1.大鼠死亡时间推断模型的建立方法，其特征在于，包括以下步骤：

㈠收集死亡后不同时间点收集的大鼠骨骼肌样本，提取的小分子化合物，通过UPLC‑MS技术进行代谢组学检测；对色谱峰识别、峰对齐，获得化合物名称、保留时间、精确质荷比和峰面积，峰面积归一化，获得随死亡时间变化的化合物数据集；

在步骤㈠中，大鼠骨骼肌样本的处理方法为：脏器组织于冰上解冻后，称取200mg±5mg置于800微升的冷乙腈溶液中，利用氧化锆珠进行组织匀浆，放置10分钟后4℃下13000转离心30分钟，取上清液400微升，冻干；冻干物中加入200微升80%v/v乙腈‑水后，涡旋振荡1分钟，4℃下13000转离心30分钟，滤过膜过滤后得到的小分子化合物待UPLC‑MS检测；

所述UPLC‑MS技术的条件为：

色谱条件：采用ACQUITY UPLCTM HSS T3 2.1mm×100mm色谱柱；色谱柱柱温45℃，流动相组成：A液为0.1%甲酸水，B液为0.1%甲酸乙腈；流速为0.3mL/min；每针进样量为5微升；样品室温度10℃，进行梯度洗脱；

所述梯度洗脱程序如下，其中流动相的比例均为体积百分比，

0‑5min，流动相A液为98%，流动相B液为2%；

5‑10min，流动相A液为98%→50%，流动相B液为2%→50%；

10‑20min，流动相A液为50%→15%，流动相B液为50%→85%；

20‑25min，流动相A液为15%→2%，流动相B液为85%→98%；

25‑30min，流动相A液为2%，流动相B液98%；

30‑35min，流动相A液为2%→98%，流动相B液为98%→2%；

质谱条件：采用HESI离子化方式；喷雾电压：正极，3.0kV；负极，2.7kV；毛细管温度320℃；加热器温度300℃；鞘气流速：30abr，辅助气流速：15abr；扫描模式为Full Scan/dd‑MS2，采集范围为80‑1200m/z，正负离子切换采集模式：分辨率采用MS Full Scan 

35000FWHM，MS/MS 17500FWHM，NCE为12.5eV，25eV和37.5eV；

㈡依据化合物在不同死亡时间样本中含量不同，通过主成分 分析获得大鼠死亡时间分段信息，根据正交偏最小二乘判别针对每一个死亡时间段筛选差异化合物以变量权重重要性排序和t检验中P<0.05为原则，筛选用于死亡时间推断数学模型的潜在差异化合物集合，并根据和数据库中二级质谱图比对，共确定了25种内源性化合物作为差异小分子化合物集合；

所述差异小分子化合物集合为以下差异化合物，DL‑色氨酸、缬氨酸、异戊胺、5‑氨基戊酸、油酸酰胺、苯乙胺、N‑乙酰‑L‑苯基丙氨酸、甲硫氨酸、吲哚‑3‑乳酸、(±)12,13‑DiHOME、胸腺嘧啶、L‑苯丙氨酸、DL‑苹果酸、还原型L‑谷胱甘肽、N‑乙酰‑DL‑色氨酸、DL‑高丝氨酸、泛酸、尿苷、2‑巯基苯并噻唑、L‑酪氨酸、L‑丝氨酸、邻羟基肉桂酸、脯氨酸、甲氨酰胺、8‑羟基‑(5Z,9E,11Z,14Z)‑二十碳四烯酸；

㈢打开Clementine 12.0，分步建立三级串联预测模型：

（1）建立一级预测模型A

第一步：选择源选项里的Excel选项，将用于预测0天、1‑3天、5‑7天、9‑15天和18‑30天死亡时间段的19个差异小分子化合物含量导入，19个差异小分子化合物为DL‑色氨酸、异戊胺、油酸酰胺、邻羟基肉桂酸、N‑乙酰‑L‑苯基丙氨酸、脯氨酸、甲硫氨酸、吲哚‑3‑乳酸、(±)

12,13‑DiHOME、 L‑苯丙氨酸、DL‑苹果酸、还原型L‑谷胱甘肽、N‑乙酰‑DL‑色氨酸、泛酸、尿苷、2‑巯基苯并噻唑、8‑羟基‑(5Z,9E,11Z,14Z)‑二十碳四烯酸、L‑酪氨酸、L‑丝氨酸；

