

为进一步检验模型在不同数据条件下的稳定性，研究团队使用独立的小鼠死亡后皮肤微生物组数据进行跨物种外部验证。该数据包含头部和身体两个部位，并覆盖多种环境条件。研究仅保留与人体数据一致的 7 类关键菌群，以减少跨物种、跨环境造成的特征不匹配。

在外部小鼠身体数据集上，mHolmes 获得 Pearson r = 0.82、R² = 0.59；在头部数据集上获得 r = 0.74、R² = 0.53。在两个部位上，使用迁移学习的 mHolmes 均高于其不使用迁移学习的对应版本。与此同时，外部数据中仍有一部分变异无法被模型解释，提示跨物种结果仍需在更大规模、更多环境和更丰富人群数据中进一步验证。

研究意义：从“单点预测”走向跨部位、可回溯的微生物动态建模

这项研究将 Transformer 时序建模、跨解剖部位迁移学习、逆时间重建和可解释性分析整合到同一框架中。其核心并非假设所有解剖部位具有完全相同的微生物组成，而是尝试从部位差异中提取可以共享的时间演替规律，再通过目标部位微调完成适配。这一思路为处理法医微生物组研究中常见的稀疏采样、部位缺失和延迟发现问题提供了新的方法学路径，也为后续构建更连续、更可解释的死亡后微生物动态模型奠定了基础。随着多中心、跨环境纵向数据的持续积累，mHolmes 仍需要进一步开展外部验证和实际法医场景评估。

华中科技大学生命科学与技术学院韩瑾为论文第一作者，宁康教授为通讯作者；张玉丽、张皓鸿、周蔻屹、陈小可为共同作者。本工作在开展过程中，也受到了华中科技大学法医学系周亦武教授的多次建议和指导。华中科技大学生命科学与技术学院为本工作第一完成单位。该研究得到了国家重点研发计划和国家自然科学基金等项目的资助。

文章信息

Han, J., Zhang, Y., Zhang, H. et al. mHolmes improves cross anatomical cadaveric microbiome forecasting for postmortem interval estimation. Nature Communications (2026).

文章链接：https://doi.org/10.1038/s41467-026-77510-3