Omitted familial extrinsic risk inflates inferred intrinsic lifespan heritability

Deze studie toont aan dat het negeren van erfelijke, externe risicofactoren in de analyse van Scandinavische tweelingen leidt tot een systematische en modelonafhankelijke overschatting van de erfelijkheid van de intrinsieke levensduur, waardoor de gerapporteerde schatting van 50% met ongeveer 9 procentpunten vertekend is.

De kern

De Kernboodschap: Een Verkeerde Rekening

Stel je voor dat je een zeer slimme wiskundige formule hebt om te voorspellen hoe lang mensen leven. Een recente studie (van Shenhar et al.) gebruikte deze formule om te zeggen: "Wist je dat 50% van onze levensduur puur door onze genen wordt bepaald? Dat is veel meer dan we dachten!"

Deze conclusie was gebaseerd op een trucje: ze keken naar mensen in het verleden (toen er veel meer ongelukken en besmettelijke ziekten waren) en probeerden die "buitenlandse" risico's uit de vergelijking te halen om te zien wat er overbleef: het "inheemse" ouder worden.

Het probleem: De auteur van dit nieuwe artikel (Sergey Kornilov) zegt dat de wiskundige formule een fout maakt. Hij vergelijkt het met het wegen van een vrachtwagen die vol zit met goederen, maar waarbij je vergeet dat de vrachtwagen zelf ook gewicht heeft.

De Analogie: De Tweeling en de Onzichtbare Schuilplaats

Stel je voor dat je twee identieke tweelingen hebt. Ze delen 100% van hun genen.

• Het oude idee: Als ze allebei lang leven, komt dat omdat ze dezelfde "inheemse" genen hebben voor lang leven.
• Het nieuwe inzicht: Wat als ze ook dezelfde "zwakke weerstand" hebben tegen ziektes?

In het verleden stierven veel mensen aan ziektes (zoals tuberculose of longontsteking). Als je genen bepalen of je vatbaar bent voor deze ziektes, dan is dat ook een genetisch kenmerk.

De fout in de berekening:
De oude studie keek naar de tweelingen en zag: "Ze lijken erg op elkaar in hoe lang ze leven."
Ze dachten: "Ah, dat komt door de genen voor lang leven."
Maar ze vergeten dat het ook kan komen door de genen voor ziektebestrijding.

Het is alsof je een auto hebt die langzaam rijdt. Je denkt: "De motor is zwak." Maar eigenlijk is de motor prima, het is alleen dat de remmen (de ziektes) erop staan getrokken. Als je de remmen loslaat (de ziektes uit de vergelijking haalt), denk je dat de motor opeens superkrachtig is, terwijl hij eigenlijk gewoon normaal was. De "remmen" waren ook genetisch bepaald, maar werden niet apart gemeten.

Wat is er precies misgegaan?

De wiskundige formule die de oude studie gebruikte, had maar één knop om aan te draaien: "Hoe sterk zijn de genen voor lang leven?"

Omdat ze geen aparte knop hadden voor "Hoe sterk zijn de genen voor ziektebestrijding?", deed de computer iets slimme maar verkeerde:
Het stopte het gewicht van de "ziektes" in de knop voor "lang leven".

• Resultaat: De computer dacht dat de genen voor lang leven veel sterker waren dan ze echt waren.
• De uitkomst: In plaats van 20-25% (zoals eerder gedacht), kwam de oude studie uit op 50%.
• De realiteit: Die 50% is een opgeblazen getal. Het bevat zowel de echte genen voor lang leven als de genen voor ziektebestrijding die per ongeluk erin zijn gesmokkeld.

De Bewijzen (De "Vingerafdruk")

De auteur van dit artikel heeft niet alleen gezegd "het klopt niet", maar heeft het ook bewezen met drie simpele tests:

1. De "Te Dikke" Knop: Hij liet zien dat de instelling voor "genen voor lang leven" in de computer 22% te hoog stond. Als je dit corrigeert, zakt de voorspelling van 50% terug naar ongeveer 31-47%.
2. De "Vingerafdruk" op de Grafiek: Als je kijkt naar hoe tweelingen op verschillende leeftijden op elkaar lijken, ziet de oude formule een heel ander patroon dan de werkelijkheid. Het is alsof je een foto van een gezicht maakt met een verkeerde lens: de neus lijkt te groot en de ogen te klein. De oude formule voorspelde dat tweelingen op hoge leeftijd (80+) veel meer op elkaar leken dan ze deden, omdat de "ziektes" daar al lang weg waren, maar de computer dacht dat het nog steeds om genen voor lang leven ging.
3. De "Controle-Test": Hij bouwde een nieuwe, betere formule met twee knoppen (één voor lang leven, één voor ziekte). Toen hij die gebruikte, verdween de fout direct. De "inheemse" levensduur bleek weer normaal.

Waarom is dit belangrijk?

