Omitted familial extrinsic risk inflates inferred intrinsic lifespan heritability

Este estudo demonstra que a omissão de fatores extrínsecos familiares hereditários no modelo de sobrevivência utilizado por Shenhar et al. (2026) infla estruturalmente a variância da fragilidade intrínseca, resultando em uma estimativa de herdabilidade da longevidade intrínseca de 50% que contém um viés positivo sistemático e generalizável.

O essencial

Imagine que você está tentando descobrir o quanto a genética (seus genes) determina o quanto tempo você vai viver, separando isso de fatores externos como acidentes, vírus ou poluição.

Um estudo recente (de Shenhar et al.) disse: "Se tirarmos todos os acidentes e doenças do mundo, a genética seria responsável por 50% da nossa expectativa de vida". Isso é um número enorme, muito maior do que os 20-25% que a ciência costumava acreditar.

No entanto, este novo artigo, escrito por Sergey Kornilov, funciona como um detetive forense que olha para a matemática desse estudo e diz: "Ei, há um erro de cálculo aqui. O número de 50% está inflado porque eles esqueceram de contar uma peça importante do quebra-cabeça."

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: A "Caixa Preta" da Genética

Imagine que a longevidade é como uma corrida de obstáculos.

• O Obstáculo Inato (Intrínseco): É o seu corpo envelhecendo naturalmente (sua genética de envelhecimento).
• O Obstáculo Externo (Extrínseco): São os buracos na pista, pedras soltas e tempestades (acidentes, infecções, poluição).

O estudo original tentou calcular o quão "forte" é o seu corpo (genética intrínseca) imaginando um mundo onde não existem buracos na pista. Eles olharam para gêmeos no mundo real (com buracos) e tentaram adivinar como seria a corrida sem eles.

O Erro: O estudo assumiu que os "buracos na pista" (doenças, acidentes) eram aleatórios e iguais para todos. Mas, na vida real, alguns buracos são hereditários. Se seus pais tinham um sistema imunológico fraco, você também pode ter. Isso significa que a sua "susceptibilidade a buracos" também é genética.

2. A Analogia da "Sombra"

Kornilov usa uma analogia poderosa: a sombra.

Imagine que você está tentando medir o tamanho de um objeto (sua genética de envelhecimento) usando a sombra que ele projeta.

• O estudo original achou que a sombra era feita apenas pelo objeto.
• Mas, na verdade, havia um segundo objeto (a genética de resistência a doenças) projetando uma sombra que se misturava com a primeira.

Como o modelo matemático deles só tinha espaço para medir uma sombra, ele misturou tudo. Quando eles tentaram "apagar" as doenças do mundo (tirar a sombra do segundo objeto), eles esqueceram de tirar a sombra que já tinha sido absorvida no cálculo do primeiro objeto.

Resultado: Eles acharam que o primeiro objeto era gigante (50% de herança genética), quando na verdade ele era menor. A "sombra" das doenças hereditárias foi contada duas vezes: uma vez como doença e outra vez como genética de envelhecimento.

3. O Que o Artigo Descobriu (A "Prova")

O autor fez simulações de computador (como um "mundo virtual" de gêmeos) para testar isso. Ele mostrou que:

• O Viés é Real: Quando você esquece de contar que a resistência a doenças é hereditária, o modelo matemático "engole" essa informação e a joga dentro da conta da genética de envelhecimento.
• O Número Inflado: O modelo inflou o parâmetro genético em cerca de 22%. Isso faz com que a herança genética pareça ser de 50%, quando poderia ser algo entre 31% e 47% (ainda alta, mas não tão alta quanto o original dizia).
• Não é um Erro de Sorte: Isso acontece em vários modelos matemáticos diferentes. É um defeito estrutural, como tentar medir a altura de um prédio usando uma régua que está esticada.

4. A Analogia do "Saco de Batatas"

Pense na genética como um saco de batatas.

• O estudo original disse: "Este saco tem 50kg de batatas puras de 'envelhecimento'".
• Kornilov diz: "Ei, esse saco tem 50kg, mas 10kg são de 'resistência a doenças' que você não separou. Se você tirar as doenças, o saco de 'envelhecimento puro' na verdade pesa menos."

O modelo matemático não sabia distinguir as batatas de envelhecimento das batatas de resistência a doenças, então ele atribuiu o peso de ambas ao envelhecimento.