第二步：选择字段选项里的类型选项，判别变量为19个差异小分子化合物，死亡时间分组变量包括a:0天，b:1‑3天，c:5‑7天，d:9‑15天，e:18‑30天，死亡时间分组为输出变量，依次读入数据；

第三步：选择记录选项里的样本选项，将原始数据随机抽样大部分用作训练集，少部分用作内部验证集；

第四步：选择建模选项里的神经网络选项，然后运行，训练神经网络一级预测模型A的超参数，得到最优预测模型以及内部验证评价模型；

（2）建立二级预测模型

①建立二级预测模型B

第一步：选择源选项里的Excel选项，将用于鉴别1天、2天、3天死亡时间点的14个差异小分子化合物含量导入，14个差异小分子化合物为DL‑色氨酸、5‑氨基戊酸、异戊胺、油酸酰胺、N‑乙酰‑L‑苯基丙氨酸、脯氨酸、甲硫氨酸、吲哚‑3‑乳酸、DL‑苹果酸、还原型L‑谷胱甘肽、N‑乙酰‑DL‑色氨酸、缬氨酸、尿苷、L‑酪氨酸；

第二步：选择字段选项里的类型选项，死亡时间分组变量包括1天、2天和3天；判别变量为上述14个差异小分子化合物；死亡时间分组设置为输出变量，读入数据；

第三步：选择记录选项里的样本选项，将原始数据随机抽样大部分用作训练集，少部分用作内部验证集；

第四步：选择建模选项里的神经网络选项，然后运行，训练神经网络二级预测模型B的超参数，得到最优预测模型以及内部验证评价模型；

②建立二级预测模型C的步骤为：

第一步：选择源选项里的Excel选项，将用于鉴别5天、7天死亡时间点的15个差异小分子化合物含量导入，15个差异小分子化合物为DL‑色氨酸、5‑氨基戊酸、油酸酰胺、邻羟基肉桂酸、N‑乙酰‑L‑苯基丙氨酸、脯氨酸、甲硫氨酸、吲哚‑3‑乳酸、L‑苯基丙氨酸、DL‑苹果酸、还原型L‑谷胱甘肽、N‑乙酰‑DL‑色氨酸、2‑巯基苯并噻唑、L‑丝氨酸、L‑酪氨酸；

第二步：选择字段选项里的类型选项，死亡时间分组变量包括5天和7天，判别变量为上述15个差异小分子化合物，死亡时间分组设置为输出变量，读入数据；

第三步：选择记录选项里的样本选项，将原始数据随机抽样大部分用作训练集，少部分用作内部验证集；

第四步：选择建模选项里的神经网络选项，然后运行，训练神经网络二级预测模型C的超参数，得到最优预测模型以及内部验证评价模型；

③建立二级预测模型D

第一步：选择源选项里的Excel选项，将用于鉴别的9天、12天和15天的21个差异小分子化合物含量导入，21个差异小分子化合物为DL‑色氨酸、异戊胺、5‑氨基戊酸、油酸酰胺、苯乙胺、邻羟基肉桂酸、N‑乙酰‑L‑苯基丙氨酸、脯氨酸、甲硫氨酸、吲哚‑3‑乳酸、(±)12,13‑DiHOME、胸腺嘧啶、L‑苯基丙氨酸、DL‑苹果酸、还原型L‑谷胱甘肽、N‑乙酰‑DL‑色氨酸、甲氨酰胺、2‑巯基苯并噻唑、8‑羟基‑(5Z,9E,11Z,14Z)‑二十碳四烯酸、L‑丝氨酸、L‑酪氨酸；

第二步：选择字段选项里的类型选项，死亡时间分组变量包括9天、12天和15天，判别变量为上述21个差异小分子化合物，死亡时间分组设置为输出变量，读入数据；

第三步：选择记录选项里的样本选项，将原始数据随机抽样大部分用作训练集，少部分用作内部验证集；

第四步：选择建模选项里的神经网络选项，然后运行，训练神经网络二级预测模型D的超参数，得到最优预测模型以及内部验证评价模型；

④建立二级预测模型E

第一步：选择源选项里的Excel选项，将用于鉴别的18‑24天和27‑30天的15个差异小分子化合物含量导入，15个差异小分子化合物为DL‑色氨酸、异戊胺、5‑氨基戊酸、N‑乙酰‑L‑苯基丙氨酸、甲硫氨酸、吲哚‑3‑乳酸、(±)12,13‑DiHOME、DL‑苹果酸、还原型L‑谷胱甘肽、N‑乙酰‑DL‑色氨酸、缬氨酸、DL‑高丝氨酸、尿苷、2‑巯基苯并噻唑、L‑丝氨酸；

