Anda di halaman 1dari 33

Forensik fenotipe DNA: penampilan manusia Memprediksi

dari bahan TKP untuk tujuan investigasi

Forensik DNA fenotip mengacu pada prediksi ciri penampilan donor sampel yang
tidak diketahui, atau tidak diketahui almarhum (hilang) orang, langsung dari bahan
biologis yang ditemukan di lokasi kejadian. "Saksi Biologi" hasil fenotipe DNA
Forensik dapat memberikan arahan investigasi untuk melacak orang yang tidak
dikenal, yang fi tak dikenal mampu dengan saat DNA perbandingan pro fi ling.
Aplikasi kecerdasan ini dari DNA menandai penggunaan forensik substansial
berbeda dari materi genetik daripada yang dari DNA saat ini fi pro ling disajikan
dalam ruang sidang. Saat ini, fi c ciri pigmentasi kelompok-spesifik sudah diprediksi
dari DNA dengan akurasi yang cukup tinggi, sementara beberapa karakteristik
eksternal lainnya terlihat berada di bawah penyelidikan genetik. Sampai individuspesifik penampilan menjadi akurat diprediksi dari DNA, DNA konvensional pro fi
ling perlu dilakukan setelah prediksi DNA penampilan. Terutama, dan di mana
Forensik DNA fenotip menunjukkan janji besar, ini adalah pada kelompok (banyak)
lebih kecil dari tersangka potensial, yang sesuai dengan karakteristik penampilan
DNA-diprediksi dari noda TKP atau dari sisa-sisa orang yang sudah meninggal. Suf
dana fi sien tersedia yang dibuat tersedia, penelitian di masa depan untuk lebih
memahami dasar genetik dari penampilan manusia diharapkan akan mengarah
pada penjelasan substansial lebih rinci tentang penampilan orang tak dikenal itu
dari DNA, memberikan peningkatan nilai untuk penyelidikan polisi di pidana dan
hilang kasus orang yang melibatkan tidak diketahui.

1. Forensik fenotipe DNA: beberapa pertimbangan umum


Analisis forensik DNA, yaitu, identifikasi orang melalui ulangi tandem pendek (STR)
pro fi le pencocokan bahan bukti tidak diketahui dengan bahan referensi dari orang
yang dikenal, telah dianggap sebagai standar emas dalam ilmu forensik [1]. Namun,
salah satu keterbatasan utama dari pendekatan komparatif ini DNA identifikasi, juga
berlaku untuk STR dan polimorfisme nukleotida tunggal (SNP), adalah bahwa hal itu
biasanya gagal untuk mengidentifikasi orang-orang yang STR atau SNP pro fi le
belum diketahui para peneliti. Orang mungkin tidak tersedia untuk perbandingan
DNA pro fi le yang cocok karena mereka telah berhasil lolos penyelidikan polisi dan
dengan demikian dihindari menjadi tersangka diketahui. Meskipun pendekatan saat
ini menjadi lebih efektif whenforensic DNA (pro fi le) database berada di tempat [2],
kasus-kasus dimana bukti DNA pro fi le tidak cocok dengan setiap orang yang
dikenal termasuk semua yang tersimpan dalam DNA forensik (pro fi le) basis data
secara rutin dilihat oleh peneliti . Dengan tidak adanya informasi lain yang
menyediakan lead untuk menelusuri diketahui donor sampel forensik, kasus dingin
bisa menunggu untuk berbagai periode waktu (kadang-kadang untuk waktu yang

lama), sebelum bukti STR pro fi le cocok dengan orang yang dikenal kemudian
ditambahkan ke tumbuh forensik Database DNA atau disampaikan sebagai
tersangka oleh polisi ulang penyelidikan kasus yang diberikan.

Pemutaran massa DNA dapat dilakukan dalam kasus-kasus di mana tidak ada DNA
pro fi le pertandingan diperoleh dan tidak ada bukti lain yang tersedia [3]. Dalam
pukat DNA tersebut, sejumlah besar orang (ratusan hingga ribuan), biasanya
mereka yang tinggal di wilayah geografis di mana kejahatan terjadi, diundang untuk
secara sukarela memberikan sampel air liur untuk sebuah STR pro fi ling. Meskipun
pelaku benar tidak dapat berpartisipasi secara sukarela, karena kesadaran sampel
yang disediakan mengarah ke identifikasi, non-partisipasi dapat meningkatkan
kecurigaan dan dengan demikian mengarahkan peneliti menuju lead tambahan. Jika
pelaku benar tidak berpartisipasi tetapi hanya kerabat dekat lakukan, pencarian
keluarga mampu mengidentifikasi mereka, yang menyediakan tive penyelidikan
mengarah ke mendapati pelaku yang tidak diketahui. Menggunakan autosomal
konvensional STR pro fi ling di jaring DNA membatasi kemungkinan pencarian
keluarga untuk menutup kerabat yang tidak diketahui, non-berpartisipasi pelaku,
yang dapat diatasi dengan menggunakan STR Y-kromosom bukan (jika DNA bukti
berasal dari pelaku laki-laki) [ 4]. Karena Y-STR pro fi le mengidentifikasikan seorang
pria bersama-sama dengan semua kerabat laki-laki dari pihak ayah, orang-orang
dekat dan jauh, sebuah jaring Y-STR adalah lebih efektif daripada pukat berdasarkan
STR autosomal (atau SNPs). Misalnya, besar Y-STR jaring yang melibatkan ribuan
orang relawan lokal akhirnya menyebabkan memecahkan kasus pembunuhan di
Belanda setelah 13 tahun penelitian [5]. Namun, agar berpotensi sukses, dekat
dan / atau kerabat jauh dari pelaku yang sebenarnya (jika tidak pelaku sendiri)
harus berpartisipasi dalam tes DNA massa. Kehadiran lokal kerabat mungkin lebih
cenderung di daerah pedesaan, di mana kerabat cenderung bermigrasi, daripada di
daerah perkotaan. Secara umum, bagaimanapun, pukat DNA tersebut tanpa spesifik
penyebab dan bukti untuk meminta relawan sering terlihat kritis karena masalah
etika, dan di beberapa negara dilarang secara hukum. Selain itu, beban ekonomi
untuk memperoleh STR pro fi les dari ratusan atau bahkan ribuan individu dalam
satu kasus yang tinggi. Karena alasan ini, pukat DNA tidak diterapkan sering [3-5].
Keterbatasan ini DNA perbandingan pro fi ling mendorong perkembangan yang
relatif baru dalam genetika forensik, yaitu, Forensik DNA fenotip (FDP) [6,7]. FDP
bertujuan untuk menyimpulkan noda tidak diketahui atau sampel donor
karakteristik eksternal terlihat (EVCs) dari DNA (atau biomarker molekul lainnya)
langsung dari bahan biologis ditinggalkan di TKP, atau diperoleh dari badan yang
tidak diketahui. Pada intinya, hasil FDP dapat berfungsi sebagai "saksi biologi", dan
berpotensi dapat memberikan informasi yang lebih akurat daripada saksi mata
manusia lakukan, yang diketahui dapat diandalkan [8]. Dengan demikian, FDP
diharapkan dapat memberikan arahan investigasi memungkinkan untuk melacak
pelaku yang tidak diketahui, yang tidak diidentifikasi fi mampu melalui konvensional

DNA perbandingan pro fi ling. FDP juga diharapkan dapat bermanfaat untuk orang
hilang identifikasi tion ca-, yaitu, dalam kasus di mana referensi DNA pro fi le dari
putatif sampel ante-mortem, atau dari kerabat yang diduga tidak tersedia.
Kesimpulan DNA dari bio-geografis keturunan (lihat Philipps dalam masalah ini)
kadang-kadang dianggap sebagai bagian dari FDP [7]; Namun, keturunan genetik
tidak selalu menggambarkan karakteristik eksternal terlihat, terutama pada individu
dari keturunan genetik campuran.
Penampilan prediksi dari DNA untuk penggunaan forensik dimulai pada awal 2000an dan pertama berkembang sangat lambat. Alasan utama untuk pengenalan relatif
terlambat dari prediksi penampilan forensik dari DNA adalah (masih) pengetahuan
yang terbatas tentang genetika paling EVCs manusia. Meskipun dibutuhkan
peralatan teknologi yang sama dan metode statistik untuk mengidentifikasi gen
penyakit untuk fi nd gen EVC, pengetahuan kita tentang penyakit warisan saat ini
lebih maju [9] dari pada bagaimana kita melihat. Salah satu alasan untuk
pengetahuan genetik penampilan terbatas sampai hari ini mungkin berkaitan
dengan penelitian strategi pendanaan yang biasanya lebih fokus pada variasi
terkait penyakit dari pada variasi manusia normal dan eksplorasi genetik. Dari
semua EVCs, yang melibatkan pigmentasi yaitu, variasi dalam warna iris manusia,
rambut kepala, dan (kurang begitu) kulit, adalah yang terbaik dan saat ini satusatunya contoh FDP praktis (lihat di bawah). Meskipun semua EVCs dianggap sifat
yang kompleks, di mana beberapa banyak gen berkontribusi terhadap fenotip
bersama-sama dengan faktor lingkungan, sifat pigmentasi manusia pada umumnya
tampak sedikit genetik kompleks dari semua EVCs, dengan beberapa beberapa gen
menyediakan sebagian besar informasi fenotipik, setidaknya pada tingkat kategori
yang luas. Oleh karena itu, pemahaman dasar genetik dari sifat pigmentasi saat ini
lebih maju daripada yang lain EVC, dan dengan demikian prediksi pigmentasi
berbasis DNA. Semua EVCs lain, berdasarkan kondisi saat ini atau harapan yang
dikembangkan dari pengetahuan saat ini, genetik jauh lebih kompleks dengan
puluhan hingga diharapkan ribuan gen berkontribusi, yang mempersulit identifikasi
gen yang bertanggung jawab dan penanda DNA prediktif.
Masalah dengan sifat-sifat genetik yang sangat kompleks, karena menyadari untuk
banyak penyakit yang umum, adalah bahwa setiap gen individu memberikan
kontribusi hanya sebagian kecil dari varians fenotipik, dan hanya kombinasi dari
sejumlah besar faktor genetik dapat menjelaskan komponen diwariskan secara
keseluruhan [10] . Selain itu, semakin besar komponen lingkungan, kurang dapat
dijelaskan dengan DNA, dan - tentu saja - setiap kontribusi non-genetik tidak pernah
dapat dijelaskan oleh tes DNA. Menurut pengetahuan anekdot, dan berdasarkan
temuan sebelumnya dari kembar studi ity heritabil- [11], EVCs manusia biasanya
membawa komponen genetik yang besar, namun dampak lingkungan juga ada,
untuk beberapa EVCs lebih daripada yang lain. Namun jika gen hanya memiliki efek
individu kecil pada sifat fenotipik, itu sulit untuk menjadi diidentifikasi dengan
toolbox saat ini digunakan oleh ogists epidemiol- genetik, karena sinyal statistik

terukur adalah teliti kecil. Oleh karena itu memerlukan penggunaan set besar
individu untuk mengidentifikasi efek genetik kecil seperti dengan tingkat yang
diperlukan dari statistik signifikansi. Sejak alat yang genomik digunakan untuk fi
nding gen, seperti microarray SNP, masih mahal (yaitu, kira-kira. 250 EUR per
sampel individu, dan exome atau seluruh genom sekuensing adalah dengan
besaran lebih mahal), melakukan kajian asosiasi genome-wide (Kaca ) pada
sejumlah besar individu (yaitu, puluhan ribu) dengan sejumlah besar single
nucleotide polymorphisms (SNPs) (yaitu, ratusan ribu dan lebih) dengan cepat
menjadi terjangkau bagi rata-rata laboratorium tunggal. Pembentukan konsorsium
internasional besar, telah menunjukkan untuk menjadi sangat sukses di fi nding gen
sifat kompleks, penyakit kompleks sebagian besar umum, dengan menggabungkan
angka mengesankan besar sampel (hingga ratusan ribu) [9]. Akibatnya, mengingat
sifat genetik kompleks EVCs, upaya kolaboratif hanya besar akan memungkinkan
penyingkapan secara genetik mereka sebagai prasyarat untuk mengembangkan
penanda DNA prediktif dan alat untuk FDP praktis.
2. fenotipe DNA dari sifat pigmentasi: yang pertama FDP kisah sukses
Dalam tiga berikut sub-bab I merangkum pengetahuan saat ini pada prediksi
berbasis DNA dari mata, rambut, dan warna kulit, masing-masing. Karena kendala
ruang, dan karena itu adalah nilai prediksi dari SNP yang relevan untuk tujuan FDP,
aku kebanyakan meninggalkan hubungan dan keterkaitan studi tentang sifat-sifat
manusia pigmentasi. Tabel 1 daftar semua SNP sebelumnya diterapkan untuk mata
dan / atau rambut dan / atau prediksi warna kulit dari DNA.
2.1. Warna mata
Yang pertama dua studi yang dilakukan iris prediksi (mata) warna berbasis DNA
diterbitkan pada tahun 2007. Frudakis dkk. [12] digunakan 33 SNPs dari gen OCA2,
yang memungkinkan mereka untuk mengklasifikasikan 8% dari warna mata diamati
antara> 1000 sampel. Sulem dkk. [13], tertanam dalam pertama GWAS pada sifat
pigmentasi manusia, digunakan 9 SNP dari 6 daerah genomik (SLC24A4, KITLG,
6p25.3, TYR, OCA2-HERC2, dan MC1R) yang mereka diidentifikasi dengan fi kan
asosiasi warna mata signifikan antara beberapa ribu Eropa, untuk prediksi warna
mata kategoris. Dari individu-individu DNA-diprediksi dengan <0,2 probabilitas
untuk coklat dan <0,1 probabilitas untuk hijau, sekitar 90% memang bermata biru,
dan dari individu DNA diprediksi akan coklat dengan> 0,5 probabilitas, sekitar 60%
memang cokelat bermata. Pada tahun 2008, tiga studi paralel [14-16] melaporkan
gen HERC2 sebagai gen warna mata yang paling penting. Sturm dkk. [14] dan
Eiberg dkk. [15] disorot HERC2 rs12913832 sebagai prediktor warna mata besar,
sementara Kayser et al. [16], karena isi SNP dari mikroarray digunakan dalam GWAS
mereka, menyoroti beberapa SNP HERC2 lain seperti rs916977. Sturm dkk. [14]
melaporkan nilai R2 (lihat Kotak 1) dari 0,68 untuk HERC2 rs12913832 saja. Eiberg
dkk. [15] mencatat tertentu h-1 haplotipe berdasarkan 13 SNPs dari daerah OCA2HERC2, termasuk HERC2 rs12913832, tetapi juga orang lain seperti HERC2

