分析体液痕迹的能力对于确定犯罪的关键细节至关重要。现在，先进的统计方法和多维拉曼光谱特征的组合显示了解决标准方法的缺点，并使假阴性和阳性极小化的潜力。而且，这种方法还有其他一些潜在的应用。

编者按： 这篇文章是基于V. Sikirzhytski，A. Sikirzhytskaya和IK Lednev，Appl。光谱学。，65,11,1223-1232（2011）。通过 维塔利Sikirzhytski，Aliaksandra Sikirzhytskaya，和伊戈尔K. Lednev

在法医调查过程中分析体液痕迹对于确定犯罪的关键细节至关重要。理想情况下，分析方法是确定性的，非破坏性的，适用于多种流体。但目前没有使用的方法符合这些标准：标准生物化学测试通常具有破坏性，需要有害化学物质以及专业技能，而且没有任何工具可以分析所有体液。1,2

然而，拉曼光谱显示了对没有制备的少至几毫升或皮克斯的标本进行快速，无损和确认鉴定的潜力。3它是分析法医证据的新颖，普遍的方法的基础。

提供大约1微米或更小的空间分辨率 - 约为中红外（中红外）光谱学的10倍 - 拉曼显微光谱成像和成像在自动化阶段的帮助下相对容易。此外，便携式仪器可以对药物，骨骼，指纹和体液进行现场分析。1，2，5-18

扭转一个成熟的标准

用于识别未知样品的标准方法通常基于在记录的实验光谱中检测特征拉曼光谱，或者将实验光谱作为一个整体与来自参考数据库的光谱进行比较。虽然这些方法有它们的地位（例如它们在过程工业中广泛使用），但是我们的研究显示了体液污渍的内在非均质性，拉曼带和可变荧光背景的多重重叠（污染和底物类型也可以干扰分析未知样品）。我们开发的一种新方法将拉曼光谱与先进的统计方法相结合，并使用多维拉曼光谱特征来克服标准方法的复杂性，并极大程度地减少假阴性和阳性结果。12-15，18

多维光谱签名是代表样本关键特征变化的一组光谱。1,16实验光谱可以表示为这些分量的线性组合，即作为坐标等于相应光谱贡献的空间点。识别未知对象包括搜索可用多维签名与实验数据之间的极佳匹配。

每个签名都被设计为涵盖异质样本的固有变异性和样本之间的变异性。这样，假阴性结果的可能性被极小化。假阳性的概率可以使用来自签名拟合的统计参数来控制：如果这种拟合的残差太大，则样本将被解释为尚未被识别。

拉曼方法和生物样品

拉曼光谱是基于激光通过与振动分子相互作用的非弹性散射。19极终，拉曼光谱提供关于分子的化学结构，分子构象，分子和周围环境，和物理状态和物质的条件之间的相互作用的信息。

拉曼光谱可能非常复杂，包含宽广的叠加拉曼带。20-23这对于生物样品尤其如此，其通常包括多种成分的光谱特征：蛋白质，脂质，DNA，RNA，单个氨基酸，生物发色团（血红素，类胡萝卜素和黑色素）以及其他代谢物。在这种情况下，提取有用的信息需要付出巨大的努力，比如应用全面的化学计量学方法。

拉曼光谱使用多种激光源，可以在覆盖紫外，可见和红外（UV-VIS-NIR）的宽光谱范围内提供激发。该方法不受物理状态的限制，可以在具有复杂化学组成的气体，固体，液体，凝胶状，不透明和不均匀的样品上进行。极近的研究表明，在某些条件下（共振和表面增强），甚至可以在单分子水平上进行。24

拉曼光谱的两个主要缺点是1）在没有共振和表面增强的情况下拉曼效应的弱点，以及2）荧光干扰的可能性。拉曼效应的概率仅为每个入射光子10 -6 -10 -9，这就需要灵敏和优化的光检测器。使用时间或空间分辨拉曼光谱或通过使用数值方法从先前记录的拉曼光谱中消除荧光背景，可以使荧光贡献极小化。

二维和/或三维光谱映射允许从本质上不均匀的样品有效地收集数据。通常，获取拉曼光谱涉及以逐步方式移动样品，直到整个感兴趣的区域被表征。现代设备为绘图测量提供设置，例如从矩形或圆形区域（填充或焦点检查概述），线条，点或深度切片的光谱采集。因此，每个光谱代表样本的特定区域。

有几种方法可以处理光谱数据集：可以通过直接分析数据，曲线拟合或预处理来创建各种类型的地图; 并开发拓扑，组件，主成分分析（PCA）和多元曲线分析图。4,25,26

未知样品的挑战

许多统计方法可以帮助解决识别未知物种的常见问题。这里描述的多维签名的应用与混合分析的问题有某些相似之处。不均匀污渍的局部组成可以作为几种基本组分的混合物处理。样品中这些成分的相对浓度可能会有很大的变化，但是所考虑的成分列表是有限的。体液的多维光谱特征必须考虑干迹和供体变异的非均质性质。识别过程需要简单地确定哪一组预定的光谱（标记）极适合未知的实验数据。为“极合适”设定标准非常重要。

其中ÿ I，ŷ 我， 和ȳ   分别表示实际，装配和平均值。所开发的签名的大量拟合和交叉拟合支持了这种方法的有效性。

体液特征

体液的干燥痕迹不仅在性质上是不均匀的，而且其供体之间的化学组成也是不同的。由于这些原因，没有单一的拉曼光谱可以充分代表特定的体液。我们提出的方法是基于流体独特的多维拉曼特征。

