Dans une salle d'entretien, mille candidats se présentent, mais seuls deux cents seront embauchés. On pensait autrefois que pour estimer précisément l'âge à partir de l'ADN, il fallait interroger chacun des mille segments où une marque chimique modifie l'activité d'un gène. Aujourd'hui, force est de constater qu'on peut n'en écouter qu'un cinquième, et que la décision finale ne changera presque pas.
Les chercheurs ont prélevé le sang de 656 personnes et mesuré la méthylation sur 1000 loci CpG, ceux qui sont le plus fortement liés à l'âge. Ils ont ensuite construit l'optimiseur MOSurvivor, qui sélectionne en même temps les segments informatifs et règle huit paramètres de l'algorithme XGBoost (une méthode d'apprentissage automatique fondée sur des arbres de décision). Chaque candidat de cet optimiseur codait des poids pour l'ensemble des 1000 segments, un seuil de sélection et les réglages du modèle. Un segment était activé si son poids dépassait le seuil, et un opérateur spécial maintenait le nombre de loci retenus dans une fourchette allant de 50 à 300.
Au final, MOSurvivor a conservé en moyenne 211.6 loci CpG, réduisant la dimensionnalité de 78.8% par rapport au modèle complet. L'erreur absolue moyenne de prédiction de l'âge n'a augmenté que de 0.054 an, soit environ 20 jours. À titre de comparaison, la dispersion naturelle de l'erreur entre différents découpages des données atteint environ 0.3 an, c'est-à-dire cinq fois plus. Les tests statistiques n'ont révélé aucune différence significative avec le modèle complet ni avec d'autres optimiseurs.
Mais voici le plus curieux : si l'on relance la sélection, la liste des 212 segments ne coïncide presque pas avec la précédente. L'indice de Jaccard moyen (une mesure de la similarité entre deux ensembles) entre les paires de sous-ensembles n'était que de 0.124. Autrement dit, les loci CpG sont largement redondants : des ensembles différents donnent une prédiction presque identique. En pratique, cela ouvre la voie à des panels ciblés bon marché, où l'essentiel est d'économiser sur le nombre de sondes, mais la signification biologique de chaque segment devra être vérifiée séparément.
Ainsi, un entretien où l'on retient deux cents candidats sur mille sans interroger les autres donne presque le même résultat. Reste à savoir qui figurera exactement sur cette liste restreinte, et la prochaine fois, elle pourrait être tout autre.
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.