rs916977, hadir di 97% dari orang-orang yang dianalisis dengan mata biru. Kayser
et al. [16], yang dikhususkan-out gen HERC2 melalui GWAS, selain itu dilakukan
prediksi resmi berbasis DNA dari warna mata menggunakan 3 SNP (rs916977
HERC2, rs11855019 OCA2, dan rs7495174 OCA2). Penulis memperoleh rata akurasi
prediksi prevalensi disesuaikan dinyatakan sebagai daerah di bawah kurva
penerima operasi karakteristik (AUC, lihat Kotak 1) dari sekitar 0,8 untuk warna
mata coklat dan biru, masing-masing (di mana 0,5 berarti prediksi acak dan 1,0
berarti benar-benar akurat tion prediksi ); sebagian besar nilai prediktif warna mata
diberikan oleh rs916977 HERC2 saja.
Yang pertama DNA komprehensif studi prediksi pada warna mata diterbitkan pada
tahun 2009 oleh Liu et al. [17], di mana penulis yang dipilih dari publikasi
sebelumnya 37 SNP dari 8 gen tion pigmenta-, dan diselidiki kapasitas prediksi
warna mata mereka dalam total> 6100 Belanda Eropa. Mereka dilatih model
prediksi warna mata berdasarkan 24 SNP dari 8 gen dalam> 3800 sampel, dan
divalidasi model di> 2300 sampel independen (lihat Kotak 1). Model ini tersedia
AUCs dari 0,93 untuk coklat dan 0,91 untuk warna mata biru, sedangkan untuk
warna mata menengah AUC adalah jauh lebih kecil di 0,73. Sebuah single SNP,
HERC2 rs12913832 yang ditekankan sebelumnya untuk membawa informasi warna
mata yang besar [14], menyatakan sebagian besar efek prediktif, hanya mencapai
nilai AUC 0,899 untuk coklat dan 0,877 untuk biru. Liu et al. [17] mengusulkan 6
SNP dari 6 gen pigmentasi (HERC2 rs12913832, rs1800407 OCA2, SLC24A4
rs12896399, SLC45A2 rs16891982, TYR rs1393350, dan IRF4 rs12203592) sebagai
seperangkat minimal prediktor DNA warna mata. Set 6-SNP ini mencapai nilai AUC
0,93 untuk coklat, 0,91 untuk biru, dan 0,72 untuk warna mata menengah dalam>
2300 Belanda Eropa yang digunakan untuk model validasi [17].

Dalam sebuah penelitian paralel diterbitkan pada tahun 2010, Valenzuela et al. [18]
diuji 75 SNP dari 24 pigmentasi kandidat gen untuk efek prediksi mereka pada
variasi pigmentasi di mata, rambut, dan kulit menggunakan> 780 Eropa dan nonEropa. Tiga SNP dari gen 3 pigmentasi, HERC2 rs12913832, SLC45A2 rs16891982,
dan rs1426654 SLC24A5 (mantan dua tumpang tindih dengan yang terbaik enam
dari Liu et al. [17]), memberikan R2 dari model regresi linier berganda (lihat Kotak
1) dari kategoris warna mata dari 76,45%; ini, sebagian besar (74,8%) dicapai oleh
HERC2 rs12913832 saja [18]. Namun, pencampuran Eropa dan non-Eropa dalam
pemastian warna mata prediktif SNP merupakan tantangan dalam memisahkan
keturunan dari efek warna mata, sehingga hasil prediksi dicapai adalah sulit untuk
menafsirkan. Memang, data tambahan [19,20] menyarankan bahwa rs1426654
SLC24A5 tidak mungkin terlibat langsung dalam warna mata (lihat penjelasan lebih
lanjut di bawah ini untuk warna rambut). Pada tahun 2010 juga, Mengel- Dari dkk.
[21] con fi rmed di hampir 400 Denmark Eropa nilai prediktif warna mata HERC2
rs12913832, yang bersama-sama dengan dua rs1129038 HERC2 SNP lain dan
rs11636232 di linkage disequilibrium kuat (LD) dengan rs12913832 di Eropa, dan

OCA2 rs1800407 disediakan rasio kemungkinan (lihat Kotak 1 ) dari 4-SNP


diplotypes hingga 29,3 untuk gelap dan sampai 10,7 untuk warna mata cahaya
(rs12913832 dan rs1800407 tumpang tindih dengan yang terbaik 6 SNP dari Liu et
al. [17]).
Berdasarkan temuan sebelumnya bersama-sama dengan peringkat prediksi SNP
diamati oleh Liu et al. [17], sistem prediksi warna mata berbasis DNA pertama
untuk penggunaan forensik dikembangkan oleh Walsh et al. [22] dan diterbitkan di
2010/2011. Sistem IrisPlex ini termasuk alat tes sensitif untuk multipleks genotip
dari enam yang paling warna mata memprediksi SNP dari Liu et al. [17] (HERC2
rs12913832, rs1800407 OCA2, SLC24A4 rs12896399, SLC45A2 rs16891982, TYR
rs1393350, dan IRF4 rs12203592) dan diimplementasikan model tion prediksi dari
Liu et al. [17] ke lembar Excel interaktif dan mudah digunakan yang menyediakan
kategoris probabilitas warna mata dari input pengguna SNP genotipe. Validasi
perkembangan forensik dari uji IrisPlex diterbitkan pada tahun yang sama, yang
didemonstrasikan bahwa uji yang sepenuhnya kompatibel dengan semua pedoman
SWGDAM [23]. The IrisPlex assay sangat sensitif, memberikan lengkap 6- SNP pro fi
les ke bawah sekitar 30 pg masukan DNA [22,23]. Sistem IrisPlex selanjutnya diuji
untuk memprediksi warna mata di 940 sampel DNA di seluruh dunia dari PKGMCeph [22]. Meskipun fenotipe warna mata yang tepat yang tersedia untuk sampel
ini, warna mata yang berbeda hanya diperkirakan dalam sampel Eropa dan kurang
begitu pada mereka dari daerah tetangga, sedangkan dalam sampel dari daerah
yang jauh seperti Asia Timur, Afrika, Oceania dan dari penduduk asli Amerika, hanya
coklat mata diprediksi (kecuali satu penduduk asli Amerika yang tidak dapat
diprediksi) [22]. Oleh karena itu, distribusi warna mata IrisPlex-diprediksi sangat
sesuai dengan distribusi global dikenal kategori warna mata, yang sangat
menunjukkan bahwa IrisPlex berkinerja baik, terlepas ke asal bio-geografis sampel
di bawah pengujian [22].
Meskipun mata IrisPlex model prediksi warna awalnya diperkenalkan didasarkan
pada ribuan orang Eropa [17], mereka semua dari satu populasi (Belanda); Oleh
karena itu, validasi berikutnya dari model prediksi pada> 3800 Eropa dari tujuh
negara dilakukan [24]. Model berdasarkan ribuan sampel dari seluruh Eropa
dilakukan hampir identik dengan model awal berdasarkan ribuan Belanda Eropa,
melakukan demonstrasi kekokohan model IrisPlex [24]. Nilai-nilai AUC dicapai dalam
penelitian pan-Eropa ini bahkan lebih tinggi dari yang ditetapkan sebelumnya [22]
dengan spidol IrisPlex (0,96 untuk biru dan coklat, masing-masing). Para penulis
disebabkan keuntungan dalam akurasi untuk penggunaan data fenotip warna mata
yang lebih akurat mereka diperoleh dari resolusi tinggi gambar digital. Pada tahun
2014, model prediksi yang disempurnakan IrisPlex untuk warna mata diperkenalkan
berdasarkan> 9100 individu dari delapan bagian Eropa, yang mencapai AUCs 0,95
untuk coklat, 0,94 untuk biru, dan 0,74 untuk warna mata menengah [25]. Ketika
diterapkan pada set independen dari sekitar 120 individu Polandia, tidak termasuk
dalam model bangunan atau validasi model IrisPlex ditingkatkan disampaikan rata-

rata warna mata akurasi prediksi 84%; atau 93% ketika hanya coklat dan biru
prediksi dinilai dan kategori menengah tidak termasuk [25].
Baru-baru ini, uji IrisPlex diuji oleh DNA Eropa Pro fi ling Group (EDNAP) dari
Masyarakat Internasional untuk Genetika Forensik (ISFG) dalam latihan multi-pusat
yang melibatkan> 20 laboratorium dengan berbagai tingkat pengalaman yang
spesifik (termasuk pemula), dan ditemukan menjadi mudah untuk menerapkan dan
sangat handal [26].
Semua 6 IrisPlex SNP termasuk dalam alat komersial, Chip Forensik Identitas V1,
memungkinkan untuk menyimpulkan keturunan biogeografi, penampilan,
keterkaitan, dan seks dari genome SNP, yang telah diuji di sejumlah besar sampel
DNA [27]. Alat ini (http://identitascorp.com/) memberikan informasi antara forensik
terkait lainnya (termasuk warna rambut) prediksi warna mata menggunakan model
IrisPlex [27]. Namun, seperti dengan semua microarray SNP, yang mendasari
hibridisasi-teknologi gy memberikan tantangan untuk kuantitas rendah dan / atau
rendah masukan kualitas DNA [27].
Setelah publikasi awal IrisPlex, set lainnya SNP dengan spidol sebagian tumpang
tindih telah diusulkan untuk prediksi warna mata. Pada tahun 2011, Spichenok dkk.
[28] memperkenalkan 6-SNP set termasuk HERC2 rs12193832, IRF4 rs12203592,
SLC45A2 rs16891982, OCA2 rs1545397, ASIP rs6119471, dan MC1R rs885479, yang
mantan tiga tumpang tindih dengan IrisPlex [22]. SNP tersebut dipastikan dari, dan
prediksi dilakukan di> 550 sampel Eropa dan non-Eropa. Seperti disebutkan
sebelumnya, rancangan penelitian di-etnis untuk pilih- ing SNP prediktif diterapkan
suatu sifat regional seperti mata Eropa (dan rambut) variasi warna, bagaimanapun,
tidak dapat membedakan antara efek warna eye benar dan efek keturunan.
Sebagian besar penelitian sebelumnya tidak bisa menunjukkan efek dari MC1R pada
variasi warna mata, meskipun gen ini dikenal karena memiliki efek yang kuat pada
warna cahaya kulit, bintik-bintik, dan rambut merah seperti yang terlihat di Eropa.
Pneuman dkk. [29] berusaha untuk langsung membandingkan hasil dari 6-SNP set
dari Spichenok dkk. [28] dengan 6-SNP IrisPlex set [22]. Para penulis melaporkan
bahwa set IrisPlex dan pendekatan prediksi (tingkat kesalahan 31% ditambah 26%
hasil tidak meyakinkan) diprediksi warna mata jauh lebih sedikit akurat daripada set
Spichenok dan pendekatan prediksi (tingkat kesalahan 2,8% tanpa hasil tidak
meyakinkan). Seperti perbedaan besar muncul tak terduga mengingat tumpang
tindih dalam SNP digunakan, terutama atas peringkat mata warna prediktor HERC2
rs12193832 yang menyediakan sebagian besar nilai prediktif, dan dapat dijelaskan
oleh beberapa faktor. Namun, perlu dicatat bahwa untuk hasil prediksi ada fi nitional
perbedaan de antara dua pendekatan yang digunakan. Hasil prediksi dari IrisPlex
yang spesifik dalam bahwa mereka probabilitas untuk memiliki biru, coklat, atau
warna mata menengah. Di sisi lain, hasil dari pendekatan prediksi Spichenok [28]
termasuk "non-biru" dan "non-coklat" prediksi, yang diharapkan pada akurasi yang
lebih tinggi. Seperti "non-warna" pendekatan prediksi secara konseptual rentan