Het is niet zo dat mensen niet veel genetisch bepaald zijn. Het betekent wel dat we moeten stoppen met denken dat we precies weten hoeveel genen tellen voor het "inheemse" ouder worden.

• De oude studie zei: "Onze genen voor lang leven zijn superkrachtig (50%)."
• Deze studie zegt: "Nee, die 50% is een mix van superkrachtige genen én genen die ons beschermen tegen ziektes. Als we die ziektes apart tellen, is de 'pure' genetica voor lang leven waarschijnlijk lager, misschien rond de 30-40%."

Samenvatting in één zin

De oude studie telde per ongeluk de genen die ons beschermen tegen ziektes mee als genen voor lang leven, waardoor ze dachten dat we genetisch veel sterker zijn dan we eigenlijk zijn; de nieuwe studie corrigeert deze "rekenfout" en geeft een eerlijker beeld.

Technische samenvatting

Titel: Veronachtzaamde familiaire extrinsieke risico's blazen de afgeleide erfelijkheid van intrinsieke levensduur op

Auteur: Sergey A. Kornilov (Biostochastics, Seattle)
Datum: Preprint, 2 april 2026

---

1. Het Probleem

Recente studies, met name die van Shenhar et al. (2026), hebben geschat dat de erfelijkheid van de menselijke levensduur (intrinsieke levensduur) ongeveer 50% bedraagt, een aanzienlijke stijging ten opzichte van de traditioneel aangenomen 20–25%. Deze schatting is gebaseerd op een "calibrate-then-extrapolate"-procedure:

1. Een parametrisch sterftemodel (met één component voor intrinsieke fragiliteit) wordt gekalibreerd op historische tweelingdata om de waargenomen correlaties tussen eeneiige (MZ) en twee-eiige (DZ) tweelingen na te bootsen.
2. Vervolgens wordt het extrinsieke sterftecijfer (bijv. door infecties, ongelukken) in het model op nul gesteld ($m_{ex} = 0$) om de "intrinsieke" erfelijkheid te extrapoleren.

De kernproblematiek: Shenhar's model veronderstelt dat extrinsieke sterfte een constante, niet-erfelijke populatieparameter is. Dit artikel betoogt dat deze aanname onjuist is. Als er sprake is van erfelijke variatie in de gevoeligheid voor extrinsieke sterfte (bijv. genetische weerstand tegen infecties) en deze variatie wordt genegeerd in het model, wordt deze variatie onterecht opgeteld in de geschatte parameter voor intrinsieke fragiliteit. Dit leidt tot een systematische opwaartse vertekening (bias) van de geschatte intrinsieke erfelijkheid.

2. Methodologie

Kornilov gebruikt geavanceerde simulaties en theoretische afleidingen om dit mechanisme te ontleed:

• Data Generatie Processen (DGP): De auteur simuleert levensduurdata voor MZ- en DZ-tweelingen onder twee scenario's:
  1. Oracle/Correct: Alleen intrinsieke fragiliteit (geen erfelijke extrinsieke variatie).
  2. Misspecificatie: Een twee-componenten model waarbij zowel intrinsieke fragiliteit ($\theta$) als erfelijke extrinsieke gevoeligheid ($\gamma$) aanwezig zijn, met een mogelijke pleiotropie (genetische correlatie $\rho$) tussen beide.
• Kalibratieprocedure: Het model van Shenhar (één component) wordt gefit op de gesimuleerde data van het misspecificatiescenario door de intrinsieke parameter $\sigma_\theta$ zo aan te passen dat de MZ-correlatie wordt gereproduceerd.
• Analyse van Bias: De auteur vergelijkt de geschatte $\sigma_\theta$ en de daaruit voortvloeiende Falconer-erfelijkheid ($h^2$) met de ware waarden.
• Validatie en Controle:
  • Negatieve controles: Testen of de bias verdwijnt als de extrinsieke variatie niet erfelijk is, niet tot de sterfte bijdraagt, of verwaarloosbaar klein is.
  • Herstel-analyse: Fit een correct gespecificeerd twee-componenten model om te zien of de ware $\sigma_\theta$ wordt hersteld.
  • Modelgeneratie: Toetsing op drie verschillende sterftemodellen (Gompertz-Makeham, Makeham-Gamma-Gompertz, Saturating-Removal).
  • Structurale vingerafdrukken: Analyse van de bivariate overlevingsoppervlakken ($S(t_1, t_2)$) en leeftijdsafhankelijke correlaties om te zien of het model de datastructuur correct weergeeft.
  • Formele verificatie: De algebraïsche afleidingen zijn geverifieerd met de Lean 4 interactieve theorem prover.

3. Belangrijkste Bijdragen en Resultaten

A. Variatie-absorptie en Inflatie

Het centrale mechanisme is variatie-absorptie. Omdat het één-componenten model geen parameter heeft om erfelijke extrinsieke variatie ($\gamma$) te modelleren, "absorbeert" de kalibratieprocedure deze variatie in de intrinsieke parameter $\sigma_\theta$.

