Mille personnes se présentent à un entretien, mais seules deux cents sont embauchées. C'est un peu la même chose avec l'estimation de l'âge à partir de l'ADN : on pensait autrefois qu'il fallait examiner mille sites où une marque chimique modifie l'activité d'un gène. On découvre aujourd'hui qu'un cinquième suffit, et que la réponse ne change presque pas.
Les scientifiques ont prélevé le sang de 656 personnes et mesuré la méthylation sur 1000 locus CpG, ceux qui sont le plus fortement liés à l'âge. Un locus CpG est un segment d'ADN où la cytosine précède la guanine. Ils ont ensuite lancé un programme qui choisit lui-même les sites à conserver et, en parallèle, ajuste l'algorithme de prédiction. Le programme a retenu en moyenne 212 sites, et l'erreur de prédiction de l'âge n'a augmenté que de 20 jours. À titre de comparaison, même en répétant les mesures sur les mêmes données, l'erreur bondit de 0.3 an, soit cinq fois plus.
On peut donc proposer des tests d'âge biologique moins chers, en examinant moins de points. Mais si un site donné semble important pour la biologie, il faut le vérifier séparément, car la statistique ne garantit pas que c'est bien lui qui agit sur le vieillissement.
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.