terhadap argumen, dan, dalam setidaknya, membuat perbandingan langsung


dengan pendekatan prediksi warna sulit. Selanjutnya, IrisPlex prediksi warna mata
[22,23] didasarkan pada model statistik menggunakan fenotipik yang mendasari
dan data genotipe (lihat Kotak 1), sedangkan pendekatan Spichenok [28]
didasarkan pada hoc dikelompokkan prosedur kasi iklan tidak menggunakan
statistik. Dari 135 kesalahan dilaporkan untuk IrisPlex oleh Pneuman dkk. [29] 130
(96,3%) terlihat dengan individu dari warna mata menengah. Khususnya,
bagaimanapun, tes IrisPlex diperkenalkan untuk prediksi warna mata akurat biru
dan coklat, sementara nilai untuk memprediksi warna mata menengah selalu
disorot sebagai pembatasan terbesarnya [22-25]. Baru-baru ini, yang Spichenok 6SNP ditetapkan untuk prediksi warna mata telah diupdate ke 5-SNP ditetapkan oleh
tidak termasuk MC1R dan SNP OCA2 dan termasuk tambahan IrisPlex SNP (SLC24A4
rs12896399) [30], sehingga kedua set sekarang tumpang tindih dalam 4 SNP.
Allwood dan Harbison [31] diuji 19 SNP dari 10 gen tion pigmenta- dalam sampel
kecil dari 101 Selandia Baru asal Eropa dan non-Eropa, dan mengusulkan satu set 4
SNP yaitu, SLC24A4 rs12896399, rs1800407 OCA2, TYR rs1393350, dan rs1129038
HERC2 untuk prediksi warna mata, yang mantan tiga tumpang tindih dengan
IrisPlex dan satu terakhir adalah di linkage disequilibrium kuat (LD) dengan HERC2
rs12913832 (R2> 0,99 di Euro peans) termasuk dalam kedua set. Ini 4 SNP
mencapai akurasi prediksi 89% untuk biru dan 94% untuk warna mata coklat
menggunakan fi kasi model pendekatan pohon klasifikasi (lihat Kotak 1).
Ruiz et al. [32] dijelaskan tes prediksi warna mata berdasarkan 23 SNP dari 37 yang
diuji melalui dua tes genotip multipleks di> 410 Eropa, dan memperoleh fenotipe
warna mata dari SNP genotipe melalui Bayesian dikelompokkan er (yaitu, Snipper)
(lihat Kotak 1 ). Para penulis terutama menekankan bahwa menambahkan HERC2
dan OCA2 SNP yang di LD (sebagian di LD kuat) dengan HERC2 dan OCA2 SNP
termasuk dalam IrisPlex, menyebabkan peningkatan akurasi prediksi, terutama
untuk warna mata menengah [32]. Untuk subset dari 13 SNP yaitu, 6 IrisPlex SNP
ditambah 4 HERC2 SNP (rs1129038, rs11636232, rs7183877, dan rs1667394), dan
3 OCA2 SNP (rs4778241, rs4778232, dan rs8024968) mereka melaporkan nilai AUC
0,999 untuk biru, 0,990 untuk coklat, dan 0,816 untuk mata menengah [32]. Hal ini
dibandingkan dengan 0,986, 0,978, dan 0,756, masing-masing, diperoleh penulis
dengan 6 IrisPlex SNP dalam sampel yang sama. Penelitian sebelumnya
[16,17,21,33]
sudah
mencatat
manfaat
nilai
prediktif
resmi
ketika
mempertimbangkan SNP LD, termasuk dari HERC2 dan OCA2, tetapi efek yang
diamati lebih kecil daripada yang dilaporkan oleh Ruiz et al. [32]. Penjelasan yang
mungkin adalah penggunaan fenotipe dan / atau akurasi over-estimasi, misalnya
karena keterbatasan ukuran sampel yang lebih akurat (lihat Kotak 1). Freire-Aradas
dkk. [34] baru-baru ini menunjukkan bahwa masuknya HERC2 rs1129038, seperti
yang dianjurkan oleh Ruiz et al. [32] untuk meningkatkan menengah (hijau-cokelat)
prediksi warna mata, mengungkapkan lebih tinggi dari yang diharapkan prediksi
hijau-cokelat pada orang dari Amerika, Timur Tengah, dan Asia Barat yang IrisPlex

diprediksi mata cokelat seperti yang diharapkan di daerah tersebut (tidak ada mata
fenotipe warna yang tersedia dalam sampel ini). Seperti yang ditekankan oleh Ruiz
et al. [32], penelitian tambahan diperlukan untuk lebih memahami nilai aditif dari
SNP di LD satu sama lain, seperti dari wilayah HERC2-OCA2, untuk prediksi warna
mata.

Baru-baru ini, Yun et al. Usc.es/snipper/ // mathgene: [35] dibandingkan dua


algoritma prediksi warna mata, model IrisPlex mereka diimplementasikan dalam
FROG-kb (http://frog.med.yale.edu/FrogKB/) dan Snipper (http. ) seperti yang
digunakan oleh Ruiz et al. [32], dalam data dari 6 IrisPlex SNP diperoleh di> 900
sampel dari 12 populasi Eurasia. Dari> 700 individu dengan lengkap IrisPlex pro fi
les, 22% prediksi konsisten yang diamati antara kedua pendekatan, menunjukkan
bahwa perbedaan dalam logika yang mendasari dan data pendukung dari kedua
pendekatan dapat memberikan hasil prediksi yang berbeda [35]. Secara
keseluruhan, para penulis melaporkan prediksi mata biru yang lebih sedikit dan
hasil yang lebih meyakinkan diperoleh dengan Snipper dibandingkan dengan model
prediksi IrisPlex, sedangkan IrisPlex mengungkapkan tidak ada prediksi warna mata
menengah sementara Snipper lakukan di 29 kasus [35]. Karena kurangnya fenotipe
warna mata dalam sampel yang digunakan dalam penelitian ini, tidak dapat
dikatakan, yang pendekatan prediksi lebih akurat. Kedua metode, bagaimanapun,
dilakukan sama dengan baik dalam memprediksi warna mata coklat di semua
individu dari 4 populasi Asia Timur yang digunakan [35], salah satu wilayah
geografis di mana hanya warna mata coklat diharapkan ada.
Akhir-akhir ini, populasi non-Eropa yang mengalami campuran Eropa dalam sejarah
populasi mereka, seperti dari Amerika, mulai dieksplorasi untuk prediksi warna
mata berbasis DNA [34,36]. Misalnya, Dembinski dkk. [36] menganalisis 6 IrisPlex
SNP di 200 US Amerika; menggunakan model awal IrisPlex, mereka memperoleh
tingkat tinggi prediksi yang benar untuk warna mata biru (95% menggunakan
ambang batas probabilitas 0,7 dan 0,5), sedangkan untuk mata cokelat prediksi
kurang benar di mana diperoleh (76% dan 88% dengan 0,7 dan 0,5 ambang ,
masing-masing), dan tidak ada prediksi menengah yang benar ditemukan. Para
penulis melaporkan hasil yang lebih meyakinkan daripada yang terlihat di data
IrisPlex awal, yang mereka menjelaskan dengan jumlah yang lebih besar dari antara
mata individu warna yang digunakan sebagai akibat dari efek campuran hipotesis di
US Amerika belajar [36]. Khususnya, prediksi warna mata yang paling benar dan
tidak meyakinkan ditemukan pada individu yang heterozigot untuk HERC2
rs12931382 (yang 30% dari sampel yang mereka dianalisis). Jelas, lebih banyak
data tentang populasi dicampur Eropa-yang diperlukan untuk lebih memahami
hubungan antara campuran genetik, warna mata, dan berdasarkan DNA akurasi
prediksi warna mata menggunakan set SNP yang ada atau yang baru
dikembangkan.

Meskipun beberapa kelompok misalnya, Ref. [32] mendukung peningkatan SNP


prediktor untuk warna mata selama 6-SNP digunakan dengan IrisPlex, Pietroni dkk.
[37] baru-baru ini menyarankan strategi yang berlawanan. Mengacu pada tradisi
"konservatif statistik perhitungan berat" di bidang genetika forensik, dan diberi efek
prediksi warna mata jauh terkuat dikenal HERC2 rs12913832 relatif terhadap semua
dikenal prediktor SNP lainnya saat warna mata, penulis menyarankan untuk
membatasi DNA prediksi warna mata berbasis semata-mata untuk HERC2
rs12913832 [37]. Tanpa bantuan statistik (lihat Kotak 1), pendekatan ad hoc seperti
menyimpulkan mata biru ketika homozigot GG (CC) genotipe yang diamati, mata
cokelat ketika homozigot TT (AA) genotipe ditemukan, sementara semua individu
heterozigot tetap tidak meyakinkan [37] . Meskipun pendekatan ini sudah
diterapkan sebelumnya di DNA tulang identifikasi dari Nicolaus Copernicus dan nya
HERC2-prediksi warna mata biru [38], pembahasan lebih lanjut di lapangan akan
menunjukkan, jika pandangan agak sederhana ini pada prediksi warna mata
berbasis DNA akan diikuti lebih luas.

Sebuah isu yang berbeda dengan prediksi warna mata berbasis DNA yang
kontroversial dibahas baru adalah apakah atau tidak jender menyediakan cukup
pengaruh pada akurasi prediksi. Pada 2013, Martinez-Cadenas dkk. [39]
menyatakan bahwa gender adalah faktor utama yang menjelaskan perbedaan
dalam prediksi warna mata berdasarkan HERC2 / genotipe OCA2 dan model IrisPlex.
Awalnya, kesimpulan mereka didasarkan pada prediksi biru mata yang sensitivitas
prediksi jauh lebih rendah diamati pada laki-laki dibandingkan perempuan, dan
prediksi warna mata menengah di mana perempuan ditampilkan sensitivitas jauh
lebih rendah daripada laki-laki. Namun, dalam sampel Spanyol digunakan, ukuran
sampel untuk biru (N = 55) dan menengah (N = 69) warna mata, yang mereka
mengamati efek jenis kelamin, adalah jelas lebih rendah daripada untuk mata
cokelat (N = 369), untuk yang tidak berpengaruh gender dicatat. Dalam surat
balasan, Liu et al. [40] menyarankan bahwa temuan ini mungkin agak dijelaskan
oleh efek stokastik karena ukuran sampel yang kecil yang digunakan; jauh lebih
besar EUREYE pan-Eropa dan Belanda dataset Eropa mereka tidak menunjukkan
efek seperti. Namun, Martinez-Cardenas et al. [41], dalam jawaban mereka untuk
Liu et al. [40], disajikan dataset kedua dan membesar (N = 1.170 kasus melanoma
Spanyol dan kontrol) yang mereka menunjukkan fi kan perbedaan yang kuat dan
secara statistik signifikan dengan warna biru frekuensi warna mata antara laki-laki
(22%) dan perempuan (13%). Para penulis kembali menekankan bahwa dalam
sampel mereka perempuan cenderung untuk menyajikan warna mata gelap dari
yang diperkirakan oleh IrisPlex dalam proporsi yang fi kan signifikan lebih tinggi
daripada laki-laki [41]. Dalam sebuah studi berikutnya, Pietroni dkk. [37] ditemukan
jender menjadi secara signifikan terkait dengan pengukuran warna mata kuantitatif
dalam sampel populasi Italia, tapi tidak dalam Denmark dan sampel Swedia.
Khususnya, efek jenis kelamin pada warna mata kuantitatif diamati sebelumnya

oleh Liu et al. [33], tetapi dalam penelitian ini hanya menjelaskan 0,04% dari rona
dan 0,09% dari kejenuhan dalam penduduk Belanda dipelajari, sedangkan pada
populasi Italia dianalisis dengan Pietrone dkk. [37], jenis kelamin menjelaskan 4,9%
dari PIR-nilai yang didasarkan pada kejenuhan. Pietrone dkk. [37] menyimpulkan
bahwa efek gender warna mata mungkin populasi spesifik fenomena.
Namun, saat ini belum ada bukti keberadaan gen-X kromosom berkontribusi
terhadap variasi warna mata manusia, yang - jika ada - bisa pada prinsipnya
menjelaskan perbedaan gender dalam warna mata, dan - bila digunakan untuk
prediksi warna mata berbasis DNA - di akurasi prediksi. Selain itu, itu benar-benar
jelas bagaimana efek warna mata dari gen X-kromosom seperti hipotetis - jika ada akan tergantung populasi. Jika populasi-spesifik kota memang terlibat, ini akibatnya
akan berarti bahwa seleksi seksual, yang diasumsikan telah membentuk manusia
fenotip warna mata dan variasi genotip dalam dan di seluruh Eropa [42] terhadap
frekuensi yang kita amati saat ini, akan bertindak berbeda pada laki-laki dan
perempuan di berbagai belahan Eropa, yang ada saat ini tidak ada bukti. Jelas, lebih
dan cukup besar dataset dari berbagai belahan Eropa yang diperlukan untuk lebih
mengeksplorasi masalah ini dan relevansinya bagi FDP praktis. Liu et al. [40]
menunjukkan dalam dua dataset besar yang mengambil gender dalam pemodelan
prediksi IrisPlex tidak meningkatkan akurasi prediksi warna mata ke tingkat yang
nyata. Jika demikian, pekerjaan di masa depan memang akan menunjukkan bahwa
informasi jender termasuk dalam berbasis DNA prediksi warna mata secara
signifikan meningkatkan akurasi prediksi, kehendak biasanya tidak menentang
masalah untuk pekerjaan forensik praktis. Biasanya FDP seperti prediksi DNA warna
mata dilakukan setelah nasional DNA konvensional pro fi ling (tanpa memperoleh
pertandingan), yang meliputi sistem Amely / AMELX untuk penentuan jenis kelamin,
sehingga informasi jender DNA yang diturunkan akan tersedia (atau bisa dibentuk
dari mengetik tambahan DNA) untuk asi cukup besar dalam prediksi warna mata
model berbasis, jika memang terbukti manfaat resmi.
Suatu daerah di pigmentasi manusia (atau penampilan lainnya) genetika yang mulai
dieksplorasi, tetapi membutuhkan perhatian lebih lanjut, efek epistasis dan
bagaimana mereka berkontribusi untuk pigmentasi (atau penampilan lainnya)
fenotipe dan prediksi mereka DNA berbasis. Interaksi tersebut antara SNP dari gen
pigmentasi yang sama dan / atau berbeda telah ditemukan sudah, terutama untuk
warna mata [32,33,43,44]. Baru-baru ini, Pospiech dkk. [45] dalam studi sistematis
menggunakan> 1000 Polandia Eropa, identifikasi ed baru dan sebelumnya
mencatat SNP-SNP interaksi berkontribusi terhadap sifat pigmentasi. Beberapa
interaksi ini meningkat akurasi prediksi warna mata, meskipun tidak untuk tingkat
besar. Misalnya, mengingat interaksi antara HERC2 rs12913832 dan OCA2
rs1800407 serta antara rs1408799 TYRP1 mengangkat AUC untuk mata hijau 0,6670,697 [45].
Kegiatan penelitian di masa depan akan sangat berkonsentrasi pada pemecahan
keterbatasan semua sistem tes DNA warna mata saat ini tersedia dalam menjadi

