针对DNAm年龄预测的共形不确定性量化：BayesAge表观遗传时钟的校准预测区间

《GeroScience》：Conformal uncertainty quantification for BayesAge epigenetic age predictions

表观遗传时钟（epigenetic clocks）可从DNA甲基化（DNAm）谱预测实际年龄（chronological age），但多数方法仅提供点估计而缺乏经过校准的不确定性，这限制了其在需要量化误差边界的场景中的应用。研究人员将共形预测（conformal prediction）应用于BayesAge——一种利用少量CpG位点和基于计数的似然（count-based likelihood）对非线性DNAm–年龄关系建模的最大似然时钟。分裂共形预测（split conformal prediction）在可交换性（exchangeability）假设下提供无分布（distribution-free）的预测区间，并具有有限样本边际覆盖（finite-sample marginal coverage）保证，且每次划分仅需一次模型拟合。研究人员还评估了一种局部缩放变体（locally scaled variant），该变体利用局部估计的误差尺度（locally estimated error scale）产生依赖于年龄的区间宽度。在靶向亚硫酸氢盐测序（targeted bisulfite sequencing）队列中，分裂共形化的BayesAge（split conformalized BayesAge）在保持BayesAge点预测精度的同时达到了接近名义水平的经验覆盖（empirical coverage）。局部缩放变体在较大年龄处产生更宽的区间，但在小校准（small-calibration）情形下其覆盖较不稳定，这与估计局部尺度所带来的额外不确定性相一致。相对于传播读数采样变异性（read-sampling variability）的蒙特卡洛区间（Monte Carlo intervals）以及更高维的线性基线（共形化线性分位数回归（conformalized linear quantile regression）和共形化Lasso回归（conformalized Lasso regression）），共形化BayesAge在使用显著更少CpG位点且残差中年龄依赖结构更弱的情况下提供了校准的不确定性。这些结果支持将共形预测作为基于DNAm的年龄估计中不确定性量化的一种实用方法。

研究背景：DNA序列在个体一生中基本稳定，但表观基因组随年龄和环境变化。DNA甲基化（DNAm）是指在胞嘧啶-磷酸-鸟嘌呤（CpG）二核苷酸处胞嘧啶5'碳上共价添加甲基，形成5-甲基胞嘧啶，参与转录调控并为正常发育所必需。DNAm水平因环境暴露、生活方式、细胞类型组成和随机过程而在个体间变异，即表观遗传漂变（epigenetic drift）。特定CpG位点的DNAm水平与实际年龄相关，已被用于构建表观遗传时钟。时钟预测年龄与实际年龄之差称为年龄加速（age acceleration），与死亡率和多种年龄相关疾病相关。早期广泛使用的Horvath和Hannum时钟分别采用惩罚多元线性回归作用于353和71个CpG位点，在健康队列中平均绝对误差（MAE）通常为数年。然而高维线性模型对队列偏移和技术变异（包括批次效应）敏感，在独立数据集中精度或校准可能下降；多数时钟仅报告点估计而缺乏校准不确定性，限制了其在需要量化误差边界场景中的可解释性；线性预测器也未显式建模非线性DNAm–年龄轨迹。研究人员此前提出的BayesAge是一种最大似然方法，利用少量CpG位点通过局部加权散点平滑（LOWESS）和二项计数似然（binomial count likelihood）处理非线性关系，但当时的不确定性通过蒙特卡洛模拟DNAm计数并传播获得，计算密集且在聚合数据上未产生校准的经验覆盖，因为该方法主要传播读数采样变异性而未直接考虑模型误差或队列异质性。共形预测可包裹任意点预测器，在可交换性下提供有限样本边际覆盖保证而无需参数误差模型，但共形化线性分位数回归需要单独的分位数模型且与BayesAge的似然估计不直接对齐。因此研究人员开展本研究，将分裂共形预测及基于局部估计误差尺度的局部缩放变体直接应用于BayesAge。研究结论表明：分裂共形预测提供了计算简单、无分布的不确定性量化方法，在可交换性下具有有限样本边际覆盖保证；由于可包裹任意点预测器，可应用于包括似然模型在内的广泛表观遗传时钟，支持需要量化不确定性以解释年龄估计和年龄加速的应用。