• Resultaat: De geschatte intrinsieke fragiliteit $\sigma_\theta$ is 22,1% te hoog (95% CI: 21,5–22,7%).
• Impact op Variantie: Omdat erfelijkheid gerelateerd is aan de variantie ($\sigma^2$), leidt dit tot een 49% inflatie in de geschatte variantie.
• Impact op Erfelijkheid: Dit resulteert in een opwaartse bias van +9,2 procentpunten (pp) in de geschatte Falconer-erfelijkheid (bijv. een schatting van 50% in plaats van de ware 40,8%).

B. Structurele Vingerafdrukken

De vertekening is niet alleen een numerieke verschuiving; het laat een specifiek patroon na in de data:

• Bivariate Overleving: Het misspecificeerde model voorspelt systematisch te veel overeenkomst (concordantie) op hoge leeftijden en te weinig op jonge leeftijden. De fout in het overlevingsoppervlak is 48 keer groter dan die van een correct gespecificeerd model.
• Leeftijdsafhankelijke Correlatie: De conditionele correlatie tussen tweelingen is overal te hoog, met een piek bij 80 jaar ($\Delta r = 0,048$).

C. Specificiteit en Generaliteit

• Noodzakelijke voorwaarden: De bias vereist drie factoren: (1) erfelijke concordantie in extrinsieke gevoeligheid, (2) een pathway die bijdraagt aan sterfte, en (3) een aanzienlijke omvang van extrinsieke sterfte.
• Model-onafhankelijkheid: Het effect is robuust over drie verschillende sterftemodellen (GM, MGG, SR) en verschillende distributies voor fragiliteit (log-normaal, additief, gamma).
• ACE-decompositie: Zelfs bij gebruik van een klassiek ACE-model (Additief genetisch, Common environment, Unique environment) wordt de bias niet opgelost. De erfelijke extrinsieke fragiliteit wordt hier ook opgeteld bij het genetische component ($A$), niet bij de gedeelde omgeving ($C$), omdat het delingspatroon (1,0 voor MZ, 0,5 voor DZ) identiek is aan dat van genetische erfelijkheid.

D. Falsifieerbaarheid en Omkering

• Negatieve Pleiotropie: Het artikel voorspelt dat als de genetische correlatie tussen intrinsieke veroudering en extrinsieke gevoeligheid negatief is ($\rho < 0$), de bias van teken verandert (de schatting wordt dan te laag). Simulaties bevestigen dit in alle modelklassen.
• Dosis-respons: De grootte van de bias neemt lineair toe met de omvang van de erfelijke extrinsieke sterfte.

E. Schatting vs. Maximum Likelihood

Een robuustheidstest toont aan dat het gebruik van Maximum Likelihood (ML) in plaats van moment-matching (alleen $r_{MZ}$) de bias niet volledig oplost, maar wel vermindert.

• Moment-matching (Shenhar's methode): Inflatie van $\sigma_\theta$ met +21%.
• Full Likelihood: Inflatie van $\sigma_\theta$ met +3%.
  Dit suggereert dat de bias deels structureel is (door het verkeerde model) en deels afhankelijk van de schattingsmethode, maar dat het probleem fundamenteel blijft bestaan zolang het model niet twee componenten heeft.

4. Conclusie en Significantie

De studie concludeert dat de schatting van Shenhar et al. (2026) dat de intrinsieke erfelijkheid van levensduur 50% bedraagt, waarschijnlijk systematisch is opgeblazen door het negeren van erfelijke variatie in de gevoeligheid voor extrinsieke sterfte (zoals infecties).

• Correctie: Binnen een empirisch onderbouwde gevoeligheidsanalyse wordt geschat dat de ware intrinsieke erfelijkheid lager ligt, waarschijnlijk in het bereik van 31% tot 47% (afhankelijk van de aannames over de grootte van de erfelijke extrinsieke variatie).
• Implicatie: Hoewel de kwalitatieve conclusie dat intrinsieke erfelijkheid hoger is dan traditioneel gedacht (20-25%) mogelijk standhoudt, is de kwantitatieve schatting van 50% niet robuust zonder expliciete modellering van erfelijke extrinsieke risico's.
• Toekomstig Onderzoek: Om deze bias op te lossen, moeten toekomstige studies:
  1. Gebruik maken van twee-componenten modellen die extrinsieke fragiliteit expliciet modelleren.
  2. Kijken naar oorzaak-van-sterfte data (competitie-risico modellen).
  3. De bivariate overlevingsoppervlakken gebruiken als diagnostisch hulpmiddel om modelmisspecificatie op te sporen.

Dit artikel biedt een sterke methodologische correctie voor het veld van de demografie en de genetiek van de levensduur, en benadrukt het gevaar van het verwarren van verschillende bronnen van familiaire overeenkomst in sterftecijfers.