paling tidak akurat untuk memprediksi non-biru, warna mata non-coklat. Sifat nonbiru, mata non-cokelat mewakili kontinum antara dua ekstrem mata biru dan coklat
membuatnya diharapkan juga bahwa prediksi DNA dari kategori warna mata
menengah lebih sulit daripada biru dan coklat, yang semua tes DNA saat ini
tersedia menunjukkan. Studi lebih perlu dilakukan untuk fi nd jika tambahan, varian
DNA yang sebelumnya tidak dikenal ada yang sangat berkontribusi terhadap warnawarna menengah. Atau sebaliknya, jika warna-warna eye menengah dapat
dijelaskan dengan meningkatnya jumlah lokus genetik dengan efek individu kecil
juga terlihat untuk biru dan coklat. Di masa depan, itu juga akan menjadi manfaat
resmi untuk memperluas prediksi DNA dari warna mata, seperti yang tersedia di
tingkat kategoris dengan alat saat ini, untuk warna mata terus menerus.
Pendekatan kuantitatif untuk prediksi DNA warna mata akan meningkatkan tingkat
informasi warna mata rinci dapat dicapai. Pendekatan seperti itu, yang akan fi
akhirnya tangan-ke penyidik bagan warna yang spesifik, diharapkan untuk
meminimalkan fi nal masalah interpretasi yang mungkin ada dengan hasil lisan
kategoris saat diberikan kepada para peneliti. Sebagai contoh, peneliti yang
berbeda mungkin memiliki nuansa yang berbeda warna dalam pikiran (misalnya,
biru, biru muda, abu-abu terang) ketika mencari seorang tersangka diketahui
setelah diberitahu oleh para ahli DNA forensik bahwa tersangka memiliki mata biru
dengan probabilitas 95%. Meskipun prediksi tanggal akurat DNA mata terus
menerus (serta rambut dan kulit) warna jauh dari kenyataan, karena penanda DNA
yang diperlukan belum tersedia, mencapai tujuan ini akhirnya dapat dibuat seperti
yang ditunjukkan oleh studi pertama yang mengidentifikasikan prediktor DNA fi ed
warna mata kuantitatif. Liu et al. [33] dicontohkan bahwa GWAS pada warna mata
terus menerus diperoleh dari gambar resolusi tinggi mata digital dalam ribuan
Eropa memungkinkan identifikasi gen tambahan dan SNP prediksi yang tetap sulit
dipahami dalam studi pencarian gen sebelumnya menggunakan fenotip warna mata
kategoris. Beberapa penelitian lain juga telah dilakukan untuk menyelidiki warna
mata kuantitatif [37,46].
tabel 1
SNP sebelumnya diterapkan untuk prediksi DNA dari sifat pigmentasi manusia.

Tabel 1. Studi hubungan genetik pada sifat pigmentasi manusia berfungsi sebagai
prasyarat untuk perkembangan selanjutnya dari pigmentasi penanda DNA prediktif
tidak dikutip di sini, tetapi dapat ditemukan dalam daftar referensi dari artikel
dikutip.
2.2. Warna rambut
Tes DNA pertama memungkinkan untuk memprediksi warna rambut dibatasi untuk
rambut merah dan diterbitkan pada tahun 2001 oleh Grimes et al. [47]. Para penulis
ditunjukkan dalam contoh kecil bahwa dengan menggunakan uji DNA mereka
berdasarkan 12 MC1R DNA varian dikembangkan dari pengetahuan sebelumnya
MC1R menentukan warna rambut merah, 96% dari individu diidentifikasi dengan
dua rambut menyebabkan mutasi merah memang memiliki rambut merah [47]. Dua
individu berambut non-merah dalam penelitian (satu berambut pirang, yang lain
coklat muda berambut) yang memiliki dua mutasi rambut merah menyebabkan
menggambarkan diri mereka sebagai berambut merah muda. Pada tahun 2007,
Branicki dkk. [48] mengurutkan seluruh gen MC1R di> 180 individu dari berbagai
warna rambut termasuk 40 dengan rambut merah dan tambahan 36 dengan
rambut pirang-merah, dan mengembangkan tes DNA untuk prediksi warna rambut
merah berdasarkan 5 varian MC1R DNA. Yang pertama prediksi DNA upaya untuk
semua warna rambut kategoris diterbitkan pada tahun 2007 sebagai bagian dari
Sulem dkk. pigmentasi GWAS [13]. Menggunakan 2 MC1R SNP, rs1805008 dan
rs1805007, penulis pertama-tama diprediksi rambut merah. Dari individu-individu
yang rambutnya warna diperkirakan merah dengan> 0,5 probabilitas, sekitar 70%
memang memiliki rambut merah [13]. Dalam pendekatan berikutnya termasuk
individu rambut merah, mereka meramalkan warna rambut lain berdasarkan 9 SNP
terkait dari 6 gen / daerah; Namun, prediksi non-merah warna rambut kategoris
yang jauh lebih akurat [13]. Pada tahun 2010, Valenzuela et al. [18] melaporkan 3
SNP yaitu, SLC45A2 rs16891982, rs1426654 SLC24A5, dan HERC2 rs12913832
untuk mencapai R2 total rambut melanin dari 76,3%. Pada tahun 2011, Branicki
dkk. [19] dalam penelitian prediksi warna rambut sistematis mereka digunakan 46
SNP dari 13 gen yang sebelumnya dikaitkan dengan warna rambut dan diuji mereka
untuk nilai prediksi mereka di 385 Eropa dari Polandia. Para penulis disajikan model
termasuk 22 SNP dari 11 gen yang mencapai nilai AUC 0,93 untuk rambut merah,
0,87 untuk hitam, 0.82 untuk coklat, dan 0,81 untuk pirang [19]. Mereka tidak bisa
con fi rm efek prediksi warna rambut untuk rs1426654 SLC24A5 seperti yang
dilaporkan sebelumnya oleh Valenzuela et al. [18] sebagai 98,7% dari sampel yang
diuji Polandia homozigot untuk alel diturunkan dan 5 operator heterozigot memiliki
warna rambut yang berbeda [19]. Bersama dengan data sebelumnya [20,49],

tampak bahwa efek warna rambut (dan mata) yang dilaporkan oleh Valenzuela et
al. [18] untuk rs1426654 SLC24A5 kemungkinan Eropa efek keturunan mengambilup karena desain studi multi-etnis diterapkan [19], dan karena keterlibatannya
dalam variasi warna kulit (lihat di bawah).
Berdasarkan temuan sebelumnya bersama-sama dengan peringkat prediksi SNP
diamati oleh Branicki dkk. [19], yang pertama sistem tes DNA untuk memprediksi
warna rambut kategoris semua dalam kombinasi dengan prediksi warna mata
kategoris, dikembangkan dan diterbitkan pada tahun 2013 [50]. Sistem HIrisPlex ini
[50] termasuk assay genotip multipleks tunggal untuk 24 mata dan warna rambut
memprediksi SNP, termasuk semua 6 dari IrisPlex, serta dua model prediksi, satu
untuk warna rambut dan model IrisPlex sebelumnya untuk warna mata. Dari 24 SNP
disertakan, 11 berasal dari MC1R termasuk satu INDEL, Y152OCH, N29insA,
rs1805006, rs11547464, rs1805007, rs1805008, rs1805009, rs1805005, rs2228479,
rs1110400, dan rs885479; dua dari SLC45A2, rs28777 dan rs16891982; satu dari
KITLG, rs12821256; satu dari EXOC2, rs4959270; satu dari IRF4, rs12203592; dua
dari TYR, rs1042602 dan rs1393350; satu dari OCA2, rs1800407; dua dari SLC24A4,
rs2402130 dan rs12896399; satu dari HERC2, rs12913832; satu dari ASIP / Pigu,
rs2378249; dan satu dari TYRP1, rs683. Semua kecuali 2 SNP (TYR rs1393350 dan
SLC24A4 rs12896399) digunakan untuk prediksi warna rambut model berbasis, dan
6 IrisPlex SNP termasuk yang digunakan untuk prediksi warna mata model berbasis.
Diuji dalam> 1500 individu dari tiga bagian Eropa, 80% dari sampel (n = 1.243)
yang digunakan untuk warna rambut model bangunan dan 20% (N = 308) untuk
validasi model. Menggunakan panduan prediksi warna rambut berdasarkan ambang
batas probabilitas, dictions pra benar diperoleh di 80% dari merah, 87,5% hitam,
78,5% coklat, dan 69,5% pirang individu rambut [50]. Pada tahun 2014, studi
validasi jiwa pembangunan forensik dari uji HIrisPlex diterbitkan [25], menunjukkan
bahwa itu adalah sepenuhnya kompatibel dengan semua pedoman SWGDAM. The
HIrisPlex assay disampaikan lengkap 24 SNP pro fi les ke bawah sekitar 60 pg
masukan DNA [25]. Juga termasuk dalam publikasi ini ditingkatkan warna rambut
model prediksi berdasarkan > 1600 individu. Dengan model ini, nilai-nilai AUC 0,92
diperoleh untuk merah, 0,85 untuk hitam, 0,81 untuk pirang, dan 0,75 untuk rambut
warna coklat [25]. Ketika diterapkan pada set independen dari sekitar 120 individu
Polandia tidak digunakan untuk model bangunan atau validasi, HIrisPlex warna
rambut model prediksi ditingkatkan disampaikan pada warna rambut akurasi
prediksi rata-rata 73%, sebagian besar disebabkan oleh prediksi akurat dari
beberapa blonds dan cokelat [25 ].
Selanjutnya dalam makalah ini, alat prediksi secara online dapat diakses secara
bebas diperkenalkan dan online yang tersedia di http: //www.erasmusmc. nl / FMB /
sumber / Irisplex_HIrisPlex / yang memungkinkan mata dan warna rambut
probabilitas untuk diperkirakan dari lengkap dan parsial HIrisPlex pro fi les [25]. Ara.
1 menunjukkan hasil dari prediksi HIrisPlex berdasarkan mata dan warna rambut
DNA di 12 individu dengan berbagai warna mata dan rambut bersama-sama dengan

mereka gambar mata dan rambut untuk inspeksi fenotipe visual. Probabilitas
prediksi di ini contoh individu diperoleh dari lengkap HIrisPlex SNP pro fi les melalui
ditingkatkan model warna mata IrisPlex dan ditingkatkan HIrisPlex warna rambut
model prediksi [25].
Selain itu, dengan melakukan HIrisPlex prediksi warna rambut di seluruh dunia
sampel PKGM-Ceph itu menunjukkan bahwa HIrisPlex melakukan independen biogeografis keturunan dalam memprediksi warna rambut [50]. Meskipun fenotipe
warna rambut tidak tersedia dalam sampel PKGM diuji, warna rambut yang berbeda
hanya diperkirakan dalam sampel dari Eropa dan daerah kurang begitu tetangga,
sedangkan dalam sampel dari Asia Timur, Afrika, Oceania dan dari penduduk asli
Amerika yaitu, daerah di mana hanya warna hitam rambut Diharapkan, hanya
rambut hitam diperkirakan [50]. Sistem HIrisPlex juga diterapkan pada sampel DNA
diekstraksi dari tulang dan gigi tua dan kuno, men- demonstrasikan kesesuaian
dalam analisis DNA yang rusak [51]. Dari extractsfrom bonesandteeth 26 DNA
antara 1 dan about800years ofpost- usia mortem, 23 menghasilkan lengkap 24 SNP
HIrisPlex pro fi les [51]. Baru-baru ini, penanda HIrisPlex DNA (notthe assay genotip)
yang berhasil digunakan untuk memperoleh mata dan warna rambut informasi dari
Raja Richard III dari Inggris (1452-1485) dari kerangka sisa-sisa yang DNAdiidentifikasi untuk menjadi orang-orang dari Raja Richard IIIvia DNA mitokondria
sesuai dengan kerabat (antara othermeans bukti) [52]. Dengan menggunakan
IrisPlex dan HIrisPlex model penulis mengungkapkan untuk kerangka probabilitas
96% memiliki mata biru bersama-sama dengan probabilitas 77% memiliki rambut
pirang. Warna mata hairand DNA-prediksi konsisten dengan penampilan Richard
dalam sebuah potret awal [52].

Gambar. 1. contoh Individu prediksi DNA mata dan warna rambut HIrisPlex berbasis.
Hasil Probabilitas disediakan untuk mata dan warna rambut kategori yang diperoleh
dari lengkap HIrisPlex SNP pro fi les [50] menggunakan IrisPlex warna mata
ditingkatkan dan meningkatkan HIrisPlex model prediksi warna rambut [25]
(http://www.erasmusmc.nl/fmb/ sumber / Irisplex_HIrisPlex /) untuk 12 orang yang
dipilih dengan berbagai warna mata dan rambut. Mata dan rambut foto disediakan
untuk memungkinkan inspeksi fenotipe visual dan perbandingan dengan DNA
diprediksi kesimpulan. Mereka probabilitas yang menyebabkan mata dan warna
rambut kesimpulan yang disorot dalam abu-abu berdasarkan probabilitas aturan
tertinggi untuk warna mata dan dengan menggunakan warna rambut panduan
prediksi HIrisiPlex dijelaskan di tempat lain [25,50]. penomoran Individu adalah 1- .
6 di sisi kiri dan 7-12 di sisi kanan DNA kesimpulan prediksi berdasarkan adalah
sebagai berikut 1: rambut hitam dan mata coklat, 2: coklat / hitam gelap rambut
dan mata cokelat, 3: coklat tua / rambut hitam dan biru mata, 4: rambut coklat
coklat / gelap dan mata biru, 5: coklat / menengah rambut cokelat dan mata

cokelat, 6: rambut cokelat dan mata cokelat (mungkin dengan bagian-bagian noncoklat), 7: rambut pirang pirang / gelap dan mata biru , 8: rambut pirang dan mata
biru, 9: pirang / gelap rambut pirang dan mata biru, 10: rambut merah dan mata
biru, 11: rambut merah dan mata coklat (mungkin dengan bagian-bagian noncoklat), dan 12: rambut merah dan mata biru.

