Post on 27-Dec-2021
LRmixStudio Lourdes Prieto
Instituto de Ciencias Forenses. Universidad
de Santiago de Compostela
1
LRmixStudio
• Dónde encontrarlo: http://lrmixstudio.org/
2
LRmixStudio
• Características de LRmixStudio v2.0 community
edition
• Pasos a seguir
▫ Incorporación de perfiles
▫ Resumen y comparación de los perfiles
▫ Análisis
▫ Sensitivity analysis
▫ Performance test (non-contributor test)
▫ Informe
3
Características
• Desarrollado por Hinda Haned
• Software gratuito y open source (java)
• Permite evaluar la evidencia en relación a múltiples escenarios (“what if” scenarios)
• Se adapta a las nuevas recomendaciones ISFG (2012)
• LRmixStudio se utiliza para estimar probabilidades de drop-out (mediante un modelo) y para calcular LRs (con o sin drop-out y drop-in)
• Información útil: manual
4
Características
• Ventajas Posibilidad de evaluar rápidamente varios
escenarios (diferentes pares de hipótesis)
Posibilidad de estimar LRs en mezclas formadas por
individuos emparentados
Posibilidad de evaluar replicados de la evidencia
Permite estimar la PrD a partir de la calidad el
perfil de ADN de la evidencia
No es necesario estimarla en el laboratorio
5
Características
• Limitaciones: ▫ Perfiles de referencia con datos faltantes
▫ No sirve para análisis restictivo (“deconvolution”) de mezclas (sólo datos en los que no se tienen en cuenta las alturas de los alelos)
6
Pasos a seguir
• Importar el perfil de la evidencia
• Importar perfiles de las muestras de referencia
• Resumen y comparación de los perfiles
• Análisis: establecer hipótesis y parámetros
• Sensitivity analysis (para estima de PrD)
• Performance test (non-contributor test)
• Informe
7
Importar el perfil de la evidencia
• Archivos con formato:
▫ csv, txt, xls
▫ Genemapper IDX (con o sin alturas)
• Nombre de los marcadores: deben coincidir
entre archivos, menos sensible que LRmix
8
Importar el perfil de la evidencia
Restaura una sesión anterior
(se guarda automáticamente
un archivo con los análisis
hechos en la carpeta del
caso)
Importar desde carpeta
Establecido en el
archivo o
manualmente
9
Importar el perfil de la evidencia
Nombre de la muestra
Ya podemos incluir las
muestras de
referencia
10
Importar el perfil de la evidencia
Si hay más de una réplica
se puede seleccionar con
cuales seguir el análisis
11
Importar los perfiles de las muestras
de referencia
Importar desde carpeta
(puede ser más de un
archivo a la vez)
Se pueden introducir
manualmente
12
Importar los perfiles de las muestras
de referencia
Ya se desbloquean las
pestañas que permiten
realizar los análisis.
13
Importar los perfiles de las muestras
de referencia
Introducción manual de los
perfiles de las muestras de
referencia
Lo guarda en la carpeta del
caso
14
Resumen y comparación de los perfiles
• Es muy útil porque facilita la inspección visual
de los perfiles de la evidencia y las muestras de
referencia.
• Hay varios filtros con diferentes objetivos.
• Se pueden imprimir los resultados de cada uno
de ellos.
16
Resumen y comparación de los perfiles
Alelos presentes en las
réplicas de la evidencia pero
no en las muestras de
referencia
• Identificación de posibles
eventos de drop-in
• Alelos de donantes
desconocidos
Indica nº de alelos diferentes
(teniendo en cuenta todos los
perfiles)
17
Resumen y comparación de los perfiles
Alelos presentes en las
réplicas de la evidencia pero
no en las muestras de
referencia
• Identificación de posibles
eventos de drop-in
• Alelos de donantes
desconocidos
18
Resumen y comparación de los perfiles
Alelos presentes en las
muestras de referencia pero
no en la evidencia
Identificación de posibles
eventos de drop-out
No se detecta el alelo 24.2
del sistema SE33
19
Resumen y comparación de los perfiles
Alelos compartidos entre la
evidencia y el sospechoso
Identificación de posibles
eventos de drop-out
20
Resumen y comparación de los perfiles
Alelos compartidos entre la
evidencia y la víctima
Identificación de posibles
eventos de drop-out
21
Resumen y comparación de los perfiles
Alelos compartidos entre las
muestras de referencia
Identificación de alelos
compartidos
22
Análisis
• Hay que establecer Hp y Hd
▫ Nº máximo de desconocidos: 4
• Establecer parámetros
▫ PrD: para cada contribuyente
▫ Probabilidad de drop-in
▫ Fst o corrección Theta
• Frecuencias alélicas
23
Análisis
Establecer la probabilidad de
drop-out individualmente
Hipótesis:
Hp: V+S
Hd: V+U
Importar frecuencias
Drop-in
Corrección Theta
RUN
24
Análisis
Probabilidad de drop-out
individualmente:
- Víctima: PrD=0
- Sospechoso:PrD=0.1
- Desconocido: PrD=0.1
Hipótesis:
Hp: V+S
Hd: V+U
LR
Para guardar los resultados:
“Reports”
25
Sensitivity analysis
26
• Es la herramienta para estimar la PrD de forma
cualitativa. Se basa en:
▫ Nº de alelos observados en la evidencia
▫ Genotipos de los contribuyentes hipotéticos bajo
Hp y Hd
• Con esta herramienta también podemos ver
cómo afecta la PrD al LR
Sensitivity analysis
27
• ¿Cuáles son las probabilidades de drop-out que permitirían observar el mismo número de alelos que vemos en la evidencia?
