En la sala de entrevistas hay mil candidatos, pero solo se contratará a doscientos. Antes parecía que, para estimar con precisión la edad a partir del ADN, había que entrevistar a cada uno de los mil tramos donde una marca química modifica la actividad de un gen. Ahora se ve que basta con escuchar a una quinta parte, y la decisión final apenas cambia.
Los científicos tomaron sangre de 656 personas y midieron la metilación en 1000 loci CpG, los más fuertemente asociados con la edad. Después construyeron el optimizador MOSurvivor, que selecciona a la vez los tramos informativos y ajusta ocho parámetros del algoritmo XGBoost (un método de aprendizaje automático basado en árboles de decisión). Cada candidato de este optimizador codificaba pesos para los 1000 tramos, el umbral de selección y la configuración del modelo. Un tramo se activaba si su peso superaba el umbral, y un operador especial mantenía el número de loci seleccionados en un rango de 50 a 300.
Como resultado, MOSurvivor dejó en promedio 211.6 loci CpG, reduciendo la dimensionalidad en un 78.8% respecto al modelo completo. El error absoluto medio en la predicción de la edad aumentó solo 0.054 años, es decir, unos 20 días. Para comparar, la dispersión natural del error entre distintas particiones de los datos ronda los 0.3 años, cinco veces más. Las pruebas estadísticas no encontraron diferencias significativas con el modelo completo ni con otros optimizadores.
Pero esto es lo curioso: si se repite la selección desde cero, la lista de 212 tramos apenas coincide con la anterior. El índice de Jaccard medio (una medida de la similitud entre dos conjuntos) entre pares de subconjuntos fue de solo 0.124. Esto significa que los loci CpG son muy redundantes: distintos conjuntos dan un pronóstico casi idéntico. En la práctica, esto abre el camino a paneles dirigidos y baratos, donde lo importante es ahorrar en el número de sondas, aunque la relevancia biológica de cada tramo habrá que comprobarla por separado.
Así, una entrevista en la que de mil candidatos se elige a doscientos sin preguntar a los demás da casi el mismo resultado. La cuestión es solo quién entra exactamente en esa lista corta, y la próxima vez puede ser alguien completamente distinto.
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.