ملخص تقني: FPLIER – مستخرج المعلومات المساريّة الموحد (Federated Pathway-Level Information Extractor)

1. بيان المشكلة

في علم النسخ المتماثل (transcriptomics)، تحقق طرق التفكيك المدركة لمجموعات الجينات، مثل مستخرج المعلومات على مستوى المسار (PLIER)، أداءً مثاليًا عند التدريب على مجموعات بيانات تعبير جيني ضخمة وغير متجانسة. ومع ذلك، فإن العديد من المجموعات السريرية ذات الصلة لا يمكن تجميعها في قاعدة بيانات مركزية واحدة بسبب المخاوف المتعلقة بالخصوصية، والمتطلبات التنظيمية، وسياسات حوكمة البيانات. وبينما يوفر التعلم الموحد (Federated Learning - FL) إطار عمل للتدريب التعاوني دون تجميع البيانات، فإن سير عمل التعلم الموحد القياسي (المصمم للتعلم العميق عبر التحديثات القائمة على التدرج) لا يتوافق طبيعيًا مع PLIER. يعتمد PLIER على تحديثات جبرية خطية مغلقة وشروط هيكلية قائمة على مجموعات الجينات، مما يتطلب إعادة صياغة مخصصة ليعمل في بيئة موزعة. علاوة على ذلك، هناك حاجة لفهم مخاطر الخصوصية في هذا النوع من التفكيك المصفوفي الموحد، وتحديدًا فيما يتعلق بهجمات استنتاج العضوية (membership inference attacks)، والتي لم تُدرس كثيرًا في هذا السياق مقارلة بالتعلم العميق.

2. المنهجية

2.1. إطار عمل FPLIER

إن FPLIER هو إعادة صياغة موحدة لـ PLIER مصممة لتمكين التدريب التعاوني عبر عدة جهات حاملة للبيانات مع الحفاظ على بيانات التعبير الجيني الخام محليًا. يعمل البروتوكول تحت نموذج تهديد "الأمين ولكن الفضولي" (honest-but-curious)، حيث يتبع الخادم والعملاء البروتوكول ولكن قد يحاولون استنتاج معلومات إضافية من الكميات المرصودة.

الآلية الجوهرية:

• تقسيم البيانات: يتم تقسيم مصفوفة التعبير الجيني $Y$ عموديًا (حسب العينات) عبر $N$ من العملاء. كل عميل $i$ يحتفظ ببياناته الخاصة $Y^{priv}_i$ ويُخصص له جزء من مجموعة بيانات عامة مشتركة $Y^{pub}_i$.
• المتغيرات العالمية والمحلية:
  • المحلية: يحتفظ كل عميل بمصفوفة التعبير الخاصة به $Y_i$ والتمثيل الكامن المقابل لها $B_i$ محليًا. هذه البيانات لا يتم مشاركتها أبدًا.
  • العالمية: مصفوفة تحميل الجينات $Z$، ومصفوفة الارتباط بمجموعات الجينات $U$، ومصفوفة عضوية مجموعات الجينات $C$ هي بارامترات عالمية مشتركة بين الكونسورتيوم (الاتحاد).
• التجميع الآمن: تعتمد تحديثات التدريب في PLIER على نواتج المصفوفات مثل $YY^\top$ و $YB^\top$ و $BB^\top$. في FPLIER، يتم حساب هذه الكميات بشكل تراكمي عبر العملاء ($\sum Y_i Y_i^\top$، إلخ) باستخدام بروتوكول SecAgg+. يضمن ذلك أن الخادم يرى فقط المجموع المجمع، وليس مساهمات كل عميل على حدة.
• التكافؤ الجبري: نظرًا لأن التحديثات تعتمد على البيانات فقط من خلال هذه المجموع المجمعة، فإن FPLIER ينتج تحديثات تدريب مكافئة جبريًا لنهج PLIER المركزي (مع فروق عددية طفيفة)، مما يحافظ على البنية الرياضية للطريقة الأصلية.

مراحل البروتوكول:

1. الخطوات التمهيدية: يقوم الخادم بتوزيع أجزاء من البيانات العامة على العملاء. يقوم العملاء بدمج بياناتهم الخاصة مع الجزء العام المخصص لهم، وإجراء عمليات تقسيم محلية للتدريب/الاختبار (train/holdout splits)، والمشاركة في عملية توحيد الدرجة المعيارية (z-score standardization) الموحدة.
2. التدريب الموحد: يقوم العملاء بتحديث المصفوفات المحلية بشكل تكراري وتجميع نواتج المصفوفات الضرورية بشكل آمن لتحديث $Z$ و $U$ عالميًا.
3. تقييم ما بعد الإصدار (اختياري): يمكن للعملاء تقييم حساسية النموذج لهجمات استنتاج العضوية محليًا باستخدام مجموعات الاختبار (holdout sets) الخاصة بهم قبل إصدار النموذج.

2.2. استراتيجية تقييم الخصوصية

يقيم المؤلفون مخاطر الخصوصية من خلال هجمات استنتاج العضوية في إعدادين:

1. هجوم وقت التدريب: يحاول خادم "أمين ولكن فضولي" تحديد ما إذا كانت عينة معينة موجودة في مجموعة التدريب باستخدام مصفوفة التباين المشابهة $YY^\top$ المرصودة أثناء التهيئة. يستخدم الهجوم تحليل المكونات الرئيسية (PCA) على $YY^\top$ لإسقاط العينات المرشحة؛ وعادة ما تعطي عينات التدريب بقايا إعادة بناء (reconstruction residuals) أصغر.
2. هجوم ما بعد الإصدار: يستخدم خصم خارجي بارامترات النموذج المنشور ($Z$ و $\lambda_2$) لإعادة بناء العينات وقياس ارتباط رتب سبيرمان (Spearken rank correlation) بين الملفات الأصلية والملفات المعاد بناؤها.