5. Por Que Isso Importa?

Isso não significa que a genética não seja importante. A genética ainda é muito forte (provavelmente acima de 30-40%). Mas o artigo corrige a nossa compreensão:

1. A Ciência está se Ajustando: A ciência avança quando alguém aponta: "Ei, esquecemos de contar isso".
2. A Saúde Pública: Se a resistência a doenças é hereditária, isso muda como vemos a saúde pública. Não é apenas "azar" se alguém morre jovem de uma infecção; pode ser uma questão genética que precisa ser estudada.
3. A Precisão: O número de 50% é uma "superestimativa". A realidade provavelmente é um pouco mais baixa, mas ainda muito significativa.

Resumo Final

O artigo é como um ajuste de foco em uma câmera. A foto anterior (50% de herança genética) estava um pouco borrada porque misturava duas coisas diferentes (envelhecimento natural e resistência a doenças). Kornilov ajustou a lente, mostrou que a imagem estava distorcida e disse: "A genética é forte, mas não tão forte quanto pensávamos, porque parte do que achávamos que era 'envelhecimento' era, na verdade, 'resistência a doenças' que também é genética."

É uma correção necessária para que a ciência da longevidade tenha uma base mais sólida e precisa.

Resumo técnico

1. O Problema

O artigo contesta a estimativa recente de Shenhar et al. (2026), que reportou uma herdabilidade intrínseca da expectativa de vida humana de aproximadamente 50% (uma revisão drástica para cima das estimativas clássicas de 20-25%). Shenhar et al. chegaram a essa conclusão utilizando um modelo de sobrevivência de "fragilidade correlacionada" de um único componente, calibrado em dados de gêmeos escandinavos históricos. O método envolve ajustar o parâmetro de dispersão intrínseca ($\sigma_\theta$) para corresponder às correlações observadas de gêmeos e, em seguida, extrapolar para um mundo contrafactual onde o risco extrínseco de mortalidade ($m_{ex}$, como infecções e acidentes) é zero.

A Hipótese Central do Artigo:
Kornilov argumenta que o modelo de Shenhar sofre de um viés de variável omitida. Se a suscetibilidade a mortes extrínsecas (ex: infecções) for, ela mesma, herdável e geneticamente correlacionada com o envelhecimento intrínseco (pleiotropia), o modelo de um único componente não consegue distinguir entre essas duas fontes de variância. Durante a calibração, o modelo "absorve" a variância genética extrínseca omitida no parâmetro de fragilidade intrínseca ($\sigma_\theta$), inflando artificialmente a estimativa de herdabilidade intrínseca.

2. Metodologia

O autor utiliza uma abordagem de simulação Monte Carlo rigorosa para replicar e testar o procedimento de Shenhar sob diferentes cenários de geração de dados (DGP - Data Generating Processes).

• Estrutura do Modelo:
  • Modelo de Shenhar (Falso): Assume que a mortalidade é composta por uma constante extrínseca ($m_{ex}$) e um parâmetro intrínseco $\theta_i$ (com variância $\sigma_\theta^2$).
  • Modelo Realista (DGP): Assume que a mortalidade tem dois componentes: suscetibilidade extrínseca herdável ($\gamma_i$) e envelhecimento intrínseco ($\theta_i$). Ambos são variáveis latentes com correlação genética ($\rho$) entre si.
• Procedimento de Calibração: O modelo de um componente é ajustado (calibrado) para corresponder à correlação observada de gêmeos monozigóticos (MZ) nos dados simulados. Em seguida, extrapola-se para $m_{ex} = 0$ para calcular a herdabilidade de Falconer ($h^2 = 2(r_{MZ} - r_{DZ})$).
• Análises de Controle e Diagnóstico:
  • Recuperação (Recovery): Ajustar um modelo de dois componentes (incluindo $\gamma$) aos mesmos dados para ver se o parâmetro $\sigma_\theta$ real é recuperado.
  • Controles Negativos: Testar cenários onde o viés não deveria ocorrer (ex: suscetibilidade extrínseca não familiar, traços hereditários irrelevantes para a mortalidade, ou risco extrínseco insignificante).
  • Diagnósticos Estruturais: Análise da superfície de sobrevivência bivariada $S(t_1, t_2)$, curvas de concordância por idade e decomposição ACE (Aditivo, Comum, Específico) para verificar se o viés persiste ao mudar a estatística de resumo.
  • Validação Formal: Uso do provador de teoremas interativo Lean 4 para verificar a integridade algébrica das derivações matemáticas que provam a inflação do parâmetro.

3. Principais Contribuições e Resultados

A. Inflação do Parâmetro de Fragilidade Intrínseca

O resultado central é que, sob o cenário de variável omitida, o parâmetro calibrado $\hat{\sigma}_\theta$ é inflado em +22,1% (IC 95%: 21,5–22,7%) em relação ao valor verdadeiro.

