Los relojes epigenéticos del envejecimiento se construyen sobre cientos de miles de loci CpG, pero solo una pequeña parte de ellos contiene información sobre la edad. Los microarrays de genoma completo son caros y redundantes para un cribado rutinario. Junto a este trabajo se sitúan los estudios de filtrado de señales y selección de características, donde también se buscan representaciones compactas. Este artículo queda un poco aparte: sus vecinos más cercanos se ocupan de detectores neuronales de resistencia a los antibióticos, mapas de envejecimiento celular y predictores genéticos del cáncer de mama. El grupo temático general está relacionado con la transformada de Fourier y el procesamiento de señales, pero no hay cruces directos en cuanto a métodos. El trabajo responde a una pregunta práctica: ¿se puede conservar la precisión del reloj dejando solo una pequeña fracción de las marcas?
Se utilizó el conjunto público GSE40279: metilación del ADN en sangre completa de 656 personas de distintas edades, medida con el chip Illumina 450K. Para la selección inicial se tomaron 1000 CpG con la mayor correlación en valor absoluto con la edad. Después, los datos se dividieron al azar 30 veces en muestras de entrenamiento (80%) y de prueba (20%) con distintas semillas del generador. Cada candidato de MOSurvivor codificaba pesos para los 1000 CpG, un umbral de selección y ocho hiperparámetros de XGBoost (profundidad de los árboles, tasa de aprendizaje, número de árboles, proporciones de filas y columnas, peso mínimo de la hoja, gamma, regularización L2). Un CpG se activaba si su peso superaba el umbral; el operador de reparación mantenía el número de loci seleccionados en el rango de 50 a 300. La optimización seguía el principio de «solo sobrevive el más fuerte»: la población se dividía en dos grupos, los enfrentamientos por parejas determinaban a los ganadores, y la actualización de los candidatos tenía en cuenta al mejor de la pareja, al mejor del grupo, al líder global y a los líderes del archivo de Pareto. La solución final se elegía por la suma del error absoluto medio en la validación cruzada y una penalización por el tamaño del subconjunto (0.10 × la proporción de CpG seleccionados). Para comparar se usaron el modelo completo con los 1000 CpG, la búsqueda aleatoria, un algoritmo genético y el método de enjambre de partículas.
El modelo completo XGBoost con los 1000 CpG mostró el menor error absoluto medio (MAE) con 4.095 años. En MOSurvivor el MAE fue de 4.149 años, en PSO de 4.124, en el algoritmo genético de 4.170 y en la búsqueda aleatoria de 4.197. Al mismo tiempo, MOSurvivor seleccionó en promedio 211.6 CpG frente a 293.4 de PSO, 269.6 del GA y 278.7 de la búsqueda aleatoria. Respecto a los 1000 CpG, esto supone una reducción de la dimensionalidad del 78.8% a cambio de un aumento del error de 0.054 años (aproximadamente 19.8 días). Las pruebas pareadas de Wilcoxon con corrección de Holm no revelaron diferencias estadísticamente significativas con ninguno de los rivales (todos los p > 0.05). MOSurvivor fue más preciso que el modelo completo solo en 10 de las 30 particiones. La estabilidad de la selección resultó baja: el índice de Jaccard medio entre pares de los 30 subconjuntos fue de 0.124 ± 0.030. Nueve CpG aparecieron en al menos 15 ejecuciones, pero ninguno lo hizo en las 30. El locus más frecuente, cg16867657, apareció en 29 ejecuciones, seguido de cg04400972 (24) y cg14361627 (20).
El trabajo muestra que la optimización conjunta de la selección de características y los hiperparámetros permite comprimir los relojes epigenéticos cinco veces sin una pérdida de precisión estadísticamente significativa. A diferencia de los estudios vecinos, donde el acento se pone en la precisión absoluta o en la interpretación biológica, aquí se resuelve una tarea computacional de búsqueda del conjunto mínimo de marcas. Es otra escala: no el descubrimiento de nuevos biomarcadores, sino un ahorro ingenieril de recursos. La baja reproducibilidad de la selección entre ejecuciones indica una alta redundancia de los CpG: distintos conjuntos dan un pronóstico casi idéntico. En la práctica, esto significa que se pueden diseñar paneles dirigidos más baratos, pero la relevancia biológica de cada locus concreto debe comprobarse por separado.
Es prometedor integrar la selección de CpG en el ciclo externo de validación cruzada, para evitar la fuga de información de los datos de prueba. También se puede añadir la anotación biológica de los loci seleccionados y comprobar su enriquecimiento en genes y regiones reguladoras. La comparación con los relojes publicados de Horvath y Hannum en las mismas muestras mostrará hasta qué punto el modelo compacto queda por debajo o a la par de los clásicos. Es posible ampliarlo a otros tejidos y cohortes, así como adaptar el método a otros tipos de datos ómicos en los que hay muchas características y pocas muestras.
Los resultados serán útiles para quienes desarrollan pruebas epigenéticas de envejecimiento: los paneles más pequeños son más baratos de producir y más fáciles de interpretar. El método de optimización conjunta puede trasladarse a otras tareas de alta dimensionalidad, por ejemplo, a la selección de marcadores transcriptómicos o proteómicos.
Repetir el análisis con una selección correcta de CpG dentro de cada partición de entrenamiento y llevar a cabo una validación externa en una cohorte independiente. Igualar los presupuestos de cómputo de todos los optimizadores e informar del tiempo de ejecución, para poder juzgar la eficiencia.
El principal problema sin resolver de la epigenética del envejecimiento es la interpretabilidad biológica de los relojes. La baja reproducibilidad de la selección de CpG en este trabajo subraya que los conjuntos estadísticamente óptimos pueden no coincidir con los loci causalmente relevantes. La relación entre la metilación de CpG concretos y los mecanismos del envejecimiento sigue siendo una pregunta abierta, y este artículo no acerca a su solución, sino que solo muestra que la predicción puede obtenerse por múltiples caminos equivalentes.
La diferencia de error entre el modelo completo y MOSurvivor fue de 0.054 años, es decir, unos 19.8 días. Para comparar, la desviación estándar del error entre distintas particiones de los datos fue de unos 0.3 años, esto es, cinco veces mayor. Así, ahorrarse 788 CpG cuesta menos que la dispersión natural que provoca la elección de la muestra de entrenamiento.
No publicado en arXiv. Aquí están su página, el PDF y la formalización: puede comprobarlo usted mismo, no solo leer nuestro análisis.