Kenny dkk. menemukan bahwa R93C, sebuah SNP fungsional dalam TYRP1, sangat
berhubungan dengan rambut pirang di Oceanians akuntansi untuk 46,4% dari
rambut pirang warna [53]. Namun, secara keseluruhan, warna rambut pirang langka
di ini bagian dari dunia. R93C, menandai sebuah mutasi independen dalam gen
TYRP1 yang tidak terlibat dalam rambut pirang Eropa, bagaimanapun, gen adalah
dengan SNP yang berbeda membenarkan masuknya rs683 tapi tidak R93C dalam
sistem HIrisPlex.
Alasan mungkin untuk prediktabilitas akurat paling pirang dan rambut cokelat
dengan sistem HIrisPlex (dan kemungkinan sistem lain dikembangkan berdasarkan
penanda DNA yang saat ini dikenal) didasarkan pada orang-orang yang pirang
sebagai anak-anak tapi ternyata coklat (jarang lebih gelap) selama masa remaja
(catatan, bahwa semua studi genetik warna rambut saat digunakan individu
dewasa). Hal ini didukung oleh data prediksi warna rambut yang diperoleh dari
individu yang informasi tentang usia tergantung perubahan warna rambut
dikumpulkan melalui wawancara dan non-dicelup, gambar rambut non-diklik yang
tersedia [50]. Dari 157 orang Irlandia yang digunakan dalam penelitian ini, 8 yang
diklasifikasikan sebagai pirang dari gambar dan semua dari mereka benar
memprediksi sebagai pirang dengan HIrisPlex [50]. Untuk 14 orang diklasifikasikan
sebagai cokelat muda sampai hitam, model HIrisPlex mengungkapkan tinggi (p>
0,7) probabilitas untuk pirang, delapan dari mereka mencatat bahwa mereka telah
pirang selama masa kanak-kanak [50]. Mekanisme molekuler gelap rambut
tergantung usia, dan mengapa hal itu terjadi di beberapa tapi tidak semua blonds,
saat ini tidak diketahui. Perubahan-waktu tergantung pada ekspresi gen warna
rambut selama masa kanak-kanak sampai sekitar pubertas, ketika biasanya dewasa
warna rambut tercapai, diharapkan terlibat, namun data bukti kurang sejauh ini.
Juga mengapa efek ini adalah rambut tergantung warna dan juga menunjukkan
variasi individu tetap menjadi diidentifikasi. Jelas, mekanisme ini perlu dipahami
pertama sebelum pada akhirnya dapat digunakan untuk meningkatkan pirang /
coklat warna rambut akurasi prediksi. Fitur warna rambut tergantung usia-lain saat
ini tidak dipertimbangkan dalam model HIrisPlex, atau model lain saat ini, adalah
rambut beruban atau pemutihan yaitu, hilangnya warna rambut dengan usia lanjut.
Efek warna rambut ini juga perlu dipahami pada tingkat molekuler sebelum
biomarker prediktif untuk rambut beruban atau pemutihan dapat dikembangkan di
masa depan (yaitu, di terbaik dalam kombinasi dengan prediksi DNA usia
kronologis, lihat di bawah).

Delapan belas dari 22 SNP yang digunakan dalam sistem HIrisPlex untuk prediksi
warna rambut yang termasuk dalam Identitas V1 Chip Forensik komersial diuji
dalam sejumlah besar sampel [27]. Alat ini (http://identitascorp.com/) memberikan
informasi antara forensik terkait lainnya (termasuk warna mata) prediksi warna
rambut dengan menggunakan model HIrisPlex disesuaikan termasuk 4 MC1R SNP
(N29insA, Y152OCH, rs1805007, dan rs1805009) yang tidak hadir pada chip ini
karena alasan teknis. Akibatnya, akurasi prediksi warna rambut diperoleh dari DNA
dengan menggunakan alat ini, terutama (tetapi tidak hanya) untuk rambut merah,
diturunkan relatif terhadap lengkap HIrisPlex pro fi le dan model prediksi. Seperti
dengan semua microarray SNP, teknologi hibridisasi mendasari pro vides tantangan
kuantitas rendah dan / atau rendah masukan kualitas DNA [27].

Seperti telah ditekankan sebelumnya untuk prediksi warna mata, di masa depan,
rambut kategoris prediksi DNA warna akan juga bergerak menuju prediksi warna
rambut kuantitatif untuk meningkatkan tingkat warna rinci rambut dapat diprediksi
dari DNA, dan untuk menghindari masalah interpretasi diduga dari hasil prediksi
selama penyelidikan polisi. Namun, penelitian genetik pada warna rambut
kuantitatif belum langka [18,54].
2.3. Warna kulit
Dibandingkan dengan mata dan prediksi warna rambut, pengetahuan genetik
apalagi saat ini tersedia untuk variasi warna kulit. Pengetahuan kita tentang gen
yang menentukan variasi warna kulit jauh lebih lengkap daripada itu untuk warna
mata dan rambut. Ini sebagian besar adalah karena distribusi global variasi warna
kulit versus distribusi sebagian besar Eropa mata dan variasi warna rambut, yang
memungkinkan penggunaan populasi Eropa lebih homogen untuk mata dan gen
warna rambut pemetaan, sedangkan untuk warna kulit populasi global yang
heterogen perlu dipertimbangkan. Namun, pendekatan klasik untuk pemetaan gen,
seperti GWAS, tidak cocok bila menggunakan populasi studi genetik heterogen.
Oleh karena itu, GWAS sebelumnya pada warna kulit yang dilakukan dalam Eropa
[13,55] atau dalam Asia [56], tetapi variasi warna kulit dianggap dalam kelompok
benua terbatas, karena variasi warna kulit yang paling diungkapkan antara
kelompok benua, membatasi keberhasilan studi tersebut dalam menyelesaikan
daftar gen warna kulit. Hal ini digambarkan misalnya dengan Valenzuela et al. [18]
pigmentasi studi prediksi. Menggunakan kelompok studi yang sama multi-etnis
mencapai nilai R2 dari 76,4% untuk warna mata dan 76,3% untuk warna rambut
(lihat di atas), sementara hanya 45,7% untuk kulit re fl ectance berdasarkan 3 SNP
(SLC45A2 rs16891982, rs1426654 SLC24A5, dan ASIP rs2424984) [18].
Spichenok dkk. [28] digunakan satu set 7-SNP (6 SNP dijelaskan di atas untuk warna
mata ditambah SLC24A5 rs1426654), termasuk 2 SNP dijelaskan sebelumnya untuk
prediksi warna kulit dengan Valenzuela et al. [18], untuk memprediksi warna kulit

Kotak 1. Cara mendapatkan dari genotipe ke fenotipe


Sebuah sistematis (model berbasis) analisis prediksi biasanya terdiri dari tiga langkah.
Perhatian yang paling penting tentang validitas model prediksi adalah bahwa
pengamatan setiap langkah, yaitu, sampel yang digunakan dalam setiap langkah,
tidak independen.
putih dan tidak
gelap (melihat
masalah
dengan
prediksi no-warna
harus
Penemuan
langkah:
identifikasi
daripendekatan
hubungan genotipe-fenotip
sepertidicapai
yang disebutkan
di atas)
dan melaporkan
tiga SNP
kesalahan
di antara
sering
melalui GWAS,
di mana
sejumlah besar
yang iteratif
diuji398
di
prediksi;
untuk
28%
sisanya
dari
sampel
yang
diuji
tidak
ada
prediksi
diperoleh
sejumlah besar individu untuk hubungan fenotipe mereka. Biasanya, SNP diidentifikasi
karena signifikan
hasil tes tidak
meyakinkan.
Pneuman dkk.
[29]
diverifikasi
ini set
7-SNP di>
dengan
asosiasi
fi kan genome-wide
(p <5
108)
dianggap
sebagai
250 sampel
independen,
melaporkan 1 error%
dan 19% hasil
tidak meyakinkan.
penanda
kandidat
untuk model-bangunan.
Model-bangunan
langkah:
bentuk fungsional
Hart
et
al.
[30]
digunakan
6
SNP
(set
Spichenok
[28]
7-SNP
dkk.
Tanpa
(misalnya linear) dihipotesiskan untuk hubungan genotipe-fenotipe, danIRF4
parameter
rs12203592),
dan dilaporkan
tidak ada kesalahan
dalam>
200model
tes tambahan
set,
fungsi
diperkirakan
untuk mengoptimalkan
t fi fungsi.
Memilih
prediksi soal
sementara
38% dilaporkan
meyakinkan.
Namun,
tingkat
kesalahan
pilihan,
biasanya
dalam dua tidak
medan:
statistik (untuk
model
contoh
regresi)sangat
atau teknik
kecil
dilaporkan
oleh
tiga
studi
[28-30],
yang
semua
digunakan
sama
hoc
mesin-belajar (misalnya klasifikasi pohon fi kasi atau naif Bayes dikelompokkan ers).
pendekatan prediksi
adnilai
dan variabel
tidak ada
warna yang
sama
hasil
prediksi,
harus untuk
Model-validasi
langkah:
penjelas
adalah
input
ke fungsi
parameter
dipertimbangkan
dengan
hati-hati
mempertimbangkan
dan
hasil yang
menghasilkan
prediksi
untuk
hasilnya.
Nilai hasil prediksipendekatan
ini kemudian
dibandingkan
digunakan,
serta
sebagai
kurangnya
spesifik
detail
pada
orang
Eropa
yang
diuji,
dengan nilai-nilai yang benar-benar diamati untuk memperkirakan akurasi prediksi
yang semuanya
didefinisikan
sebagai
variasi
warna kulit
sehingga
mengabaikan
melalui
parameter
yang berbeda.
Untuk
hasil prediksi
kategoris,
parameter
akurasi
putih yang
di antaraadalah
orang area
Eropa.
paling
seringada
digunakan
di bawah kurva-receiver-operasi karakteristik
(AUC), sensitivitas, dan spesifisitas; untuk hasil prediksi kuantitatif (kebanyakan
Pada tahunakurasi
2014, prediksi
Maronassering
dkk. [57]
menerbitkan
pertama
studi
prediksi
kulit
Gaussian),
dinyatakan
sebagai
korelasi
(R atau
R2),warna
dan berarti
yang luas squared
menyelidiki
59 SNP sebelumnya yang terkait dengan kulit, mata, dan
kesalahan
(MSE).
warna rambut (termasuk SNP digunakan oleh Ruiz et al. [32] untuk warna mata
prediksi)logistik
dalam satu
set kecil $ (MLR)
280 sampel dari Eropa dan non-Eropa individu, yang
Regresi
multinomial
informasi warna kulit berdasarkan kuesioner-dikumpulkan dan kulit re ectance fl
diukur. Para penulis identifikasi ed subset dari 29 SNP yang paling berkorelasi
dengan variasi warna kulit dalam sampel mereka. Ini 29 SNP memberikan
pemisahan yang paling kulit putih individu berwarna dari sebagian kulit menengah /
hitam individu berwarna dalam analisis komponen utama (PCA), sedangkan
menengah dan hitam tumpang tindih yang cukup [57]. Para penulis menyarankan 6
SNP, SLC45A2 rs16891982, rs1426654 SLC24A5, KITLG rs10777129, ASIP
rs6058017, rs1408799 TYRP1, dan rs1448484 OCA2 (mantan dua disarankan untuk
warna kulit prediksi oleh penelitian sebelumnya [18,28,30]), yang mereka
melaporkan dikelompokkan ca - Keberhasilan tion di berulang analisis Bayes naif
(lihat Kotak 1) dari 98,3% untuk putih, 92,7% untuk hitam, dan 83,7% untuk warna
kulit menengah dibandingkan sisanya dibandingkan. Sebuah diperbesar 10-SNP set,
tambahan termasuk rs13289 SLC45A2, rs2402130 SLC24A4, TPCN2 rs3829241, dan
rs6119471 ASIP (satu terakhir sebelumnya disarankan untuk prediksi warna kulit
[28,30]) juga menekankan, yang nilai-nilai AUC 0,999 untuk putih, 0,966 untuk
hitam dan 0,803 untuk warna kulit menengah dilaporkan dari validasi set kecil dari
118 individu [57]. Mengingat ukuran sampel yang relatif kecil yang digunakan
dalam penelitian ini (lihat Kotak 1), data tambahan dari lebih banyak individu yang
diperlukan untuk menilai baik seberapa akurat ini dan lainnya SNP dapat
memprediksi kategori warna kulit. Seperti ditekankan sebelumnya untuk mata dan
warna rambut, juga prediksi DNA warna kulit akhirnya harus bergerak ke arah
prediksi kuantitatif di masa depan; gen pertama yang terlibat dalam variasi warna
kulit kuantitatif sudah pernah diidentifikasi [58].