• Como a variância é o quadrado do desvio padrão, isso corresponde a uma inflação de +49% na variância ($\sigma_\theta^2$).
• Essa inflação se propaga diretamente para a estimativa de herdabilidade, resultando em um viés positivo de +9,2 pontos percentuais (pp) na estimativa de Falconer (levando de ~47% para ~56% em simulações, em contraste com o valor real de ~47%).

B. Mecanismo de Absorção de Variância

O estudo demonstra que o modelo de um componente, ao tentar explicar a concordância observada entre gêmeos, atribui erroneamente a concordância causada pela suscetibilidade extrínseca herdável à fragilidade intrínseca.

• Evidência de Recuperação: Quando um modelo de dois componentes (corretamente especificado) é ajustado, a inflação desaparece e $\sigma_\theta$ é recuperado com precisão (dentro de -3,2% do valor real).
• Independência do Condicionamento: O viés ocorre na etapa de calibração e não depende de restrições de sobrevivência (diferente do viés de "colisor" descrito por Hamilton), persistindo mesmo sem corte de idade.

C. Assinaturas Estruturais (Fingerprint)

O modelo mal especificado deixa rastros observáveis além do parâmetro escalar:

• Superfície de Sobrevivência Bivariada: O modelo de um componente falha em reproduzir a estrutura de dependência conjunta, apresentando um erro quadrático integrado (ISE) 48 vezes maior que o modelo de recuperação. Ele superestima a concordância na velhice e subestima na juventude.
• Correlação Condicional por Idade: O modelo inflado mostra excesso de dependência condicional em todas as idades, com um pico de discrepância ($\Delta r = 0,048$) aos 80 anos.
• Falha da Decomposição ACE: A aplicação de modelos de equações estruturais (ACE) não resolve o problema; a fragilidade extrínseca herdável é absorvida pelo componente genético aditivo ($A$), não pelo ambiente compartilhado ($C$), mantendo o viés.

D. Generalidade e Especificidade

• Generalidade do Modelo: O viés é consistente em três famílias de modelos de mortalidade (Gompertz-Makeham, MGG e SR), variando entre +14% e +22% de inflação em $\sigma_\theta$.
• Condições Necessárias: O viés requer três condições: (1) concordância genética na suscetibilidade extrínseca, (2) relevância para a mortalidade (o traço afeta o risco de morte) e (3) magnitude suficiente do risco extrínseco.
• Predição de Reversão de Sinal: O modelo prevê que, se a correlação genética ($\rho$) entre envelhecimento intrínseco e suscetibilidade extrínseca for negativa, o viés se inverterá (subestimando a herdabilidade). Simulações confirmam essa reversão de sinal em todos os modelos.

E. Robustez do Estimador

O estudo compara a calibração baseada em momentos (correlação MZ) com a Estimativa de Máxima Verossimilhança (ML) bivariada.

• Ambos os métodos sofrem viés sob especificação incorreta, mas a calibração por momentos infla o parâmetro cerca de 7 vezes mais que a ML. Isso ocorre porque a ML é parcialmente regularizada pela estrutura de sobrevivência marginal, enquanto a calibração por momentos canaliza toda a variação omitida para a concordância.

4. Significado e Implicações

1. Revisão da Estimativa de 50%: O artigo não nega que a herdabilidade intrínseca seja alta, mas argumenta que a estimativa de 50% de Shenhar et al. é superestimada devido a um viés estrutural. A correção sugerida reduziria a estimativa em 2,8 a 18,9 pontos percentuais (dependendo dos parâmetros), situando-a provavelmente na faixa de 31% a 47%.
2. Identificação de Modelos: O trabalho destaca que, sem modelar explicitamente a heterogeneidade extrínseca herdável, a decomposição entre "intrínseco" e "extrínseco" não é identificável em modelos de um único componente. O parâmetro calibrado é uma mistura de ambos.
3. Diretrizes para Pesquisa Futura:
   • A calibração de modelos de fragilidade deve incluir verificações de diagnóstico na superfície de sobrevivência bivariada para detectar assinaturas de má especificação.
   • Estudos futuros devem utilizar dados de causa de morte (competição de riscos) ou ancorar fragilidades com dados genômicos (polygenic scores) para quebrar a simetria matemática que permite a absorção de variância.
4. Validação Matemática: A utilização do Lean 4 para verificar as derivações algébricas do viés oferece um novo padrão de rigor para a crítica de modelos estatísticos em biologia populacional.

Em resumo, Kornilov demonstra que a inflação da herdabilidade intrínseca não é um artefato do método de cálculo, mas uma consequência inevitável de omitir a suscetibilidade familiar a riscos extrínsecos em modelos de sobrevivência paramétricos, exigindo uma reavaliação cuidadosa das estimativas atuais de longevidade genética.