通常，生物样品的拉曼光谱具有显着的荧光贡献。基于光谱特征概念的两种策略可以用来识别未知污点。第一个涉及用荧光背景和水平线扩展多维特征 - 后者考虑偏移变化。14在这种情况下，未经处理的原始实验光谱可以通过签名的成分进行拟合。第二种策略涉及在对仅包含拉曼成分的多维签名进行统计分析和确定之前对原始质谱图进行基线校正。18

两种策略都有优势。之前的基线校正只留下了高度信息性的拉曼信号，而掺入信息量较少但仍具有特征性的荧光背景可能会增加多维特征的特异性。人类血液，精液和唾液多维特征的光谱成分仅呈现拉曼贡献，而较宽荧光特征的贡献被之前的基线矫正排除。血液，唾液和精液的全面多维签名包括除了拉曼光谱成分之外的平均荧光背景，而拉曼和荧光成分都通过化学计算来获得汗和阴道液的多维签名。我们发现这些体液具有不同的荧光背景，应表现为几种光谱分布的线性组合（两种为汗液，三种为阴道液）。所有体液都有不同的荧光成分这一事实，使我们可以推测，荧光不应该被视为不受欢迎的，因为它可以作为表征特定体液的重要工具。使用荧光成分进行测试与汗水和阴道液体的多维签名。所有体液都有不同的荧光成分这一事实，使我们可以推测，荧光不应该被视为不受欢迎的，因为它可以作为表征特定体液的重要工具。使用荧光成分进行测试与汗水和阴道液体的多维签名。所有体液都有不同的荧光成分这一事实，使我们可以推测，荧光不应该被视为不受欢迎的，因为它可以作为表征特定体液的重要工具。使用荧光成分进行测试与汗水和阴道液体的多维签名。

所有计算的拉曼特征都成功地适用于从不同种族，性别和年龄的多个捐赠者收集的实验数据。统计结果的高吻合度证实了所开发的特征的高特异性（参见表格）。

计算血液，汗液和阴道流体特征附件的误差平方和（SSE），测定系数（R2）和均方根误差（RMSE）。粗体值显示签名与体液污渍类型一致时的拟合结果。

非人体液的光谱特征还没有被开发出来，但是初步研究已经证明，他们的拉曼光谱具有可以与人类样品区分开来的特征，尽管在物种鉴定过程中具有类似组成的流体存在重大问题。例如，通过与交叉验证的PCA结合的拉曼光谱分析，在99％的置信区间内区分人类，犬科动物和猫科动物血迹。11

实验，结果和结论

我们测试了来自不同种族，性别和年龄供体的各种纯液体的多个样品的拉曼光谱特征，并将这些特征拟合到各种干燥体液污渍的实验拉曼光谱上。我们认识到高一致性的统计结果（SSE，R2和RMSE）为一致的体液 - 拉曼特征对。此外，我们还证明，使用特征光谱特征可以应用于任何人体液体样本，以进行潜在的识别，并将其与其他体液和犯罪现场发现的物质区分开来。拉曼光谱分量的光谱特征被分配给各个生物化学成分（见图）。

数字。蓝色，绿色和红色光谱分别对应于（a）精液，（b）血液，（c）唾液，（d）汗液和（e）阴道的光谱特征中的第一，第二和第三拉曼成分流体。黑线是统计获得的汗液和阴道液体的荧光成分。

荧光成分的来源仍然必须谨慎解释，因为人体体液的几种成分可能具有相似的荧光轮廓。支持向量机（SVM）和人工神经网络（ANN）等PCA，线性判别分析（LDA），软独立建模（SIMCA）等化学计量学方法也可以实现对纯体液的识别。例如，我们证明可以使用PCA区分人类，猫科和犬科动物血液样本。我们还测试了LDA，SIMCA和偏极小二乘判别分析（PLS-DA）作为辨别精液，血液和唾液痕迹的替代方法。16

在污染，体液混合，老化和来自底物的光谱贡献的情况下，多变量分类方法的应用将显着受损。我们认为，使用多维签名拟合与多元分类和回归分析相结合，可以实现真实样本的有效识别。

总的来说，拉曼光谱与高级统计分析相结合，证明了在犯罪现场对体液进行非破坏性和快速确认鉴定的巨大潜力。尽管如此，在犯罪现场调查人员使用这种有前途的技术之前还需要做更多的工作。具体来说，应记录在各种环境条件（包括高湿和低湿度或由于日光引起的光降解）下生物染色剂的老化。我们的实验室正在扩大这种方法，分别包括体液混合物和被非生物组分污染的样品。在犯罪现场也有机会利用拉曼光谱来区分人类和动物起源的体液痕迹。11

极后，值得注意的是，多维签名具有超越法庭科学的潜力，以及任何异质样本的特征。其他许多可能的应用包括疾病监测，非均一药物形式的区分，质量控制，发育中人体组织的研究以及细胞培养生长的控制。

致谢

我们感谢纽约州警察法医调查中心生物科学主任Barry Duceman博士的继续支持，并感谢Joseph Derubertis为编写手稿提供协助。这个项目得到了美国司法部司法部国家司法研究所（IKL）颁发的2009-DN-BX-K196号奖项的支持。本出版物所表达的观点，结论和结论或建议是作者的观点，并不一定反映司法部的内容。