MLR adalah metode klasi fi kasi statistik yang generalisasi regresi logistik (LR) untuk
masalah multiclass, yaitu, hasil yang terdiri dari lebih dari dua kategori diskrit
mungkin. Model dapat memberikan probabilitas diprediksi, dalam ruang probabilitas
(jumlah sama dengan 1,0), untuk semua kategori variabel respon tanpa asumsi
tambahan. MLR adalah misalnya digunakan untuk prediksi DNA dari mata dan warna
rambut [17,19].
Gaussian naif Bayes (GNB) dikelompokkan er
Dalam pembelajaran mesin, naif Bayes dikelompokkan ers adalah keluarga
probabilistik ers fi sederhana klasifikasi berdasarkan aturan Bayes 'dengan asumsi
kemerdekaan bersyarat antara semua prediksi. Karena bentuk tersirat oleh asumsi dari
GNB dikelompokkan er justru bentuk parametrik digunakan oleh LR, GNB
dikelompokkan er adalah alternatif terkait erat dengan MLR. Bahkan, jika asumsi GNB
kemerdekaan penuh terus, maka asimtotik yang GNB dan LR menyatu menuju identik
ers fi klasifikasi. Memang, naif Bayes dikelompokkan er untuk prediksi warna mata
(seperti yang tersedia dengan Snipper) bisa memberikan perkiraan akurasi yang sama
seperti MLR ketika set yang sama SNP prediktor yang digunakan [32]. Namun, ketika
pemodelan asumsi GNB kemerdekaan dilanggar, yang klasi fi kasi akurasi asimtotik
untuk LR sering lebih baik daripada GNB. Di sisi lain, GNB konvergen menuju 'akurasi
asimtotik tersebut pada tingkat yang lebih cepat daripada LR; akibatnya, GNB dapat
mengungguli LR ketika ukuran sampel sangat terbatas. Nave Bayes dikelompokkan er
yaitu, Snipper itu misalnya digunakan untuk prediksi DNA mata dan warna kulit
[32,57].
AUC
Sebuah penerima operasi karakteristik (ROC) kurva adalah presentasi visual dari
kinerja biner dikelompokkan er dengan memplot tingkat prediksi positif benar terhadap
tingkat prediksi positif palsu sama sekali ambang batas mungkin. Daerah di bawah
kurva ROC (AUC) adalah integral dari kurva ROC, mulai dari 0,5 (prediksi acak) ke 1,0
(prediksi sempurna). Nilai AUC dapat diartikan sebagai probabilitas bahwa model
prediksi akan menetapkan nilai yang lebih tinggi ke contoh positif yang dipilih secara
acak (misalnya, warna mata biru) dari satu negatif yang dipilih secara acak (misalnya,
warna mata non-biru). Dengan demikian, itu merupakan ukuran secara keseluruhan,
tetapi sangat kental akurasi dari biner dikelompokkan er. AUC adalah misalnya
digunakan untuk prediksi DNA mata / warna rambut, usia, dan tinggi badan
[17,19,62,68].
Rasio kemungkinan (LR)
Akurasi biner dikelompokkan er juga dapat dinyatakan sebagai rasio kemungkinan
positif (LR +), yang dapat diturunkan dari sensitivitas dan spesifik nilai-nilai fi kota: LR
+ = sensitivitas / (1 spesifisitas). Untuk interpretasi, sebuah LR diperoleh + nilai 10
untuk misalnya, mata biru berarti bahwa kemungkinan prediksi DNA mata biru untuk
orang mata biru pengontrol sebesar 10 lebih tinggi dari kemungkinan prediksi DNA
mata biru untuk orang mata non-biru. LR itu misalnya digunakan untuk prediksi DNA
dari warna mata [21].
Koefisien korelasi fi sien (R atau R2)
Ketika memprediksi kuantitatif (tidak kategoris) ciri-ciri, akurasi prediksi dapat
dinyatakan sebagai korelasi (R) antara prediksi dan nilai-nilai hasil yang benar-benar
diamati. R2 hanya kuadrat dari korelasi koefisien R, dan dapat diartikan sebagai fraksi
varians sifat dijelaskan oleh model prediksi. Kedua R dan R2 berkisar dari 0 (prediksi
random) ke 1 (prediksi sempurna). R2 adalah misalnya digunakan untuk prediksi DNA

Validasi silang
Jika sampel-ukuran terbatas, cross-validasi dapat digunakan untuk menjaga
independensi diperlukan. Sebuah salib-validasi melibatkan membelah seluruh sampel
ditetapkan menjadi himpunan bagian yang saling melengkapi, membangun model
prediksi di beberapa subset, dan mengevaluasi kinerja model dalam set tersisa.
Biasanya, beberapa putaran lintas validasi yang dilakukan dengan menggunakan
partisi yang berbeda, dan akurasi rata-rata dan 95% nilai kuantil dilaporkan. Jika
dilakukan dengan benar, cross-validasi hampir berisi; Namun, studi validasi tambahan
selalu diperlukan untuk generalisasi dari parameter model dalam sampel populasi yang
berbeda. Cross-validasi digunakan misalnya untuk prediksi DNA warna rambut [19].
3. Forensik fenotipe DNA: kemajuan saat ini dan masa depan perspektif
Selain ciri-ciri pigmentasi, tidak ada tes prediksi molekul yang saat ini tersedia
untuk setiap EVCs lainnya (mungkin dengan pengecualian usia jika dianggap
sebagai EVC, lihat di bawah) karena pengetahuan yang terbatas pada gen dan
penanda DNA prediktif. Di bawah, ringkasan pengetahuan singkat EVCs yang
datanya genetik pertama fi yang tersedia muncul menjanjikan untuk masa depan
dekat dan jauh FDP KASIH pembangunan, disediakan.
3.1. Tinggi badan / tinggi badan
The sejauh ini, dataset genetik terbesar dari setiap EVC yang tersedia untuk tinggi
badan dengan beberapa penelitian asosiasi genome besar yang diterbitkan selama
beberapa tahun terakhir. Tinggi badan digunakan sebagai model untuk sifat

kompleks dari awal era GWAS. Hal ini dimungkinkan karena ketinggian adalah salah
satu dari beberapa ciri-ciri diukur dalam banyak penelitian kohort yang datanya SNP
genome-wide diperoleh untuk tujuan genetik penyakit, yang memungkinkan
kombinasi dataset besar untuk GWAS pada ketinggian. Keberhasilan Namun, dalam
menjelaskan variasi ketinggian diwariskan dengan DNA, masih terbatas,
menggambarkan masalah dalam mengidentifikasi genetik make-up dari ciri-ciri
umum yang kompleks pada umumnya, dan tinggi badan pada khususnya. Sebuah
tinggi besar sebelumnya GWAS dilakukan oleh Genetika internasional Antropomorfik
Traits (GIANT) konsorsium termasuk> 183.000 orang, identifikasi ed ratusan SNP
pada 180 lokus genetik dengan asosiasi tinggi fi kan genome signifikan, termasuk
lebih dari 100 yang pernah diidentifikasi sebelumnya [59 ]. Namun, SNP terkait 180
secara signifikan ini hanya menjelaskan 10% dari variasi ketinggian populasi
penelitian [59], sedangkan heritabilitas tinggi badan diperkirakan dari studi kembar
menjadi sekitar 80%. Ketinggian terbaru GWAS diterbitkan oleh konsorsium GIANT
dilakukan pada> 250.000 individu diidentifikasi 697 SNP dengan asosiasi yang
signifikan genome, yang bersama-sama menjelaskan 16% dari tinggi varians dalam
populasi penelitian mereka [60]. Para penulis juga menunjukkan bahwa peningkatan
jumlah SNP bawah lebar genome- ambang signifikan memungkinkan menjelaskan
lebih tinggi varians, karena secara umum dapat diharapkan, dengan $ 2000, $ 3700
dan $ 9500 SNP menjelaskan $ 21%, $ 24% dan $ 29% tinggi varians, masingmasing [ 60]. Khususnya, menggunakan sejumlah besar SNP untuk tujuan FDP
mungkin tidak memberikan tantangan teknis untuk analisis DNA forensik praktis
dalam waktu dekat karena besar teknologi sequencing paralel (lihat di bawah).
Yang pertama DNA resmi studi prediksi tinggi badan diterbitkan pada tahun 2009
oleh Aulchenko dkk. [61] dan mencapai AUC 0,65 dalam memprediksi tertinggi atas
5% dari individu dari ribuan Belanda Eropa digunakan melalui semua 54 tinggi
terkait SNP dikenal dari GWAS pada saat itu. Dengan demikian, dengan 54 SNP,
tinggi diperkirakan hanya sedikit lebih baik daripada secara acak, atau lemparan
koin (setara AUC 0,5). Liu et al. [62] meneliti kekuatan 180 lokus genetik
diidentifikasi oleh GIANT tahun 2010 dengan asosiasi yang signifikan untuk variasi
ketinggian normal [59], untuk memprediksi bertubuh sangat tinggi. Dengan
memeriksa 770 sangat tinggi dan> 9500 Belanda Eropa dari ketinggian normal,
penulis melaporkan AUC untuk memprediksi perawakannya tinggi 0,75 berdasarkan
ini 180 SNP [62], menandai peningkatan yang cukup akurasi prediksi dibandingkan
dengan yang digunakan sebelumnya 54 SNP [61 ]. Ini akan menarik untuk melihat
berapa banyak akurasi prediksi DNA bagi individu yang sangat tinggi dapat
ditingkatkan lebih lanjut ketika menggunakan 697 (atau lebih besar set)
diidentifikasi oleh 2.014 GIANT GWAS [60] untuk prediksi formal, yang dapat
dilakukan segera.
Pengetahuan genetik yang saat ini tersedia di tinggi badan jelas menggambarkan di
satu sisi betapa informasi genetik banyak pada ketinggian masih hilang, dan di sisi

lain bahwa prediksi DNA akurat dari ketinggian normal tidak di sudut, dan jika
pernah mungkin kemungkinan akan melibatkan banyak ribuan SNP (lihat di bawah).
3.2. Rambut rontok / kebotakan
Saat ini, ada 12 gen dan wilayah genomik dikenal dengan signifikan asosiasi fi kan
genome dengan awal-awal androge- alopecia netic (laki-laki pola kebotakan, AGA),
bentuk paling umum kehilangan rambut pada manusia: AR / EDA2R, TARDBP,
HDAC9, AUTS2, SETBP1, PAX1 / FOXA2, WNT10A, 17q21.31, 3q25, 5q33.3, dan
12p12.1 [63-65]. Asosiasi jauh terkuat terlihat untuk SNP terletak di wilayah AR /
EDA2R pada kromosom X. Hal ini menjelaskan mengapa kebotakan biasanya
fenomena laki-laki dan itu berarti bahwa seorang pria mewarisi beberapa risiko
genetik untuk kebotakan dari kakek dari pihak ibu. Berdasarkan 8 lokus genetik, Li
et al. [64] dihitung skor risiko genetik untuk AGA dan menetapkan bahwa individu
yang tergabung dalam kuantil risiko tertinggi skor risiko genotipe memiliki
peningkatan sekitar enam kali lipat risiko untuk awal-awal kebotakan pola pria.
Awal-awal pola perempuan rambut rontok (FPHL), yang jauh lebih jarang daripada
pola kebotakan laki-laki, tampaknya berbagi beberapa dasar genetik dengan bentuk
laki-laki, seperti wilayah-X kromosom yang mengandung AR dan EDA2R gen [66].
Namun, berbagai gen lain yang terkait dengan AGA tampaknya tidak terlibat dalam
FPHL [67], meninggalkan etiologi rambut rontok perempuan sebagian besar tidak
diketahui seperti yang belum.
Meskipun data genetika untuk kebotakan pola pria terlihat menjanjikan untuk
prediksi DNA, harus diingat bahwa semua penelitian sebelumnya yang dilakukan
pada pasien awal-awal. Ketika diterapkan pada populasi umum, termasuk bentuk
akhir-onset lebih khas, efek genetik terlihat mungkin kurang terasa. Namun, tidak
ada studi prediksi genetik yang berdedikasi kebotakan pada populasi umum telah
dilakukan seperti yang belum, namun diperkirakan dalam waktu dekat.
3.3. Usia
Praktis FDP dari EVCs tergantung usia, seperti kebotakan, keriput dll, akan sangat
diuntungkan oleh prediksi DNA dari usia kronologis. Selanjutnya, usia itu sendiri
dapat dilihat sebagai EVC karena terlihat sampai batas tertentu. Mengetahui usia
perkiraan orang tak dikenal pasti bisa memberikan arahan investigasi. Pada tahun
2010, Zubakov dkk. [68], berdasarkan mantan pengetahuan tentang penurunan Tsel dan penataan ulang DNA T-sel tertentu (sjTREC) dengan peningkatan usia,
memperkenalkan tes DNA untuk estimasi usia chronologi- cal berdasarkan sjTREC
DNA kuantifikasi sebagai proxy untuk T jumlah sel. Sistem tes DNA kuantitatif
dinormalisasi mencapai AUCs dari 0,88-0,97 untuk kelompok usia yang dipisahkan
oleh 20 tahun (yaitu, waktu generasi yang biasanya dapat disimpulkan dari
penampilan) [68]. Nilainya untuk memprediksi usia titik lebih terbatas, yang
mungkin diharapkan, dengan R2 dicapai dari 0,835 (SE 8.9 tahun), yang untuk
penanda DNA tunggal yang luar biasa tinggi [68]. Sebuah studi independen

melaporkan R2 sedikit lebih rendah dari 0,6686 dan fi kan perubahan yang sangat
signifikan dari tingkat sjTREC antara tiga kelompok umur [69]. Metode genetik yang
sebelumnya diusulkan untuk estimasi umur manusia seperti akumulasi tergantung
usia dari penghapusan mtDNA tertentu atau pemendekan telomere menunjukkan
akurasi rendah dan berbagai masalah teknis, dan karena itu dianggap sebagai tidak
cocok untuk aplikasi forensik [70].
Perbaikan terbaru dalam memahami variasi manusia di metilasi DNA (yaitu,
lapangan dari epigenetik), termasuk ketergantungan usia, telah menyampaikan
sejumlah sangat menjanjikan CpG calon penanda untuk prediksi umur. Misalnya,
Bockland dkk. [71] disorot tiga lokasi, para promotor dari EDARADD, TOM1L1, dan
NPTX2; dua penanda CpG menjelaskan 73% dari usia varians dan diperkirakan usia
individu dengan akurasi rata-rata sekitar 5 tahun. Garagnani dkk. [72] difokuskan
pada situs CpG di 3 gen ELOVL2, FHL2, dan Penk yang ELOVL2 muncul paling
menjanjikan sebagai penanda prediksi usia dengan Spearman korelasi koefisien
0,92. Weidner et al. [73], menggunakan> 100 situs CpG, berkorelasi metilasi DNA
dengan usia kronologis dan melaporkan penyimpangan absolut rata-rata dari usia
hanya 3,34 tahun dan R2 dari 0,98; mereka juga memperkenalkan kalkulator online
yang tersedia secara bebas untuk ditandatangani penuaan epigenetik. Namun, itu
telah menyarankan bahwa perubahan metilasi DNA tergantung usia berhubungan
lebih dengan biologis daripada dengan usia kronologis [73], dan usia kronologis dan
biologis seseorang bisa sangat berbeda, tergantung pada, misalnya, status
penyakit. Oleh karena itu, validasi hati calon usia tion penanda DNA methyla-,
termasuk pemahaman tentang peran biologis mereka, akan sangat penting
sebelum mereka dapat digunakan dalam praktek forensik.
Berdasarkan pengetahuan terakumulasi, tes DNA forensik untuk prediksi umur
berdasarkan metilasi DNA diharapkan dalam waktu dekat, dan studi pertama
muncul sudah. Yi et al. [74] melaporkan korelasi antara usia diprediksi dari delapan
lokus dan diamati usia R = 0,91 (yaitu, R2 = 0,828), meskipun pada sampel set
yang sangat kecil hanya 65 orang, sedangkan penanda identifikasi dilakukan pada
set lebih kecil dari 10 muda dan 10 individu tua dan tidak ada validasi keterlibatan
penanda 'di usia biologis dilakukan. Berdasarkan bukti data yang lebih baik, ZbiecPiekarska dkk. difokuskan pada gen ELOVL2 dan melaporkan prediksi usia
menggunakan dua CpGs dari R2 = 0,859 dari sampel darah> 300 individu berusia
2- 75 tahun [75]. Mengevaluasi model mereka di 124 sampel tambahan
mengungkapkan R2 sangat mirip dari 0,866, dan rata-rata 68,5% prediksi benar
ketika pengelompokan sampel individu menjadi 4 kategori usia. Khususnya, nilainilai R2 yang lebih tinggi dalam tiga kategori usia muda dan menengah (73-85%)
dan lebih rendah dalam kategori usia lanjut (30%). Mengurangi korelasi usia yang
diamati pada kelompok usia lanjut (60-80 tahun) yaitu, zaman ketika biasanya
beban penyakit meningkat, mungkin menunjukkan biologis daripada kronologis efek
usia ELOVL2 metilasi. Namun, mengingat bahwa sebagian besar pelaku kejahatan
yang bukan dari usia lanjut, konsekuensi forensik praktis untuk prediksi usia pelaku

