《Aging Cell》：A 209-Site DNA Methylation Predictor of Chronological Age Evaluated Under Empirical and Random Missingness
编辑推荐：
基于不完整谱图的DNA甲基化年龄预测需要在经验性和随机缺失条件下进行评估。研究人员利用524个开发样本和132个保留样本（GSE40279）以及外部GSE73103队列（n=355）评估了全血时序年龄预测。跨750个预指定扰动条件的特征稳定性分析确定了209-
基于不完整谱图的DNA甲基化年龄预测需要在经验性和随机缺失条件下进行评估。研究人员利用524个开发样本和132个保留样本（GSE40279）以及外部GSE73103队列（n=355）评估了全血时序年龄预测。跨750个预指定扰动条件的特征稳定性分析确定了209-CpG主面板和52-CpG严格敏感性亚组。主要预测器结合了五最近邻重构（KNN5）和Ridge回归。在内部保留集中，完整谱图预测实现了平均绝对误差（MAE）4.24年，均方根误差（RMSE）5.38年，Pearson r=0.934。在源自42个福尔马林固定石蜡包埋（FFPE）检测失败经验模板的掩码下，KNN5相对于开发集均值替换将RMSE降低了0.365年（差异的95%自助法区间为?0.546至?0.205），在更高缺失负担下降低更大。在保持样本水平和CpG水平失败计数的随机化后，重构优势在补充开发分析中持续存在。外部预测与实足年龄保持相关（r=0.835），尽管存在年龄依赖性校准偏差。混合物分析表明，随着混合物不对称性增加，背景准确性对目标恢复至关重要。这些发现支持在所评估的经验性和随机缺失条件下，在稳定性选择的CpG面板内进行局部重构以进行实足年龄预测。
本研究关注DNA甲基化与实足年龄的关系及缺失数据下年龄预测的可靠性。DNA甲基化随年龄系统变化，可用于血液等组织的年龄估计，但实际样本如福尔马林固定石蜡包埋（FFPE）标本常出现样本和探针依赖的检测失败，而大多数预测模型基于完整谱图开发。缺失数据的处理方式、特征选择稳定性、外部队列迁移性等问题缺乏系统评估。为此，研究人员利用全血甲基化数据，在经验性和随机缺失条件下构建并评估了一个稳定选择的CpG面板预测器。
研究人员使用GSE40279队列（524个开发样本、132个保留样本）和外部GSE73103队列（n=355），通过750种预指定扰动条件的特征稳定性分析确定了209-CpG主面板和52-CpG严格敏感性亚组。主要预测器采用五最近邻重构（KNN5）结合Ridge回归。内部保留集完整谱图预测MAE为4.24年，RMSE为5.38年，Pearson r=0.934；在FFPE经验缺失模板下，KNN5比开发集均值替换降低RMSE 0.365年，且缺失负担越高优势越明显。外部预测与实足年龄仍相关（r=0.835），但存在年龄依赖的校准偏差。混合物分析显示背景估计误差在混合物不对称增加时主导恢复失败。研究意义在于支持局部重构处理缺失，并强调需联合评估缺失模式、队列漂移和背景不确定性。
关键技术方法：研究人员从GEO获取GSE40279（n=656，含524开发与132保留）和GSE73103（n=355）全血HumanMethylation450数据；经验缺失模板来自GSE38266的42个FFPE头颈癌样本的检测失败模式。特征稳定性分析采用弹性网（Elastic Net），在750个条件（缺失种子、l1比率、交叉验证分区、预处理）下筛选CpG。预测采用KNN5重构和Ridge回归。缺失掩码包括经验（Native）、列置换和匹配计数完全随机缺失（MCAR）。外部评估直接应用固定模型至GSE73103。混合物恢复模拟目标比例1:1、3:1、9:1下的背景估计误差。统计使用bootstrap置信区间和置换检验。
研究结果：
2.1 多轴稳定性分析定义用于保留集评估的209-CpG主面板
通过750个开发条件的特征成员分析，209个CpG的中位选择频率为0.908（四分位距0.871–0.959），每个位点至少在78.1%条件下被选中；系数方向共识中位数为1.000，仅3个位点出现符号反转。这些结果支持209-CpG作为主面板，52-CpG作为更严格的敏感性亚组。
2.2 结构化缺失增加降低经验和随机失败模式下的特征稳定性
