BayesAge表观遗传年龄预测的保形不确定性量化

表观遗传时钟利用 DNA 甲基化（DNAm）谱预测时间年龄，然而大多数模型仅提供点估计，缺乏经过校准的不确定性量化。这限制了其在需要定量误差界限的场景中的应用。我们将保形预测应用于 BayesAge——一种最大似然时钟模型，该模型使用少量 CpG 位点和基于计数的似然函数来建模 DNAm 与年龄之间的非线性关系。分割保形预测在可交换性假设下可产生与分布无关的预测区间，并提供有限样本边际覆盖率保证，且每次分割仅需进行一次模型拟合。我们还评估了一种局部缩放变体，该方法利用局部估计的误差尺度生成随年龄变化的区间宽度。 在我们的靶向重亚硫酸盐测序队列中，经分割保形化的 BayesAge 在保持 BayesAge 点预测准确性的同时，实现了接近名义水平的经验覆盖率。局部缩放变体在较高年龄段产生更宽的区间，但其覆盖率在小校准集条件下稳定性较差，这与局部尺度估计所引入的额外不确定性相一致。与传播测序读段抽样变异性的蒙特卡罗区间，以及更高维线性基线模型（保形化线性分位数回归和保形化 Lasso 回归）相比，保形化 BayesAge 仅使用显著更少的 CpG 位点即可提供经过校准的不确定性量化，且残差中的年龄依赖结构更弱。这些结果支持将保形预测作为 DNAm 基础年龄估计中进行不确定性量化的一种实用途径。

表观遗传时钟通过 DNA 甲基化（DNAm）谱预测实际年龄，但大多数方法仅提供点估计，缺乏经过校准的不确定性量化。这限制了其在需要明确误差界限的场景中的应用。我们将保形预测应用于 BayesAge——一种最大似然时钟，该方法使用少量 CpG 位点和基于计数的似然函数，对非线性的 DNAm—年龄关系进行建模。分割保形预测在可交换性假设下可产生分布无关的预测区间，并提供有限样本边际覆盖保证，且每次分割仅需进行一次模型拟合。我们还评估了一种局部尺度化变体，该方法利用局部估计的误差尺度生成随年龄变化的区间宽度。

在我们的靶向重亚硫酸盐测序队列中，经过分割保形化的 BayesAge 在保持 BayesAge 点预测准确性的同时，实现了接近名义水平的经验覆盖率。局部尺度化变体在较高年龄段产生更宽的区间，但其覆盖率在小校准集情形下稳定性较差，这与估计局部尺度所引入的额外不确定性一致。相较于传播测序读段抽样变异性的蒙特卡洛区间，以及更高维的线性基线方法（保形化线性分位数回归和保形化 Lasso 回归），保形化 BayesAge 仅使用显著更少的 CpG 位点即可提供经过校准的不确定性量化，且残差中的年龄依赖结构更弱。这些结果表明，保形预测是 DNAm 基于年龄估计中进行不确定性量化的一种实用方法。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.11.742144v1?rss=1

🏷️ 表观遗传时钟 DNA甲基化 年龄预测 保形预测 不确定性量化 CpG位点