(tetapi tidak harus korban) menggunakan penanda ini mungkin tidak parah. Para
penulis juga menyediakan validasi awal dari uji tes mereka [75]. Korelasi usia kuat
ELOVL2 metilasi kini telah dilaporkan dalam beberapa penelitian independen
[72,75-78], menunjukkan ELOVL2 sebagai salah satu yang paling menjanjikan usia
penanda prediksi tersedia untuk tanggal.
3.4. Struktur rambut
Tiga gen telah terlibat dalam variasi morfologi rambut manusia seperti yang belum,
dua di Asia dan satu di Eropa. Pada tahun 2008, Fujimoto dkk. [79] diterbitkan scan
genom pada morfologi rambut di Asia dan identifikasi ed gen EDAR untuk
dihubungkan dengan ketebalan rambut Asia, yang telah fi con rmed oleh penelitian
berikutnya [80] termasuk kerja fungsional pada tikus [81]. Pada tahun 2009,
Fujimoto dkk. [82] memberikan bukti untuk gen lain, FGFR2, untuk terlibat dalam
ketebalan rambut di Asia. Namun, karena ketebalan rambut di Asia muncul seragam
di seluruh orang-orang dari Asia, gen seperti EDAR dan FGFR2 tidak berguna untuk
tujuan FDP di Asia (atau di tempat lain). Pada tahun 2009, Medland dkk. [83]
menerbitkan GWAS morfologi rambut di Eropa Australia dan menemukan gen TCHH
menjadi secara signifikan terkait dengan rambut lurus, menjelaskan 6% dari varians
fenotipik dalam populasi penelitian. Berasal T alel minor dari salah satu 4 paling
terkait SNP, rs11803731, yang mewakili coding sebuah, non- varian identik di ekson
3 dari TCHH, ditemukan absen dari Asia Timur, Oceania, Afrika Sub-Sahara, dan di
asli Amerika, namun luas di seluruh Eropa dan daerah tetangga seperti Afrika Utara,
Timur Tengah, dan Asia Barat [83]. Dengan lebih T-alel, proporsi rambut lurus
meningkat. Para penulis juga meneliti 170 gen kandidat disarankan oleh Fujimoto
dkk. [79], dan melaporkan hubungan yang kuat untuk WNT10A, gen yang
sebelumnya dikaitkan dengan odonto-onycho-dermal dysplasia [83]. Meskipun studi
kembar memperkirakan heritabilitas tinggi untuk keikalan rambut di Eropa [84], gen
yang bertanggung jawab belum diidentifikasi seperti yang belum. Mengingat
keragaman rambut morfologi di antara Eropa, prediksi DNA lurus, bergelombang,
atau rambut keriting akan pada prinsipnya berguna untuk tujuan FDP, cukup sekali
penanda DNA prediktif tersedia melalui studi masa depan.
3.5.wajah
Jelas, mampu memprediksi individu-spesifik wajah dari DNA akan menjadi tujuan
akhir dari FDP dan impian pria polisi dan wanita. Namun, informasi langsung
tentang gen yang menentukan morfologi wajah manusia sangat langka seperti yang
belum. Pada tahun 2012, Liu et al. [85] menerbitkan GWAS pada bentuk wajah,
yang bersama-sama dengan GWAS paralel dengan Paternoster dkk. [86] saat ini
merupakan satu-satunya studi yang sistematis dalam mencari gen yang terlibat
dalam variasi bentuk manusia wajah. Liu et al. [85] menggunakan hampir 10.000
orang Eropa diidentifikasi 5 kandidat gen Pax3, PRDM16, TP63, C5orf50, dan
COL17A1 dengan asosiasi fi kan genome signifikan untuk jarak wajah yang berbeda
diukur dari landmarking wajah otomatis dari 3D resonansi magnetik gambar (MRI)

kepala dan 2D gambar potret. Tiga dari 5 gen (Pax3, PRDM16, dan TP63) telah
terlibat sebelumnya dalam pengembangan kraniofasial vertebrata dan penyakit.
Mereka Merintis dari Pax3 di fl uencing posisi nasion direplikasi temuan paralel oleh
Paternoster dkk. [86], yang digunakan> 3800 anak-anak; ini adalah gen hanya
diidentifikasi dengan genome signifikansi oleh Paternoster dkk. Kedua studi
menunjukkan bahwa, seperti yang diharapkan untuk sifat kompleks, fi identifikasi
ed efek genetik yang kecil dan bahwa sejumlah besar DNA varian yang mungkin
terlibat dalam menentukan morfologi wajah. Khususnya, efek terbesar dilihat oleh
Liu et al. [85] adalah untuk TP63 rs17447439, di mana dibandingkan dengan tipe
liar operator, operator heterozigot memiliki 0,9 mm dan operator homozigot 1,8 mm
berkurang jarak mata ke mata. Dukungan lebih lanjut tidak langsung untuk
keterlibatan ini 5 gen morfologi wajah berasal dari sebuah studi berikutnya [87]
yang menjelajahi daerah genom sekitar fi ed tatap terkait SNP sebelumnya
diidentifikasi [85,86] untuk sinyal dari seleksi positif, dan menemukan keragaman
tinggi yang konsisten dengan pilihan tergantung pada frekuensi. Adaptasi lokal
dan / atau seleksi seksual diasumsikan telah membentuk morfologi wajah selama
sejarah evolusi baru-baru ini [88].
Claes dkk. [89] menggunakan pendekatan yang lebih kompleks untuk fenotip wajah,
dan digunakan SNP dari kandidat gen kraniofasial dengan perbedaan frekuensi yang
besar antara tiga populasi (US Amerika, Brasil, dan Cape Verdeans). Dengan
pendekatan fi c ini spesifik, penulis identifikasi ed 24 SNP dari 20 gen dengan
nominal signi fi asosiasi wajah tidak bisa (p <0,1) yang tiga (SLC35D1, FGFR1, dan
LRP6) yang sangat disorot oleh penulis [89]. Dalam sebuah makalah berikutnya
ternyata menggunakan data yang sama, Claes dkk. [90] menekankan bahwa seks
dan keturunan genetik yang disediakan sebagian besar komposit wajah berbasis
DNA, sedangkan efek dari 24 "wajah" SNP adalah marjinal (misalnya 1% kenaikan
akurasi). Pemilihan gen kandidat dan pendekatan genetik statistik diterapkan oleh
Claes dkk. dikritik baru [91].
Seperti dapat dilihat dari sangat sedikit studi yang tersedia saat ini, kita hanya di
awal pemahaman yang gen menentukan variasi wajah normal, dan kemungkinan
akan jauh (dan menunggu) sampai cukup penanda DNA prediktif tersedia untuk FDP
praktis muka. Dalam hal apa yang ada di masa depan, jika penampilan wajah
memang lengkap akan pernah bisa diprediksi dari TKP DNA dengan akurasi tinggi
cukup untuk memungkinkan individu identifikasi dengan cara non-komparatif
melalui wajah FDP, konvensional DNA pro fi ling termasuk DNA forensik (pro fi le )
database akan menjadi serampangan. Kemungkinan besar, ini tidak akan terjadi
dalam waktu dekat.
4. Beban dari DNA forensik fenotipe
4.1. Arti secara resmi diubah penampilan

Jelas, EVCs dapat diubah arti secara resmi melalui kosmetik berarti misalnya, lensa
kontak berwarna, dicelup warna rambut, lotion kulit diri penyamakan, arti fi tata
kecantikan rambut resmi, atau bahkan operasi misalnya, perkebunan trans- rambut,
operasi plastik wajah dan lainnya dll Namun, untuk menghindari dilacak melalui
penyelidikan polisi, pelaku akan perlu palsu penampilan mereka tidak hanya selama
tindak pidana tetapi juga sesudahnya. Selain itu, pelaku akan perlu untuk
mendapatkan penampilan pura-pura mereka terdaftar di dokumentasi polisi. KTP,
driver lisensi, paspor dll semua memiliki gambar potret, paspor di beberapa negara
memiliki tinggi dan warna mata catatan; semua ini informasi penampilan
didokumentasikan pada prinsipnya bisa digunakan, bersama dengan penampilan
DNA-prediksi dari bahan bukti, untuk tujuan investigasi. Oleh karena itu banyak
kegiatan dan perencanaan yang diperlukan untuk berhasil menghindari
penyelidikan polisi FDP-dipandu melalui penampilan falsi fi kasi. Namun, bahkan
tindakan yang sangat sederhana dari sebagian besar bersembunyi dari TKP yang
tidak melibatkan banyak perencanaan, yaitu memakai sarung tangan, sering tidak
dilakukan oleh penjahat, sehingga manusia identifikasi dari sidik jari fisik tetap
efektif sampai hari ini, bahkan setelah lebih dari 100 tahun penggunaan. Dengan
demikian, meskipun secara teoritis dan praktis mungkin, tampaknya tidak mungkin
bahwa arti secara resmi penampilan diubah akan menjadi beban FDP praktis dalam
banyak kasus.
4.2. Masalah genotip multipleks
Sebuah beban teknis yang serius untuk lebih memperluas FDP, yaitu hilang
teknologi genotip multipleks untuk analisis di-paralel sejumlah besar SNP cocok
untuk kualitas rendah dan kuantitas DNA forensik, saat ini telah diangkat oleh
penerapan teknologi sequencing paralel besar. Ini disebut generasi sequencing
(NGS) atau generasi kedua sequencing (SGS) gies-teknologi (lihat Borsting &
Morling dalam masalah ini), pada prinsipnya memungkinkan analisis multipleks
yang ditargetkan sejumlah besar SNP, seperti kemungkinan akan diperlukan dalam
masa depan untuk prediksi penampilan yang lebih rinci, penelitian sekali mendasar
ke dalam dasar genetik dari berbagai sifat penampilan telah berhasil memberikan
penanda DNA yang diperlukan. Meskipun penelitian menunjukkan analisis
multiplexing ribu SNP melalui NGS ditargetkan masih tertunda, itu telah dibuktikan
thatover 500 SNP dapat successfullycombined dalam ditargetkan sequencing
menjalankan tunggal menggabungkan beberapa individu menggunakan Ion Torrent
Personal Genome Machine (PGM) [92] .
4.3. Masalah etika
Beban etis dari FDP praktis telah dibesarkan dan dapat ditemukan di tempat lain
(misalnya, Ref [7]. Terutama Kotak 2 dan referensi dikutip di dalamnya). Tidak
menjadi etika profesional sendiri, pendapat saya adalah bahwa ketika datang ke
EVCs, masalah privasi termasuk tahu tidak-to-kanan tidak berlaku. Ini hanya karena
sifat penampilan tidak hanya diketahui orang itu sendiri, tetapi untuk semua orang

yang pernah melihat orang ini, termasuk polisi yang memiliki foto-foto portrait di
paspor, kartu ID, driver-lisensi dll Oleh karena itu, EVCs pada prinsipnya tidak dapat
Data pribadi dipertimbangkan. Khususnya, ini bisa berbeda untuk bio-geografis
keturunan dan kesimpulan yang dari DNA (lihat Philipps dalam masalah ini);
sementara keturunan non-dicampur pada tingkat benua yang luas biasanya terlihat
dari luar (karenanya tidak dapat dianggap sebagai informasi pribadi), keturunan
campuran seperti antara benua, belum tentu terlihat tergantung pada jumlah
generasi kembali ketika terjadi dan asal geografis leluhur yang terlibat sejak. Jika
memang tidak terlihat secara eksternal, masalah privasi termasuk hak untuk tidakuntuk-tahu-dapat mengajukan permohonan untuk pengujian keturunan genetik.
Salah satu isu etika tidak tersentuh sebelumnya (Ref [7] Kotak 2.) Dan karena itu
disebutkan di sini adalah penampilan penyakit terkait. Penggunaan informasi
penyakit yang diperoleh dari DNA dapat dilihat tidak sesuai untuk tujuan forensik
dengan argumen etika yang diskriminasi pasien harus dihindari. Penalaran seperti
kemungkinan memiliki dipengaruhi dengan modi fi kasi dari undang-undang DNA
forensik di Belanda pada tahun 2003, yang umumnya memungkinkan penggunaan
informasi DNA pada EVCs untuk tujuan forensik, sementara tidak termasuk
penampilan penyakit terkait. Bahwa alasan ini tidak selalu diikuti ditunjukkan oleh
undang-undang DNA forensik dari negara bagian Texas yang secara implisit
memungkinkan FDP, bahkan untuk penyakit genetik [7].
Namun, meskipun dapat gen yang sama yang menyebabkan variasi patologis dan
normal dari sifat yang diberikan termasuk EVCs, mutasi yang menentukan penyakit
biasanya berbeda dari yang varian DNA yang terlibat dalam variasi sifat normal.
Misalnya, gen OCA2 menentukan albinisme oculocutaneous tipe 2 (maka nama
gen), bentuk yang spesifik dari albinisme, dan gen OCA2 juga terlibat dalam variasi
normal kulit, mata, dan rambut warna (lihat di atas); Namun, mutasi OCA2 tertentu
yang menyebabkan penyakit ini [93] berbeda dengan SNP terlibat dalam
pigmentasi normal (lihat di atas dan Tabel 1). Oleh karena itu, tes DNA
dikembangkan untuk memprediksi penampilan normal seperti diterapkan untuk
tujuan FDP biasanya tidak informatif untuk mengungkapkan informasi penampilan
penyakit terkait.
Masalah mungkin timbul untuk sifat penampilan di mana fenotip penyakit re fl
proyek-ekstrim dari variasi fenotip yang normal bersama dengan penanda DNA nonkausal terkait digunakan untuk prediksi DNA (karena yang kausal yang belum
diketahui). Misalnya, SNP terkait dengan penyakit sumbing-bibir (yaitu, non bibir
sumbing sindrom dengan atau tanpa langit-langit, NSCL / P) juga terbukti
berhubungan dengan lebar wajah yang normal - meskipun kurang kuat
dibandingkan dengan sumbing bibir-[85 , 94], mungkin karena sumbing telah
dihipotesiskan menjadi bentuk ekstrim patologis lebar wajah [95]. Dalam kasus
tersebut, SNP yang sama informatif untuk penyakit-linked dan bentuk normal dari
sifat penampilan, meskipun kurang begitu untuk bentuk normal; Namun, SNP saat
ini dikenal jauh dari memungkinkan prediksi DNA dari tidak lebar wajah atau NSCL /