3. المساهمات الرئيسية

• صياغة FPLIER: أول صياغة موحدة لطريقة تفكيك مدركة لمجموعات الجينات للتحليل النسخي، وتحديدًا عبر تكييف إجراء تحسين PLIER للتدريب الموزع.
• التحقق التجريبي: إثبات أن FPLFPLIER يتقارب باستقرار وينتج تفكيكات لا تختلف إحصائيًا عن PLIER المركزي عبر كونسورتيوم محاكى (إعدادات K–CLIER و MultiPLIER).
• تحليل الرتبة والخصوصية (Privacy-Rank Analysis): تحليل منهجي يكشف أن خطر استنتاج العضوية محكوم بـ رتبة مصفوفة التعبير في التدريب. تحدد الدراسة أن زيادة نسبة العينات إلى الميزات ($n/p$) أو دمج البيانات العامة ينقل النظام نحو "نظام الرتبة الكاملة" (full-rank regime)، حيث تصبح عينات التدريب وغير التدريب غير قابلة للتمييز للمهاجمين.
• تحليل جديد لما بعد الإصدار: أول عرض لمخاطر استنتاج العضوية لنماذج PLIER المدربة مركزيًا، مما يظهر أن مبادئ الرتبة نفسها تنطبق على النماذج المنشورة.

4. النتائج التجريبية

قيم المؤلفون FPLIER باستخدام مجموعات بيانات من دراسات K–CLIER (بيولوجيا الكلى) و MultiPLIER (النسخ العام)، مع محاكاة كونسورتيوم موحد ببروتوكولات تتضمن نسب متفاوتة من البيانات العامة (من 0% إلى 100%).

• منفعة النموذج: تقارب FPLIER بشكل موثوق. أظهرت اختبارات كولموغوروف-سميرنوف (Kolmogorov–KS) على ارتباطات إعادة بناء الجينات عدم وجود فرق ذو دلالة إحصائية بين FPLIER و PLIER المركزي.
• هجمات وقت التدريب:
  • في أنظمة نقص الرتبة (انخفاض $n/p$، قلة البيانات العامة)، يمكن للخادم تحقيق AUROC يقترب من المثالية (قريب من 1.0) في التمييز بين عينات التدريب وعينات الاختبار.
  • مع إضافة البيانات العامة أو تقليل الأبعاد، تزداد $n/p$. بمجرد اقتراب النظام من نظام الرتبة الكاملة ($n/p \approx 1$)، ينخفض أداء الهجوم بشكل حاد نحو التخمين العشوائي (AUROC $\approx 0.5$).
• هجمات ما بعد الإصدار:
  • لوحظت اتجاهات مماثلة: انخفضت فعالية الهجوم مع زيادة رتبة بيانات التدريب.
  • ومع ذلك، كانت هجمات ما بعد الإصدار أقل فعالية بشكل عام من هجمات وقت التدريب وأظهرت تباينًا أكبر عبر العملاء، ويرجع ذلك على الأرجًا إلى تأثير التنظيم (regularization) وقيود مجموعات الجينات على الفضاء الكامن.
• تقليل الأبعاد: أدى تقليل مساحة الميزات (مثل 2,000 جين في K–CLIER) إلى نقل النظام إلى نظام الرتبة الكاملة عند أحجام عينات أصغر، مما قلل بشكل كبير من فعالية الهجوم.

5. الأهمية والادعاءات

يدعي البحث أن FPLIER يوفر حلاً عمليًا ومتناسبًا للتحليل النسخي التعاوني في مواجهة قيود حوكمة البيانات. تكمن أهميته الأساسية في:

1. تمكين التعاون: يسمح للمؤسسات بالاستفادة من مجموعات البيانات العامة الضخمة وغير المتجانسة والكوادر الخاصة في آن واحد دون مركزية البيانات الخام الحساسة، مما يلتزم بالأطر التنظيمية مثل GDPR.
2. تحديد حدود الخصوصية: يوضح العمل أن الخصوصية في طرق التفكيك المصفوفي مثل PLIER ليست ثنائية مطلقة بل هي دالة لرتبة البيانات. يوفر إرشادات عملية: يجب على الكونسورتيوم السعي للعمل في نظام الرتبة الكاملة (الذي يتحقق عبر دمج البيانات العامة أو تقليل الأبعاد) للتخفيف طبيعيًا من مخاطر استنتاج العضوية دون الحاجة بالضرورة إلى الخصوصية التفاضلية (differential privacy)، والتي قد تضعف منفعة النموذج.
3. الضمانات التشغيلية: يتضمن البروتوكول آلية مدمجة للعملاء لتقييم مخاطر الخصوصية محليًا قبل إصدار النموذج، مما يسمح لهم بمنع الإصدار إذا وجدوا أن النموذج حساس للغاية لتوزيع بياناتهم الخاص.

يتبنى المؤلفون موقفًا متواضعًا، مشيرين إلى أن ضمانات الخصوصية لديهم تجريبية وليست رسمية (على عكس الخصوصية التفاضلية)، وأن الدراسة محدودة بنموذج تهديد "الأمين ولكن الفضول". ويقترحون أن العمل المستقبلي يمكن أن يدمج آليات خصوصية رسمية ويستكشف التفكيك القيمي المفرد الموحد (federated singular value decomposition) لتقليل التعرض للمعلومات أثناء التهيئة.