Тысяча человек приходит на собеседование, но на работу берут только двести. Так и с оценкой возраста по ДНК: раньше считали, что нужно проверить тысячу участков, где химическая метка меняет активность гена. Теперь выяснилось, что достаточно пятой части, а ответ почти не меняется.
Учёные взяли кровь 656 людей и измерили метилирование на 1000 CpG-локусов, которые сильнее всего связаны с возрастом. CpG-локус — это участок ДНК, где цитозин стоит перед гуанином. Затем они запустили программу, которая сама выбирает, какие участки оставить, и одновременно настраивает алгоритм предсказания. Программа оставила в среднем 212 участков, а ошибка предсказания возраста выросла всего на 20 дней. Для сравнения, даже при повторных измерениях на тех же данных ошибка прыгает на 0.3 года — в пять раз больше.
Поэтому можно делать более дешёвые тесты на биологический возраст, проверяя меньше точек. Но если какой-то участок кажется важным для биологии, это нужно проверять отдельно, потому что статистика не гарантирует, что именно он влияет на старение.
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.