P. Penelitian di masa depan mungkin mengidentifikasi faktor-faktor genetik


penyebab sumbing yang mungkin memungkinkan membedakan antara penyakit
dan normal bentuk wajah lebar (karena memang fenotipe ini jelas dibedakan
meskipun terkait).
Selanjutnya, dalam jangka panjang satu umumnya dapat menyimpulkan (atau
tidak) bahwa t manfaat bagi masyarakat dan orang-orangnya yaitu, untuk
menangkap seorang pembunuh yang sebaliknya tidak dapat ditangkap dan dengan
demikian terus membunuh, menimpa kekhawatiran etis pada diskriminasi pasien,
yang dapat menyebabkan menggunakan informasi penyakit umum termasuk yang
diperoleh dari DNA (dengan dan tanpa EVC manifestasi) untuk tujuan investigasi. Di
bawah skenario hipotetis seperti, FDP akan kemudian tidak dibatasi untuk prediksi
DNA dari sifat-sifat eksternal terlihat, seperti yang saat ini dipahami (lihat semua di
atas), tetapi juga akan mencakup prediksi DNA dari sifat penyakit. Selain diskusi
yang luas diperlukan oleh etika profesional dan pemangku kepentingan lainnya
mengenai risiko dan manfaat penggunaan forensik informasi penyakit termasuk dari
DNA, pengetahuan genetik medis memberikan pembatasan setidaknya untuk saat
ini. Saat ini, pemahaman kita tentang penyakit genetik yang cukup lengkap untuk
berbagai penyakit monogenik (disebut penyakit Mendel) yaitu, penyakit ditentukan
oleh satu atau sangat sedikit gen, yang karenanya memungkinkan prediksi DNA
akurat seperti yang digunakan dalam diagnosa medis DNA. Diperdebatkan, penyakit
monogenik yang berjalan dalam keluarga, adalah nilai terbatas untuk penyelidikan
forensik, karena mereka sangat langka di populasi umum. Sebaliknya, pengetahuan
genetik belum sebagian besar tidak lengkap untuk penyakit umum kembali fl ecting
sifat kompleks dengan banyak gen dan faktor lingkungan menentukan hasil
penyakit, yang karenanya tidak (belum) memungkinkan prediksi DNA akurat [96],
untuk alasan yang sama seperti yang dibahas di atas untuk kompleks ciri-ciri
penampilan.
4.4. Masalah hukum
Beban hukum FDP praktis ada tergantung pada negara dan undang-undang, untuk
informasi lebih lanjut Saya merujuk pada literatur khusus (misalnya, Ref [7].
Terutama Kotak 3 dan referensi dikutip di dalamnya). Singkatnya, bagi banyak
negara undang-undang yang mengatur penggunaan DNA manusia untuk tujuan
forensik berasal dari waktu ketika DNA fi ngerprinting atau DNA pro fi ling
diperkenalkan, dan karena itu biasanya tidak mencakup FDP tanpa tertunda modi fi
ca- tions. Beberapa negara telah diperbarui undang-undang DNA forensik mereka
untuk memungkinkan aplikasi forensik penampilan berbasis DNA (dan keturunan)
informasi seperti Belanda. Beberapa negara, seperti Inggris, memungkinkan FDP
tanpa undang-undang khusus. Namun, saya mengambil kebebasan di sini untuk
menarik kesejajaran langsung antara FDP yaitu, "saksi biologis" dan saksi mata
manusia. Pada prinsipnya, FDP memberikan jenis yang sama informasi sebagai
saksi mata manusia melakukan yaitu, apa yang lakukan / tidak tampilan tersangka
seperti. Untuk pengetahuan saya Namun, tidak ada fi c hukum tertentu yang

memungkinkan polisi untuk melibatkan saksi mata manusia, jadi pada dasarnya,
mengapa satu perlu untuk melakukan hal yang sama dari DNA?
Di beberapa negara (misalnya, Jerman), penggunaan DNA untuk keperluan forensik
dibatasi oleh hukum untuk spidol non-coding. Tegasnya Namun, tunjangan noncoding penanda DNA untuk keperluan forensik belum tentu tidak termasuk FDP,
meskipun ini mungkin melanggar maksud hukum tersebut. Penanda DNA noncoding dapat membawa informasi sifat tersebut sangat sama dengan yang coding,
selama ketidakseimbangan hubungan antara mereka cukup tinggi (misalnya,
karena kedekatan fisik dekat satu sama lain). Memang, banyak penanda DNA
digunakan dan disarankan untuk tujuan FDP yang intronic SNP [22,50] [misalnya
22,50] dan dengan demikian oleh definisi yang non-coding. Nilai FDP mereka
berasal dari asosiasi EVC mungkin karena linkage disequilibrium kuat dengan kausal
(termasuk coding) belum SNP diketahui. Selain itu, sebagian penanda DNA
regulatory yang baik intronic atau intergenetic; dengan demikian, tegasnya ada
non-coding. Memang, beberapa penanda DNA digunakan untuk tujuan FDP adalah
SNP peraturan dari daerah intronic atau antar-genetik, seperti kebanyakan warna
mata prediktif SNP HERC2 rs12913832 [97] dan SNP lainnya dari gen pigmentasi
manusia [98-100]. Karena pengetahuan tentang dinamika genom manusia,
termasuk struktur haplotipe blok dan elemen regulasi, yang memiliki severale maju
karena undang-undang tersebut dibuat, perbedaan antara coding dan non-coding
bagian muncul usang, dan untuk itu tidak boleh digunakan setiap lagi ketika
mengatur penerapan DNA melalui peraturan perundang-undangan seperti untuk
keperluan forensik. Sebaliknya penggunaan forensik DNA diatur pada tujuan
forensik tertentu (misalnya, individu identifikasi, prediksi penampilan untuk tujuan
investigasi dll) tapi bukan tipe penanda yang mungkin berubah dari waktu ke waktu
dengan meningkatnya pengetahuan genetik.
4.5. Terbatas ilmiah pengetahuan fi c dan dana penelitian yang terbatas
Selain beban hukum saat ini di banyak negara, utama dan paling signifikan beban
yang saat ini memegang-up lebih lanjut kemajuan FDP dengan harapan pada
akhirnya memungkinkan sangat rinci prediksi penampilan keseluruhan, adalah
pengetahuan yang sangat besar yang saat ini hilang di dasar genetik dari
penampilan manusia . Bagi banyak EVCs yang memiliki potensi untuk menjadi
sangat berguna untuk tujuan FDP karena heritabilitas tinggi, gen yang mendasari
saja belum ditemukan. Atau, fi gen pertama diidentifikasi hanya menjelaskan sedikit
dari varians sifat, sedangkan yang paling sifat genetik tetap tidak terjelaskan.
Menurut pendapat saya, penelitian dasar yang diperlukan untuk mengidentifikasi
sebagian besar, jika tidak semua, informasi genetik yang menentukan variasi
penampilan manusia dalam berbagai bentuknya, hanya bisa dicapai dengan kerja
sama internasional yang besar. Studi genome besar akan diperlukan untuk
memetakan gen EVC-mendasari memungkinkan generasi penanda calon untuk
studi prediksi EVC. Selanjutnya, di terbaik, database akumulatif seluruh dunia harus
dibentuk menggunakan fenotipe EVC standar dan genotipe. Seperti database

diharapkan akan memberikan lebih langsung dibandingkan prediksi perkiraan


akurasi berbasis DNA dan parameter model yang kokoh. Hal ini pada akhirnya akan
memungkinkan kesimpulan dari satu set fi nal penanda DNA prediktif paling
informatif dan kuat untuk EVC diberikan, bersama-sama dengan pendekatan
prediksi yang paling sesuai. Dari pengetahuan ini, alat-alat praktis FDP dapat secara
efektif dikembangkan di terbaik bersama-sama dengan perusahaan-komersialperusahaan khusus.
Selain kolaborasi penelitian internasional, apa yang juga sangat dibutuhkan adalah
dana penelitian yang diperlukan, yang saat ini tidak SUF fi sien tersedia. Di sini,
saya tidak hanya memanggil lembaga pendanaan penelitian pemerintah dan swasta
di seluruh dunia untuk datang-up dengan panggilan yang cocok untuk proyekproyek penelitian masing-masing, tetapi juga penegakan hukum dan lembaga
kepolisian serta lembaga forensik untuk mendukung penelitian ilmiah di daerah ini .
Saya pikir itu adalah waktu untuk mengubah sikap khas dalam ilmu forensik untuk
hanya menunggu sampai ilmu mendasar memiliki menemukan sesuatu dengan
potensi forensik, yang kemudian mengambil-up untuk pengembangan lebih lanjut
menjadi alat praktis oleh komunitas tersebut forensik. Banyak ilmiah penemuan fi c,
termasuk forensik sepenting klasik DNA fi ngerprinting, yang / yang dibuat secara
kebetulan ulang fl ecting sifat ilmu dasar rasa ingin tahu-driven, dan saya
menganggap itu strategi sebagai tidak efektif untuk upaya dasar untuk
meningkatkan keselamatan masyarakat pada peristiwa kesempatan . Lebih efektif
itu akan berinvestasi ke daerah-daerah yang spesifik dari ilmu-ilmu dasar, terutama
dalam biologi molekuler dan genetika manusia, yang menanggung potensi besar
untuk meningkatkan forensik analisis untuk memungkinkan penelitian yang
berdedikasi dalam topik forensik yang relevan dari awal dalam ilmu dasar semua
jalan ke validasi forensik dari alat yang dikembangkan dari pengetahuan dasar yang
dihasilkan. Jelas, salah satu daerah adalah genetika penampilan manusia untuk
mengembangkan alat FDP untuk memecahkan kasus yang tidak dapat diselesaikan
melalui cara lain termasuk DNA konvensional pro fi ling, dan mungkin akhirnya sangat tergantung pada kemajuan masa depan dalam pemahaman genetik dan
DNA-prediksi individual- spesifik wajah morfologi - menggantikan DNA forensik
perbandingan pro fi ling termasuk DNA forensik (pro fi le) database.
Ucapan Terima Kasih
Penulis berkat Susan Walsh dan Fan Liu dan tambahan Wojciech Branicki, untuk
komentar yang berguna pada naskah. Susan Walsh dan Lakshmi Chaitanya yang
diakui tambahan untuk membantu mereka dengan Gambar. 1 dan Tabel 1, masingmasing, serta Fan Liu bantuannya dengan Box 1. Penulis adalah lebih sangat
berterima kasih kepada semua departemen, lembaga, nasional, dan rekan
internasional untuk kolaborasi mereka di bidang genetika penampilan manusia dan
prediksi DNA , terutama rekan-rekannya dari Inter- national Trait Terlihat Genetika
(VisiGen) Konsorsium, terutama Tim Spector dan Nick Martin. Dari anggota dan
mantan Departemen Biologi Molekuler Forensik ia khusus mengakui Fan Liu dan

Susan Walsh serta Dmitry Zubakov, Mijke Visser, Arwin Ralf, dan Lakshmi Chaitanya
untuk pekerjaan mereka pada genetika penampilan dan prediksi DNA. Dari Erasmus
MC ia terutama berkat Andre Uitterlinden, Albert Hofman, Cornelia van Duijn, Ben
Oostra, Tamar Nijsten, dan Hans Vingerling yang dukungannya sangat penting untuk
prestasi penulis dalam genetika penampilan manusia dan prediksi DNA. Dia juga
terima kasih semua rekan-rekan lain, yang sendiri pekerjaan membantu
meningkatkan pengetahuan di bidang ini fi, dan yang ia punya hak untuk dirangkum
di sini, dan meminta maaf kepada orang-orang yang tidak bisa menyebutkan dalam
tinjauan artikel ini karena kendala ruang. Karya asli penulis pada genetika dan DNA
prediksi penampilan manusia didukung sebagian oleh Erasmus MC University
Medical Center Rotterdam (http://www.erasmusmc.nl), dengan dana sebelumnya
dari Belanda Genomics Initiative / Belanda Organisasi Ilmiah fi c Penelitian (NWO)
dalam
rangka
Forensik
Genomics
Consortium
Belanda
(FGCN)
(http:
cgenomics.nl //www.forensi-) dan Belanda Konsorsium Penuaan Sehat (NCHA), serta
dengan dana sebelumnya dari Forensik Belanda Institute (NFI).