Les horloges du vieillissement sont devenues un outil de routine : à partir de la méthylation de l'ADN, du transcriptome ou d'images cérébrales, on calcule un âge biologique que l'on compare à l'âge chronologique. Un écart vers le haut est interprété comme un vieillissement accéléré et associé à des maladies, tandis qu'un écart vers le bas est vu comme une résistance. Cependant, les modèles d'apprentissage automatique classiques (forêt aléatoire, gradient boosting, réseaux de neurones) compriment systématiquement les prédictions vers la moyenne : chez les personnes âgées, l'âge est sous-estimé, chez les jeunes, il est surestimé. Ce biais est hérité par les horloges du vieillissement, car le véritable âge biologique n'est pas observable et les modèles sont entraînés sur l'âge chronologique comme variable substitutive. Il en résulte que les associations entre vieillissement accéléré et santé peuvent être faussées, au point de changer de signe, ce qui remet en question les conclusions de nombreuses études. Ce travail se situe à part : dans les archives voisines, on trouve des travaux sur le vieillissement cellulaire, des batteries et du cerveau, mais personne n'avait traité le problème du biais des prédictions spécifiquement pour les horloges du vieillissement.
Les auteurs formalisent d'abord le biais systématique des prédictions dans une régression générale par apprentissage automatique : si la régression de la prédiction sur la valeur réelle donne une pente inférieure à un, le biais est linéaire et proportionnel à 1 − η. Ils transposent ensuite cela aux horloges du vieillissement, où le véritable âge biologique est caché et où l'âge chronologique sert de substitut, et démontrent un théorème de convergence de l'estimation du biais à partir du substitut. Pour éliminer le biais, ils proposent une méthode de régression non biaisée (UMLR) : deux contraintes sur les prédictions moyennes dans deux sous-groupes disjoints, séparés selon la variable d'intérêt (par exemple selon la médiane de l'âge), sont ajoutées à la fonction objectif. Ces contraintes agissent comme deux points d'appui qui fixent la droite de prédiction sur la diagonale « prédit = réel », assurant une pente de 1. La méthode est testée en simulation et sur deux jeux de données réels : l'âge cérébral à partir de l'anisotropie fractionnaire de la substance blanche issue de la UK Biobank (apprentissage) et du Human Connectome Project in Aging (test), ainsi que des horloges épigénétiques à partir de sites CpG de la Framingham Heart Study, avec un apprentissage sur les données du Minnesota et un test sur celles de Johns Hopkins.
En simulation, les modèles classiques (forêt aléatoire, XGBoost, réseaux de neurones, LASSO) présentent un biais systématique : la pente de la régression de la prédiction sur la valeur réelle est inférieure à un, le biais étant maximal aux extrémités de la plage d'âge. L'UMLR élimine ce biais en donnant une pente proche de un, même si l'erreur quadratique moyenne peut être plus élevée et le R² plus faible que pour les modèles biaisés. Dans le cas de l'âge cérébral, sur l'échantillon test HCP, les modèles biaisés donnent une relation positive entre l'écart d'âge biologique et le score cognitif (t= −2.62, p=0.066), c'est-à-dire qu'un vieillissement accéléré est associé à une meilleure fonction cognitive, ce qui va à l'encontre des attentes. L'UMLR change le signe : la relation devient négative (t=4.38, p=1.58×10⁻⁵), c'est-à-dire qu'un vieillissement accéléré est associé à une moins bonne fonction cognitive, comme on pouvait s'y attendre. Dans le cas des horloges épigénétiques, la relation entre l'écart et la créatinine sérique (marqueur de la fonction rénale) change également de signe : les modèles biaisés donnent une association négative (t= −3.68, p=2.94×10⁻⁴), tandis que l'UMLR donne une association positive, bien que non significative (t=0.79, p=0.43). Le biais du paramètre η pour les modèles classiques dans les données de test était d'environ 0.5–0.7, alors que pour l'UMLR il était proche de 1.0.
Ce travail montre que les conclusions sur le lien entre vieillissement accéléré et maladies ou facteurs de risque peuvent être un artefact du biais des prédictions plutôt qu'un signal biologique. Contrairement aux travaux voisins, qui construisent des horloges ou cherchent des associations sans contrôler le biais, il donne pour la première fois une définition formelle du biais pour les horloges du vieillissement, démontre sa transposition à l'âge biologique non observable et propose une méthode de correction dès l'étape d'apprentissage. Cela change la norme d'analyse : au lieu d'une calibration a posteriori, qui rend les prédictions trop dépendantes de l'âge chronologique, l'UMLR intègre l'absence de biais directement dans le modèle. Pour l'épidémiologie du vieillissement, cela signifie que de nombreuses associations publiées pourraient être révisées et que les études futures devront utiliser des méthodes non biaisées.
La méthode UMLR pourrait être étendue à d'autres types d'horloges du vieillissement (transcriptomiques, protéomiques, multiomiques) et aux modèles d'apprentissage profond, où le biais est également présent. Une adaptation des contraintes est envisageable pour des schémas de biais non linéaires et pour des variables censurées, par exemple dans les études longitudinales. Une autre direction consistera à développer des tests diagnostiques pour vérifier le biais dans les horloges déjà publiées et à recalculer les associations dans de grandes biobanques à l'aide de l'UMLR. Il serait également intéressant d'étudier comment le biais influence les estimations causales (par exemple en randomisation mendélienne) et les décisions cliniques fondées sur l'âge biologique.
Les résultats auront un impact sur l'épidémiologie du vieillissement, la gérontologie, la neuroimagerie et l'épigénétique, où les horloges du vieillissement servent de biomarqueurs. Ils sont aussi importants pour les essais cliniques, où l'âge biologique sert de critère de jugement substitutif, et pour la médecine personnalisée, qui évalue le rythme de vieillissement individuel.
Les prochaines étapes comprennent l'application de l'UMLR aux grandes cohortes existantes (UK Biobank, Framingham, HCP) pour recalculer les associations connues, ainsi que la publication d'un package logiciel avec une interface conviviale. Il est également nécessaire de valider la méthode sur des jeux de données externes présentant différentes distributions d'âge et de la comparer à d'autres approches de correction du biais.
Dans le domaine du vieillissement, la question de ce que mesurent réellement les horloges reste ouverte : l'âge biologique ou des artefacts d'apprentissage. Ce travail relie ce problème à la question statistique fondamentale de l'inférence à partir de résultats prédits, en montrant que sans contrôle du biais, il est impossible de distinguer une véritable accélération du vieillissement d'une régression vers la moyenne. Cela fait écho à un débat ancien sur la validité des biomarqueurs du vieillissement et sur la nécessité d'un étalon de référence pour l'âge biologique.
Dans le cas de l'âge cérébral, les modèles biaisés affirmaient que les personnes ayant une meilleure fonction cognitive voyaient leur cerveau vieillir plus vite, alors que les modèles non biaisés disaient l'inverse. Un même jeu de données conduisait à des recommandations médicales opposées selon que l'on corrigeait ou non le biais.
Dans la série « Altered Carbon », l'âge biologique peut être séparé de l'âge chronologique grâce à la technologie, mais même là, l'estimation de l'âge du cortex cérébral souffre d'erreurs systématiques si l'algorithme n'est pas calibré. Ce travail rappelle qu'avant de faire confiance aux « horloges du vieillissement », il faut s'assurer qu'elles ne mentent pas aux extrémités de la plage.
Non publié sur arXiv. Voici sa page, le PDF et la formalisation : vous pouvez vérifier vous-même, pas seulement lire notre analyse.