Hoe oud is een spoor op een plaats delict?

Het is de heilige graal in de forensische wetenschappen: Niet alleen bepalen van wie een vingerafdruk, bloed- of spermaspoor is, maar ook hoe lang dat er al zit. Het Amsterdam Universitair Medisch Centrum heeft een veelbelovende techniek ontwikkeld om die leeftijd te bepalen. Een groep wiskundestudenten ging aan de slag met de verzamelde data.

Tegenwoordig ontkent een verdachte meestal niet meer dat hij op een plaats delict is geweest als zijn sporen daar zijn gevonden. Forensische onderzoekers kunnen biologische sporen zoals DNA, vingerafdrukken en sperma met aan zekerheid grenzende waarschijnlijkheid koppelen aan degene die het materiaal heeft achtergelaten. Maar, kan een verdachte zeggen, ik was daar voordat of nadat het misdrijf plaatsvond.

Wetenschappers van de afdeling Biomedical Engineering & Physics van het Amsterdam Universitair Medisch Centrum (Amsterdam UMC) hebben een methode ontwikkeld om ook de leeftijd van het materiaal te bepalen. En dan is het bewijs in één klap veel sterker. Toegepaste Wiskunde studenten van de Hogeschool van Amsterdam (HvA) kregen van het Amsterdam UMC de opdracht om de verzamelde data te analyseren.

Fluorescentie van vetten en eiwitten
De studenten gingen aan de slag met data van spermasporen. Die bevatten eiwitten en vetten en zijn fluorescerend. Als je UV-licht op het spermaspoor straalt, dan zenden de verschillende eiwitten en vetten licht met een karakteristieke frequentie en intensiteit uit. Dit is het zogenoemde emissiespectrum. Als het spoor ouder wordt, dan gaan de eiwitten en vetten reageren met elkaar en met de zuurstof in de lucht (oxideren). Daarbij ontstaan zogenaamde fluorescerende oxidatieproducten (FOX). Daardoor verandert het emissiespectrum in de tijd.

Hieronder is het spectrum van een spermaspoor van een proefpersoon te zien dat 25 dagen bewaard is. Het maximum van het spectrum van de eiwitten (proteïne) ligt typisch rond de 350 nanometer. De intensiteit daalt in de tijd. De FOX zenden licht uit met een golflengte tussen de 400 en 600 nanometer, en die intensiteit neemt juist toe in de tijd.

Figuur 1: Emissiespectrum van een monster in de tijd

Het model van het Amsterdam UMC gebruikt de ratio van de oppervlakte onder de twee delen van het spectrum. Dit model gaat uit van de onderliggende chemische en fysische processen. De opdracht aan de studenten was om dit los te laten, en de leeftijd te schatten met machine learning technieken.

Kenmerken halen uit de data
De beschikbare data was, vanuit een data science perspectief, beperkt. Onderzoekers van het AMC hadden het emissiespectrum gemeten van vijftien proefpersonen, met drie spermasporen per persoon. Het eerste idee was om het gehele spectrum te gebruiken als input voor een model. Maar dan is het aantal verklarende variabelen veel groter dan het aantal monsters. En daar kunnen modellen vaak slecht mee omgaan.

Daarom zochten de studenten een middenweg tussen het gebruiken van één variabele (de ratio uit het model van het Amsterdam UMC) en het gebruiken van het volledige spectrum. Ze construeerden kenmerken die op het oog lijken te veranderen over de tijd. Daarbij normaliseerden ze het spectrum eerst. De intensiteit bij een gekozen golflengte is herschaald naar 1. Dit omdat de intensiteit kan variëren, bijvoorbeeld vanwege de exacte afstand tussen het monster en het apparaat dat meet. De absolute intensiteit zegt dus niet zoveel, de vorm van het spectrum wel. De studenten hebben de volgende kenmerken gebruikt:

1. De ratio tussen de oppervlakte onder het spectrum van proteïne gedeeld door die van FOX (kern van het model van het Amsterdam UMC, daalt in de tijd).
2. Het verschil in herschaalde intensiteit van de piek en het dal in het spectrum van de proteïne (daalt in de tijd).
3. Verschillen tussen herschaalde intensiteiten bij drie gekozen golflengtes van het FOX spectrum. In figuur 1 zien we dat de intensiteit tussen de 400 en 500 nm bij jonge sporen daalt.

