为保证脸部比对更客观，科学家找来三种算法/模型，共同「拆解」脸部细节，判断相似度。
其中包括了——
（1）自定义深度卷积神经网络Custom-Net，一种来自AI公司Herta，主用于监控领域的CNN模型；
（2）应用在Matlab上，常用于面部分类任务的MatConvNet；
（3）来自微软Azure的Microsoft Oxford Project人脸API，常用于面部分析；
这些模型内置数百万参数，且历经上千主题下的数百万张面部图像训（折）练（磨），能识别姿势、发型、表情、年龄、配饰等诸多特征，对相似图像，模型将给出从0到1的一个相似度区间。
如果机器们三方「会审」一致判断极为相似，那科学家就会将样本作为重点研究对象。最终在32对样本中，有16对被三方认可。
之后是DNA比对环节。
科学家利用一种名为单核苷酸多态性 （SNP） 的基因特征，比对各组长相高度相似人的唾液内DNA样本。
此后，再通过无监督聚类热图检测，让机器判断每对DNA是否属于一个类型（即相似）。
结果显示，在16对「被机器全部认可」样本DNA中，科学家发现，有9对被聚成一类，他们在3700个基因中，共享了超过19200个SNP。同样，在K-means算法中，最终结论也类似。
此外，科学家还研究了相似配对的生物特征及生活方式。他们在体重、身高、是否吸烟、教育水平等方面也在配对组中相互有关联，这说明，共享的遗传变异不仅影响长相，也造成相似的行为和习惯。
研究者形容该结果十分「striking」。研究者还排除了近亲关系的可能，并发现，这些样本比长相不同的双胞胎，基因相似度更高。
更有意思的是，剩下16组未通过三方机器视觉特征认可的样本中，也只有一对样本DNA被聚类在一个集合。
在人种和地域方面，科学家还进行祖先溯源，他们观察到，几乎所有相似配对样本的祖上生活地区都很靠近。
但需要指出，本文主题在其他多组学研究中，却有着不同结论。
比如DNA甲基化模式下，16对高度相似样本只有一对匹配；
再比如从微生物角度看，16对相似样本中，口腔菌群相似的仅一对，且这对样本通过SNP也没被聚类到一起。该领域有研究认为，口腔微生物相似度与皮下脂肪有关，可能导致相似长相（如：脸上肉多）特征的人，有相似的口腔微生物特征。