关键技术方法：研究分析来自多个研究的988名受试者的靶向亚硫酸氢盐测序（TBS-seq）数据，样本包括血液、口腔拭子和唾液，合并后得到10,710个CpG位点×988样本矩阵。BayesAge通过LOWESS（平滑分数0.7）构建参考矩阵，以二项似然在0–100岁整数网格上最大化获得点估计，每折选取16个CpG位点。分裂共形预测采用12次划分，每次200个校准样本，其余样本分为训练和验证，以绝对误差为非一致性分数，取校准分位数k*=?(m+1)δ?构建区间并截断至[0,100]。局部缩放变体以LOWESS（τ=0.5）估计预测年龄条件下的平均绝对偏差作为局部尺度。比较基线包括蒙特卡洛模拟区间（每样本100次抽样取5%和95%分位数）、共形化线性分位数回归（88个CpG位点）和共形化Lasso回归（λ=0.02，平均244.5个位点）。另进行1000次10训练/10校准/10验证的小样本压力测试。

研究结果：
分裂共形预测与经验覆盖：未共形化的BayesAge点预测MAE为6.098年；采用200个校准样本的分裂共形化后MAE为6.083年，点预测精度得以保持。在目标覆盖δ=0.9时经验覆盖达91.2%，接近名义水平；截断前平均半宽为12.984年，截断后平均总宽度为25.61年。小样本压力测试中运行平均经验覆盖稳定于目标水平附近，与有限样本边际覆盖保证一致。绝对残差随预测年龄呈一定依赖结构。
局部缩放共形预测与年龄依赖区间宽度：分裂共形预测每折产生恒定宽度区间；局部缩放变体在δ=0.9下经验覆盖为89.6%，截断后平均总宽度为24.868年，区间宽度随预测年龄增大而增宽，与绝对误差的年龄依赖变异一致。由于局部尺度由校准残差估计，有限样本覆盖保证不再严格成立，小样本压力测试中经验覆盖未接近名义水平。在δ∈{0.5,…,0.99}多个目标覆盖水平下，分裂共形预测的经验覆盖更接近名义水平，区间宽度与局部缩放方法相当。
与替代不确定性量化基线的比较：在δ=0.9下，共形化线性分位数回归经验覆盖为90.3%、平均截断宽度23.18年；蒙特卡洛模拟区间严重覆盖不足（42.3%）；分裂共形化Lasso回归区间最窄（平均宽度16.33年）且覆盖接近名义（90.2%）。残差结构方面，BayesAge残差随年龄的依赖结构弱于Lasso和共形化线性分位数回归基线（后者在较大年龄显示增加的负残差），该差异反映底层预测器而非共形化本身。共形化BayesAge的MAE为6.083年，高于共形化线性分位数回归（4.694年）和共形化Lasso回归（3.925年），但使用的CpG位点显著更少。

讨论部分总结：研究评估了为BayesAge点估计附加预测区间的共形化预测器。在可交换性下分裂共形预测提供有限样本边际覆盖保证而无需参数误差模型，该保证是边际的而非给定年龄、组织类型或研究条件下的条件覆盖。共形化保持了BayesAge点预测精度并产生接近名义经验覆盖的区间；由于BayesAge利用LOWESS参考曲线和计数似然建模非线性关系，该组合为不易表达为标准回归模型的似然时钟提供了实用的不确定性量化途径。分裂共形预测的主要局限是每折使用单一残差分位数而产生恒定宽度区间，可能掩盖年龄依赖的误差变异性；局部缩放变体虽产生年龄依赖宽度并在较大年龄增宽，但因需估计局部尺度而在小校准集下覆盖不稳定，更稳定的局部尺度估计器（如样条方法）可能改善性能。原始BayesAge的模拟区间在本数据集中严重覆盖不足，与其主要传播读数采样变异性而未直接考虑模型误设和队列异质性一致；分裂共形预测直接从留出残差校准因而适应整体误差分布。与高维线性基线相比，共形化Lasso区间更窄且MAE更低但需要显著更多CpG位点；BayesAge使用远少的位点且残差年龄依赖结构更弱，较小特征集在计算效率和降低检测复杂度方面具有实际优势，而残差行为应作为与MAE和区间宽度并列的补充标准并在新队列中评估。研究局限包括：数据聚合自多个项目，异质性可能挑战可交换性并在部署分布不同于校准分布时削弱边际覆盖保证，实践中应在相关亚组内评估覆盖；区间截断至[0,100]影响报告宽度并在边界附近引入不对称但不改变区间是否包含真实年龄；CpG位点数和局部尺度平滑参数等设计选择基于本队列探索性分析，嵌套选择策略或外部留出队列可更清晰分离模型选择与评估；边际而非条件覆盖意味着特定协变量层内可能仍覆盖不足。总之，分裂共形预测为基于DNAm的年龄估计提供了计算简单、无分布的不确定性量化方法，在可交换性下具有有限样本边际覆盖保证，可包裹任意点预测器并应用于广泛的表观遗传时钟，支持需要量化不确定性以解释年龄估计和年龄加速的应用。