Forensic DNA extraction methods for human hard tissue: A systematic literature review and meta-analysis of technologies and sample type
Notice bibliographique
Résumé
DNA identification of human remains has a valuable role in the field of forensic science and wider. Although DNA is vital in identification of unknown human remains, post-mortem environmental factors can lead to poor molecular preservation. In this respect, focus has been placed on DNA extraction methodologies for hard tissue samples, as these are the longest surviving. Despite decades of research being conducted on DNA extraction methods for bone and teeth, little consensus has been reached as to the best performing. Therefore, the aim of this study was to conduct a thorough systematic literature review to identify potential DNA extraction technique(s) which perform optimally for forensic DNA profiling from hard tissue samples. PRISMA guidelines were used, by which a search strategy was developed. This included identifying databases and discipline specific journals, keywords, and exclusion and inclusion criteria. In total, 175 articles were identified that detailed over 50 different DNA extraction methodologies. Results of the meta-analysis conducted on 41 articles - meeting further inclusion criteria - showed that statistically significant higher DNA profiling success was associated with solid-phase magnetic bead/resin methods. In addition, incorporating a demineralisation pre-step resulted in significantly higher profiling successes. For hard tissue type, bone outperformed teeth, and even though dense cortical femur samples were more frequently used across the studies, profiling success was comparable, and in some cases, higher in cancellous bone samples. Notably, incomplete data sharing resulted in many studies being excluded, thus an emphasis for minimum reporting standards is made. In conclusion, this study identifies strategies that may improve success rates of forensic DNA profiling from hard tissue samples. Finally, continued improvements to current methods can ensure faster times to resolution and restoring the identity of those who died in obscurity.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,019 |
| Bibliométrie | 0,014 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».