第二步：选择字段选项里的类型选项，死亡时间分组变量18‑24天和27‑30天，判别变量为上述15个差异小分子化合物，死亡时间分组设置为输出变量，读入数据；

第三步：选择记录选项里的样本选项，将原始数据随机抽样大部分用作训练集，少部分用作内部验证集；

第四步：选择建模选项里的神经网络选项，然后运行，训练神经网络二级预测模型E的超参数，得到最优预测模型以及内部验证评价模型；

（3）建立第三级预测模型

①建立三级预测模型F：

第一步：选择源选项里的Excel选项，将用于鉴别18天、21天、24天死亡时间点的21个差异小分子化合物含量导入，21个差异小分子化合物为DL‑色氨酸、缬氨酸、异戊胺、5‑氨基戊酸、油酸酰胺、N‑乙酰‑L‑苯基丙氨酸、甲硫氨酸、吲哚‑3‑乳酸、(±)12,13‑DiHOME、胸腺嘧啶、L‑苯丙氨酸、DL‑苹果酸、还原型L‑谷胱甘肽、N‑乙酰‑DL‑色氨酸、DL‑高丝氨酸、尿苷、2‑巯基苯并噻唑、L‑丝氨酸、邻羟基肉桂酸、脯氨酸、甲氨酰胺；

第二步：选择字段选项里的类型选项，死亡时间分组变量包括18天、21天和24天；判别变量为上述21个差异小分子化合物；死亡时间分组设置为输出变量，读入数据；

第三步：选择记录选项里的样本选项，将原始数据随机抽样大部分用作训练集，少部分用作内部验证集；

第四步：选择建模选项里的神经网络选项，然后运行，训练神经网络三级预测模型F的超参数，得到最优预测模型以及内部验证评价模型；

②建立三级预测模型G：

第一步：选择源选项里的Excel选项，将用于鉴别27天、30天死亡时间点的16个差异小分子化合物含量导入，16个差异小分子化合物为DL‑色氨酸、异戊胺、N‑乙酰‑L‑苯基丙氨酸、甲硫氨酸、吲哚‑3‑乳酸、(±)12,13‑DiHOME、胸腺嘧啶、L‑苯丙氨酸、DL‑苹果酸、还原型L‑谷胱甘肽、N‑乙酰‑DL‑色氨酸、缬氨酸、DL‑高丝氨酸、尿苷、2‑巯基苯并噻唑、L‑丝氨酸；

第二步：选择字段选项里的类型选项，死亡时间分组变量包括27天和30天；判别变量为上述16个差异小分子化合物；死亡时间分组设置为输出变量，读入数据；

第三步：选择记录选项里的样本选项，将原始数据随机抽样大部分用作训练集，少部分用作内部验证集；

第四步：选择建模选项里的神经网络选项，然后运行，训练神经网络三级预测模型G的超参数，得到最优预测模型以及内部验证评价模型；

完成三级串联预测模型的建立。

2.根据权利要求1所述的大鼠死亡时间推断模型的建立方法，其特征在于，所述数据库为Mzcloud数据库。

3.根据权利要求1所述的大鼠死亡时间推断模型的建立方法，其特征在于，在步骤㈠中，在收集完所有死亡后不同时间点小分子化合物后混合制成质控样本；在样本通过UPLC‑MS技术分析过程中，每10个实验样本后，将空白样本和质控样本各进样一次。

4.根据权利要求1所述的大鼠死亡时间推断模型的建立方法，其特征在于，所有通过UPLC‑MS技术分析的组织样本随机排序进样。

5.根据权利要求1所述的大鼠死亡时间推断模型的建立方法，其特征在于，在步骤㈠中，对色谱峰识别、峰对齐是将在Compound Discoverer 2.0软件内完成的。

6.一种基于UPLC‑MS技术推断大鼠死亡时间的方法，其特征在于，是在如权利要求1至5任一权利要求所述的三级串联预测模型内完成的，该方法包括以下步骤：(Ⅰ)收集死亡后大鼠骨骼肌样本，提取的小分子化合物，通过UPLC‑MS技术进行代谢组学检测；对色谱峰识别、峰对齐，获得化合物名称、保留时间、精确质荷比和峰面积，峰面积归一化，获得差异小分子化合物集合；

(Ⅱ)将差异小分子化合物的含量导入三级串联预测模型中，进行逐级预测，得到一级预测结果后，导入相应的二级预测模型中，然后导入对应的三级模型中，最后得出预测的死亡时间。