Les horloges épigénétiques du vieillissement reposent sur des centaines de milliers de loci CpG, mais seule une petite partie porte une information liée à l'âge. Les puces pangénomiques sont coûteuses et redondantes pour un dépistage de routine. À côté de ce travail se trouvent des études sur le filtrage de signaux et la sélection de caractéristiques, qui cherchent elles aussi des représentations compactes. Cet article reste un peu à l'écart : ses plus proches voisins s'occupent de détecteurs neuronaux de résistance aux antibiotiques, de cartes du vieillissement cellulaire et de prédicteurs géniques du cancer du sein. Le groupe thématique général est lié à la transformée de Fourier et au traitement du signal, mais il n'y a pas de recoupement direct sur les méthodes. Le travail répond à une question pratique : peut-on conserver la précision de l'horloge en ne gardant qu'une faible proportion des marques ?
Le jeu de données public GSE40279 a été utilisé : méthylation de l'ADN dans le sang total de 656 personnes d'âges variés, mesurée avec la puce Illumina 450K. Pour la sélection initiale, 1000 CpG présentant la plus forte corrélation en valeur absolue avec l'âge ont été retenus. Ensuite, les données ont été divisées au hasard 30 fois en échantillons d'entraînement (80%) et de test (20%), avec différentes graines de générateur. Chaque candidat de MOSurvivor codait les poids pour les 1000 CpG, un seuil de sélection et huit hyperparamètres de XGBoost (profondeur des arbres, taux d'apprentissage, nombre d'arbres, proportions de lignes et de colonnes, poids minimal d'une feuille, gamma, régularisation L2). Un CpG était activé si son poids dépassait le seuil ; un opérateur de réparation maintenait le nombre de loci sélectionnés dans la plage 50–300. L'optimisation suivait le principe « que le meilleur survive » : la population était divisée en deux groupes, des duels par paires désignaient les gagnants, et la mise à jour des candidats tenait compte du meilleur de chaque paire, du meilleur de chaque groupe, du leader global et des leaders de l'archive de Pareto. La solution finale était choisie selon la somme de l'erreur absolue moyenne en validation croisée et d'une pénalité de taille du sous-ensemble (0.10 × proportion de CpG sélectionnés). Pour la comparaison, on a utilisé le modèle complet sur les 1000 CpG, une recherche aléatoire, un algorithme génétique et une méthode par essaim particulaire.
Le modèle XGBoost complet sur les 1000 CpG a affiché l'erreur absolue moyenne (MAE) la plus faible, soit 4.095 ans. Pour MOSurvivor, la MAE a été de 4.149 ans, pour PSO de 4.124, pour l'algorithme génétique de 4.170 et pour la recherche aléatoire de 4.197. Par ailleurs, MOSurvivor a sélectionné en moyenne 211.6 CpG, contre 293.4 pour PSO, 269.6 pour GA et 278.7 pour la recherche aléatoire. Par rapport aux 1000 CpG, cela représente une réduction de dimension de 78.8%, au prix d'une augmentation de l'erreur de 0.054 an (environ 19.8 jours). Les tests de Wilcoxon appariés avec correction de Holm n'ont révélé aucune différence statistiquement significative avec aucun des concurrents (tous les p > 0.05). MOSurvivor n'a été plus précis que le modèle complet que sur 10 des 30 découpages. La stabilité de la sélection s'est avérée faible : l'indice de Jaccard moyen entre les paires des 30 sous-ensembles a été de 0.124 ± 0.030. Neuf CpG apparaissaient dans au moins 15 exécutions, mais aucun n'était présent dans les 30. Le locus le plus fréquent, cg16867657, est apparu dans 29 exécutions, suivi de cg04400972 (24) et de cg14361627 (20).
Ce travail montre que l'optimisation conjointe de la sélection de caractéristiques et des hyperparamètres permet de compresser les horloges épigénétiques d'un facteur cinq sans perte de précision statistiquement significative. Contrairement aux études voisines, qui mettent l'accent sur la précision absolue ou l'interprétation biologique, on résout ici un problème informatique de recherche d'un ensemble minimal de marques. C'est une autre échelle : non pas la découverte de nouveaux biomarqueurs, mais une économie de ressources d'ingénierie. La faible reproductibilité de la sélection entre les exécutions indique une forte redondance des CpG : différents ensembles donnent une prédiction presque identique. En pratique, cela signifie que l'on peut concevoir des panels ciblés moins coûteux, mais que la signification biologique des loci individuels doit être vérifiée séparément.
Il serait prometteur d'intégrer la sélection des CpG dans la boucle externe de validation croisée, afin d'éviter toute fuite d'information depuis les données de test. On pourrait aussi ajouter une annotation biologique des loci sélectionnés et vérifier leur enrichissement dans les gènes et les régions régulatrices. Une comparaison avec les horloges publiées de Horvath et Hannum sur les mêmes échantillons montrerait dans quelle mesure le modèle compact est inférieur ou non aux modèles classiques. Une extension à d'autres tissus et cohortes est envisageable, ainsi qu'une adaptation de la méthode à d'autres types de données omiques où les caractéristiques sont nombreuses et les échantillons rares.
Les résultats seront utiles aux développeurs de tests épigénétiques du vieillissement : des panels plus petits sont moins chers à produire et plus simples à interpréter. La méthode d'optimisation conjointe peut être transposée à d'autres tâches de grande dimension, par exemple à la sélection de marqueurs transcriptomiques ou protéomiques.
Refaire l'analyse avec une sélection correcte des CpG à l'intérieur de chaque découpage d'entraînement et mener une validation externe sur une cohorte indépendante. Égaliser les budgets de calcul de tous les optimiseurs et indiquer les temps d'exécution, afin de pouvoir juger de l'efficacité.
Le principal problème non résolu de l'épigénétique du vieillissement est l'interprétabilité biologique des horloges. La faible reproductibilité de la sélection des CpG dans ce travail souligne que les ensembles statistiquement optimaux peuvent ne pas coïncider avec les loci causalement significatifs. Le lien entre la méthylation de CpG précis et les mécanismes du vieillissement reste une question ouverte, et cet article ne rapproche pas de sa résolution : il montre seulement que la prédiction peut être obtenue par de multiples voies équivalentes.
La différence d'erreur entre le modèle complet et MOSurvivor a été de 0.054 an, soit environ 19.8 jours. À titre de comparaison, l'écart-type de l'erreur entre différents découpages des données était d'environ 0.3 an, soit cinq fois plus. Ainsi, économiser 788 CpG coûte moins cher que la dispersion naturelle liée au choix de l'échantillon d'entraînement.
Non publié sur arXiv. Voici sa page, le PDF et la formalisation : vous pouvez vérifier vous-même, pas seulement lire notre analyse.