В комнате для собеседований тысяча кандидатов, но в штат возьмут только двести. Раньше казалось, что для точной оценки возраста по ДНК нужно опросить каждого из тысячи участков, где химическая метка меняет активность гена. Теперь видно: можно выслушать лишь пятую часть, а итоговое решение почти не изменится.
Учёные взяли кровь 656 человек и измерили метилирование на 1000 CpG-локусов, которые сильнее всего связаны с возрастом. Затем они построили оптимизатор MOSurvivor, который одновременно отбирает информативные участки и настраивает восемь параметров алгоритма XGBoost (метода машинного обучения на деревьях решений). Каждый кандидат в этом оптимизаторе кодировал веса для всех 1000 участков, порог отбора и настройки модели. Участок активировался, если его вес превышал порог, а специальный оператор удерживал число отобранных локусов в диапазоне от 50 до 300.
В результате MOSurvivor оставил в среднем 211.6 CpG-локусов, сократив размерность на 78.8% по сравнению с полной моделью. Средняя абсолютная ошибка предсказания возраста выросла всего на 0.054 года — примерно 20 дней. Для сравнения, естественный разброс ошибки между разными разбиениями данных составляет около 0.3 года, то есть в пять раз больше. Статистические тесты не нашли значимых отличий от полной модели или других оптимизаторов.
Но вот что любопытно: если запустить отбор заново, список из 212 участков почти не совпадает с предыдущим. Средний индекс Жаккара (мера сходства двух множеств) между парами подмножеств составил всего 0.124. Это значит, что CpG-локусы сильно избыточны: разные наборы дают почти одинаковый прогноз. Для практики это открывает путь к дешёвым целевым панелям, где важно сэкономить на числе зондов, но биологическую значимость отдельных участков придётся проверять отдельно.
Так собеседование, где из тысячи кандидатов отбирают двести, не спрашивая остальных, даёт почти тот же результат. Вопрос лишь в том, кто именно попадёт в этот короткий список — и в следующий раз он может быть совсем другим.
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.