• No sabemos las PrD, pero podemos evaluar las PrD que generan un perfil similar (en nº de alelos) al que estamos evaluando.
• Construimos distribuciones empíricas del nº de alelos condicionando en PrD, por ejemplo desde 0 a 0.99 (simulaciones Monte-Carlo)
Sensitivity analysis
• Obtenemos una gráfica en la que se representan por separado: ▫ LR
▫ Pr(E|Hp)
▫ Pr(E|Hd)
• Sólo para los perfiles en los que asumimos drop-out
• Se puede delimitar el rango de PrD (máx. 0-1)
• Puede hacerse para para cada locus: contribución relativa
28
Sensitivity analysis
Rango de drop-out a evaluar
Selección de loci a tener en
cuenta
Muestras sobre las que se
estimará el drop-out
RUN
29
Sensitivity analysis
Representa cómo afecta la
PrD a:
- LR
- Pr(E|Hp)
- Pr(E|Hd)
30
Sensitivity analysis
Estimación del rango de PrD
RUN
31
Sensitivity analysis
Rango: 0.01-0.32
32
Este es el rango de PrD más plausible suponiendo estas hipótesis
Sensitivity analysis
Si incluimos a la víctima
Rango: 0.00-0.15
Porque no había drop-out en
el perfil de la víctima
33
Sensitivity analysis
Reanalizamos empleando el
límite del rango estimado
de PrD que genere el menor
LR (PrD= 0.32)
34
Performance test (non-contributor test)
• Análisis adicional (opcional) para ayudar a comprender el LR obtenido
• Consiste en sustituir el perfil de interés por un individuo al azar de nuestra población: • Generado con nuestras frecuencias alélicas • Simulaciones: a más simulaciones mayor tiempo de computación • Simulaciones específicas para cada caso (nº alelos de evidencia,
parámetros)
• Nos informa de cual es el rango de LRs que esperamos si
sustituimos a la persona de interés por un individuo al azar • Ofrece el resultado en Barplots:
▫ Rojo: nuestro LR ▫ Gris: percentiles
35
• ¿Qué hace el programa?:
▫ Paso 1: simula un gran número de personas de la
población a partir de la tabla de frecuencias
▫ Paso 2: sustituye a la persona/s de interés
(víctima / sospechoso) por personas al azar y
evalúa la evidencia con LRs para cada uno de
ellos
36
10.000
perfiles LRs para cada
individuo simulado
Performance test (non-contributor test)
Sustituimos al sospechoso
por un individuo al azar de
nuestra población
Nº de simulaciones
RUN
37
Performance test (non-contributor test)
LR obtenido para el
sospechoso (log(LR))
Percentiles de la
distribución de LRs
obtenidas al sustituir al
sospechoso por un individuo
al azar de nuestra población
38
Performance test (non-contributor test)
1
• Idealmente:
▫ El LR obtenido con la persona de interés es >1
▫ Los LRs obtenidos con la persona al azar son <1
▫ Que exista mucha diferencia entre ambos LRs
• Pero tener en cuenta que:
▫ Pueden aparecer falsos positivos si hacemos un elevado número de simulaciones
▫ Hay mayor riesgo de falsos positivos cuantos más contribuyentes tenga la mezcla
39
Performance test (non-contributor test)
Informes
• Informe: describe análisis realizados
• Se pueden añadir comentarios
• Se puede guardar en formato pdf
• Archivo logfile: generación automática
▫ Reanálisis posterior
40
Informes
41
Informes
42
Informes
43
Informes
44
Informes
45
Informes
46
Informes
47
Es importante recordar que…
• Lo prioritario es maximizar la calidad del perfil de la evidencia en primer lugar
• Las herramientas estadísticas NO sustituyen al análisis en el laboratorio (ni al experto)
• Es conveniente realizar análisis exploratorio (contrastar diferentes pares de hipótesis)
• El LR no nos dice si una hipótesis es cierta o no, sólo nos dice si una hipótesis es más probable que otra
• No todos los perfiles mezcla tienen la suficiente calidad como para ser evaluados
48
49
Perfil no evaluable (Corina Benchop, NFI)