Эпигенетические часы старения строятся на сотнях тысяч CpG-локусов, но лишь малая их часть несёт возрастную информацию. Полногеномные массивы дороги и избыточны для рутинного скрининга. Рядом с этой работой лежат исследования по фильтрации сигналов и отбору признаков, где также ищут компактные представления. Данная статья стоит на отшибе: ближайшие соседи занимаются нейросетевыми детекторами устойчивости к антибиотикам, картами клеточного старения и генными предикторами рака груди. Общая тематическая группа связана с преобразованием Фурье и обработкой сигналов, но прямых пересечений по методам нет. Работа отвечает на практический вопрос: можно ли сохранить точность часов, оставив лишь малую долю меток.
Использован публичный набор GSE40279: метилирование ДНК в цельной крови 656 человек разного возраста, измеренное чипом Illumina 450K. Для первичного отбора взяли 1000 CpG с наибольшей по модулю корреляцией с возрастом. Затем 30 раз случайно делили данные на обучающую (80%) и тестовую (20%) выборки с разными зернами генератора. Каждый кандидат в MOSurvivor кодировал веса для всех 1000 CpG, порог отбора и восемь гиперпараметров XGBoost (глубина деревьев, темп обучения, число деревьев, доли строк и столбцов, минимальный вес листа, гамма, L2-регуляризация). CpG активировался, если его вес превышал порог; оператор восстановления удерживал число отобранных локусов в диапазоне 50–300. Оптимизация шла по принципу «выживает сильнейший»: популяция делилась на две группы, попарные соревнования определяли победителей, а обновление кандидатов учитывало лучшего в паре, лучшего в группе, глобального лидера и лидеров из архива Парето. Итоговое решение выбиралось по сумме средней абсолютной ошибки на кросс-валидации и штрафа за размер подмножества (0.10 × доля отобранных CpG). Для сравнения использовали полную модель на всех 1000 CpG, случайный поиск, генетический алгоритм и метод роя частиц.
Полная модель XGBoost на всех 1000 CpG показала наименьшую среднюю абсолютную ошибку (MAE) 4.095 года. У MOSurvivor MAE составила 4.149 года, у PSO 4.124, у генетического алгоритма 4.170, у случайного поиска 4.197. При этом MOSurvivor отобрал в среднем 211.6 CpG против 293.4 у PSO, 269.6 у GA и 278.7 у случайного поиска. Относительно 1000 CpG это сокращение размерности на 78.8% ценой увеличения ошибки на 0.054 года (примерно 19.8 дня). Парные тесты Уилкоксона с поправкой Холма не выявили статистически значимых отличий ни с одним из соперников (все p > 0.05). MOSurvivor был точнее полной модели лишь на 10 из 30 разбиений. Стабильность отбора оказалась низкой: средний индекс Жаккара между парами из 30 подмножеств составил 0.124 ± 0.030. Девять CpG встречались не менее чем в 15 запусках, но ни один не попал во все 30. Самый частый локус cg16867657 появился в 29 запусках, за ним cg04400972 (24) и cg14361627 (20).
Работа показывает, что совместная оптимизация отбора признаков и гиперпараметров позволяет сжать эпигенетические часы в пять раз без статистически значимой потери точности. В отличие от соседних исследований, где акцент делается на абсолютной точности или биологической интерпретации, здесь решается вычислительная задача поиска минимального набора меток. Это другой масштаб: не открытие новых биомаркеров, а инженерная экономия ресурсов. Низкая воспроизводимость отбора между запусками указывает на высокую избыточность CpG: разные наборы дают почти одинаковый прогноз. Для практики это значит, что можно проектировать более дешёвые целевые панели, но биологическую значимость отдельных локусов следует проверять отдельно.
Перспективно встроить отбор CpG во внешний цикл кросс-валидации, чтобы исключить утечку информации из тестовых данных. Также можно добавить биологическую аннотацию отобранных локусов и проверить их обогащение в генах и регуляторных областях. Сравнение с опубликованными часами Хорвата и Ханнума на одних и тех же образцах покажет, насколько компактная модель уступает или не уступает классическим. Возможно расширение на другие ткани и когорты, а также адаптация метода к другим типам омиксных данных, где признаков много, а образцов мало.
Результаты пригодятся разработчикам эпигенетических тестов старения: меньшие панели дешевле в производстве и проще в интерпретации. Метод совместной оптимизации может быть перенесён на другие задачи с высокой размерностью, например, на отбор транскриптомных или протеомных маркеров.
Повторить анализ с корректным отбором CpG внутри каждого обучающего разбиения и провести внешнюю валидацию на независимой когорте. Уравнять бюджеты вычислений для всех оптимизаторов и сообщить время работы, чтобы можно было судить об эффективности.
Ключевая нерешённая проблема эпигенетики старения — биологическая интерпретируемость часов. Низкая воспроизводимость отбора CpG в этой работе подчёркивает, что статистически оптимальные наборы могут не совпадать с причинно значимыми локусами. Связь метилирования конкретных CpG с механизмами старения остаётся открытым вопросом, и данная статья не приближает к его решению, а лишь показывает, что предсказание можно получить множеством эквивалентных путей.
Разница в ошибке между полной моделью и MOSurvivor составила 0.054 года — это около 19.8 дня. Для сравнения, стандартное отклонение ошибки между разными разбиениями данных было около 0.3 года, то есть в пять раз больше. Таким образом, экономия 788 CpG обходится дешевле, чем естественный разброс от выбора обучающей выборки.
Работа опубликована не на arXiv. Здесь её страница, PDF и формализация: проверить можно самим, а не только прочитать наш разбор.