Figuur 2: Twee kenmerken van de monsters afgezet tegen de leeftijd van het spoor

De eerste twee kenmerken van de monsters zijn te zien in de figuur hierboven. De proteïne-FOX ratio (links) daalt in de tijd, maar het startpunt is wel persoonsgebonden. Dit komt omdat de samenstelling van eiwitten en vetten in sperma per donor verschilt. Het verschil tussen de piek en het dal van proteïne (rechts) heeft de hoogste correlatie met de leeftijd van het spoor. Toch is te zien dat de variatie per persoon relatief groot is. Aan beide kenmerken is te zien dat er een duidelijk verschil zit tussen oude en jonge sporen, maar dat het exact schatten van de leeftijd geen eenvoudige klus is.

Schatten van de leeftijd met een Support Vector Machine
De geconstrueerde kenmerken gebruikten de studenten als input voor een support vector machine (SVM). Dat is een machine learning model dat om kan gaan met complexe verbanden tussen variabelen. En met de SVM schatten ze de leeftijd. Ze schatten het model op 30 van de 45 monsters en testten het model op de overgebleven 15 monsters (de testset). Die resultaten zijn hieronder te zien in figuur 3.

De voorspelde leeftijden liggen mooi rond de ideale blauwe lijn. De monsters hebben allemaal een eigen kleur. Zo is goed te zien dat het model de leeftijd van sommige sporen steeds onderschat en andere overschat. De gemiddelde absolute afwijking (Mean Absolute Error, MAE) was 1,3 dagen. Dit is vergelijkbaar met de MAE van het model van het Amsterdam UMC. Dat model gebruikt echter metingen van zes opeenvolgende dagen als input, terwijl het model van de wiskundestudenten slechts één meetmoment nodig heeft.

Al met al geeft het model van de wiskundestudenten handvatten om de bepaling van de leeftijd te verbeteren en te versnellen. Om deze data te gebruiken als bewijs, zal de nauwkeurigheid nog verder moeten toenemen.

Figuur 3: Voorspelde en werkelijke leeftijd van monsters uit de testset. De gemiddelde absolute afwijking is 1,3 dagen

De onderzoekers van het Amsterdam UMC zijn druk bezig met het ontwikkelen van een draagbaar apparaat om de metingen op de plaats delict uit te kunnen voeren. Annemieke van Dam, werkzaam binnen die groep, werkt daarnaast ook op de HvA. Ze leidt daar de community of practitioners (COP) Smart Diagnostics.

Binnen een COP werken studenten van verschillende opleidingen aan praktijkvraagstukken. Zo onderzochten studenten van de opleiding Forensisch Onderzoek gelijktijdig met de wiskundestudenten onder andere de invloed van de ondergrond waar het spoor zich op bevindt. Samen hebben ze mooie stappen gezet richting de heilige graal: het toepassen van deze techniek in de rechtszaal.

Foto: Bart Kapiteijn, Lindy Schermer en Elise van Swol tijdens de eindpresentatie. Laila Abdelbakey staat niet op de foto.

Bronnen:
Verslag van het team: Laila Abdelbakey, Bart Kapiteijn, Lindy Schermer en Elise van Swol. Alle figuren zijn afkomstig uit het verslag of extra aangeleverd door de studenten.

Achetib, N., Wilk, L. S., Schwarz, J. C., Lambrechts, S. A., van Leeuwen, T. G., Aalders, M. C., & van Dam, A. (2019). Estimating the time of deposition of semen traces using fluorescence protein–lipid oxidation signatures. Analytical chemistry, 91(5), 3204-3208.