MétaCan
Menu
Retour à la cohorte
Enregistrement W2805782009 · doi:10.1039/c8an00688a

Detection of exogenous substances in latent fingermarks by silver-assisted LDI imaging MS: perspectives in forensic sciences

2018· article· en· W2805782009 sur OpenAlexafffund
Nidia Lauzon, Pierre Chaurand

Notice bibliographique

RevueThe Analyst · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueForensic Fingerprint Detection Methods
Établissements canadiensUniversité de Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaHealth CanadaUniversité de MontréalCanada Foundation for InnovationHealth Research Board
Mots-clésForensic scienceNanotechnologyData scienceChemistryMaterials scienceComputer scienceGeographyArchaeology

Résumé

récupéré en direct d'OpenAlex

For over one hundred years, the fingerprint has reigned as one of the most trusted pieces of forensic evidence for suspect identification. In the last few decades, the modernization of chemical analysis technologies led scientists to explore new possibilities to further analyse fingermarks sampled from a crime scene. Indeed, the detection of chemicals a suspect has been in contact with before or during the crime can provide valuable insights into criminal investigations. In this regard, imaging mass spectrometry (IMS) has shown to be a powerful tool for the analysis of fingermarks by combining suspect identification and the detection of numerous endogenous and exogenous compounds. A novel approach developed in our laboratory, silver-assisted laser desorption ionization (AgLDI), was adopted to allow for the chemical analysis of latent fingermarks left on nonconductive surfaces (such as paper, cardboard, plastic and forensic lifting tape) with a time-of-flight mass spectrometer. In this study, we continue to evaluate the potential of AgLDI IMS to provide circumstantial evidence by detecting exogenous substances. We first demonstrate that owner-specific chemical signatures can be recovered from fingermarks based on the presence of several cosmetics and personal care products. We then show the possibility of detecting and imaging fingermarks containing three common illicit drugs, namely tetrahydrocannabinol, cocaine and heroin. Finally, we demonstrate that the methodology also allows us to successfully image bloody fingermarks after appropriate forensic enhancement treatments. Overall, we believe that AgLDI IMS has significant potential that could positively contribute to forensic investigations.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,034
Tête enseignante GPT0,332
Écart entre enseignants0,298 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations35
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe AnalystMême sujetForensic Fingerprint Detection MethodsTravaux en français237 207