Mil personas se presentan a una entrevista, pero solo contratan a doscientas. Algo parecido pasa con la estimación de la edad a partir del ADN: antes se pensaba que había que revisar mil regiones donde una marca química cambia la actividad de un gen. Ahora resulta que basta con una quinta parte, y la respuesta apenas cambia.
Los científicos tomaron sangre de 656 personas y midieron la metilación en 1000 loci CpG, los que están más fuertemente asociados con la edad. Un locus CpG es una región del ADN donde una citosina va justo antes de una guanina. Después pusieron en marcha un programa que elige por sí solo qué regiones conservar y, al mismo tiempo, ajusta el algoritmo de predicción. El programa se quedó con 212 regiones de media, y el error de predicción de la edad creció solo 20 días. Para comparar: incluso al repetir las mediciones sobre los mismos datos, el error salta 0.3 años, cinco veces más.
Por eso se pueden hacer pruebas de edad biológica más baratas, revisando menos puntos. Pero si alguna región parece importante para la biología, hay que comprobarlo por separado, porque la estadística no garantiza que sea precisamente esa la que influye en el envejecimiento.
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.