利用42个FFPE经验模板按缺失负担分为S1–S4。在开发集弹性网分析中，Native掩码相比匹配计数MCAR掩码在ALL42和S4下RMSE分别低0.140年和0.474年。随着缺失负担增加，经验、列置换和MCAR掩码下特征集的配对Jaccard相似性从S1的约0.86降至ALL42的约0.42，S4进一步降低，表明特征选择稳定性随缺失负担下降。
2.3 KNN5重构降低结构化缺失下的预测误差，且效果受特征表示调节
固定209-CpG面板比较显示，在ALL42掩码下KNN5比均值替换RMSE降低0.231–0.333年，S4下降低1.294–1.596年。XGBoost在KNN5后仍比Ridge高0.205–0.505年。52-CpG亚组未优于209-CpG面板。独立的2×2×2析因分析显示特征选择、KNN5和XGBoost对MAE的边际效应分别为?0.338、?0.145和?0.530年，但交互项和特征表示依赖性强。
2.4 特征扰动显示预测信息集中且存在部分冗余
在五个外部训练折叠中，按Ridge系数与特征标准差的乘积排名。顶部1%、5%、10%、20%、40%结构删除后重新拟合，5%删除时靶向与随机集RMSE差异在完整谱图、ALL42、S4下分别为0.0032、0.030、0.1634年，20%时差异增大。而KNN5后值置换（不重新拟合）在5%剂量下靶向与随机差异为0.739–0.864年。cg16867657（ELOVL2）各折叠排名为4、2、6、7、2。说明高排名CpG携带更多预测信息，但结构删除后存在部分补偿。
2.5 KNN5降低保留集在结构化技术缺失下的预测误差
在132个GSE40279保留样本中，完整谱图MAE 4.240年、RMSE 5.381年、Pearson r=0.934。预先指定的主要终点为ALL42 Native掩码下KNN5与开发集均值替换相比的RMSE差异，均值为?0.365年（95% bootstrap区间?0.546至?0.205），所有bootstrap对比均低于零。S1、ALL42、S4下差异分别为?0.018、?0.365、?1.759年。在30%、50%、70%易感性加权缺失下，KNN5相对均值替换的RMSE降低分别为1.258、2.492、3.587年，但绝对误差随缺失增加而增大。
2.6 外部迁移保持年龄关联但显示年龄依赖校准偏差
将固定预测器应用于GSE73103（n=355）而不重新拟合。全队列MAE 6.680年、RMSE 7.608年，19–34岁组为5.748/6.634年，14–18岁组为8.198/8.971年。平均偏差为?6.270年，14–18岁组为?7.958年；年龄对预测斜率0.539，14–18岁组内Pearson r=0.368。引入缺失后偏差方向改变但未解决根本的运输限制，该队列被视为年龄受限的迁移分析。
2.7 背景估计误差限制混合物不对称增加时的恢复
在S4缺失和噪声下，使用真实个体背景时MAE在1:1、3:1、9:1比例为4.210、4.211、4.238年；使用训练折叠均值背景时，边界转换加KNN5的MAE升至10.512、23.097、27.165年，RMSE升至13.200、28.316、32.606年。边界规则产生的缺失比例随不对称性增加而增加（0.483%、6.089%、27.299%），重建常向开发参考方向移动。该敏感性模式在无噪声、ALL42等条件下均存在，背景错配本身足以破坏恢复。
讨论部分总结：本研究将缺失数据预测中常被混淆的三个问题分离：特征选择、缺失重构和回归映射。209-CpG面板是经验稳定的预测表示，而非唯一可识别的分子网络。KNN5降低了缺失下的预测误差，但不能恢复完整谱图的精度；外部运输中相关性与绝对准确性分离，需联合评估误差、偏差和校准；混合物恢复受背景估计误差主导。局限性包括选择过程未在外部折叠内完全重复、GSE73103不覆盖全部年龄范围、需要前瞻性降解实验分离降解/修复/平台/插补效应，且bootstrap区间未包含面板选择不确定性。研究结论部分可翻译为：这些发现支持在经验性和随机缺失条件下，在稳定性选择的CpG面板内采用局部重构进行实足年龄预测；主要结果是条件性的——局部重构降低了所评估缺失模式下的预测误差，但并未消除严重缺失、队列偏移或不准确背景估计相关的误差。
