Private Information Leakage from Polygenic Risk Scores

Diese Studie zeigt, dass Polygenische Risikoscores (PRS) zur Wiederherstellung von Genotypen und zur Entanonymisierung von Personen missbraucht werden können, und stellt gleichzeitig einen analytischen Rahmen sowie eine Lösung für den sicheren Austausch von PRS-Modellen vor.

Das Wesentliche

🧬 Das Geheimnis hinter dem "Genetischen Punktestand"

Stell dir vor, dein Körper ist wie ein riesiges, komplexes Puzzle aus Millionen von kleinen Teilen (den Genen). Wissenschaftler haben eine Methode entwickelt, um zu berechnen, wie wahrscheinlich es ist, dass du in Zukunft eine bestimmte Krankheit bekommst. Dazu nehmen sie eine Auswahl dieser Puzzle-Teile, gewichten sie und addieren sie zu einer einzigen Zahl: dem Polygenen Risikowert (PRS).

Bisher dachten alle: "Ach, das ist ja nur eine Zahl. Wenn ich sie teile, verrät sie nichts über meine DNA. Das ist sicher anonym."

Die Forscher dieser Studie haben jedoch gezeigt, dass diese Annahme falsch ist. Sie haben bewiesen, dass man aus dieser einen Zahl fast das gesamte Puzzle wieder zurückbauen kann.

🕵️‍♂️ Die Detektivarbeit: Wie man aus einer Zahl das Puzzle rekonstruiert

Stell dir den PRS wie das Ergebnis einer mathematischen Aufgabe vor:

• Du hast eine Liste von Zahlen (die Gewichte der Gene).
• Du hast das Endergebnis (den PRS-Wert).
• Du musst herausfinden, welche Kombination von 0, 1 oder 2 (die Gen-Varianten) zu diesem Ergebnis führt.

Das klingt nach einem riesigen Rätsel, das unmöglich zu lösen ist. Die Forscher haben aber einen cleveren Trick angewendet:

1. Der "Meet-in-the-Middle"-Trick: Statt alles auf einmal zu raten, teilen sie das Puzzle in zwei Hälften auf und lösen jede Hälfte separat. Dann suchen sie nach der Schnittstelle, wo die beiden Hälften perfekt zusammenpassen.
2. Der "Wahrscheinlichkeits-Ratgeber": Wenn es mehrere Lösungen gibt, schauen sie sich an, welche Lösung am häufigsten in der Bevölkerung vorkommt. Das ist wie ein Detektiv, der weiß: "Wenn jemand in Berlin wohnt, ist es wahrscheinlicher, dass er Deutsch spricht als Japanisch." Sie nutzen also statistische Wahrscheinlichkeiten, um die richtige Lösung zu finden.

Das Ergebnis: Sie konnten mit einer Genauigkeit von über 94 % die ursprünglichen Gene einer Person aus nur einer einzigen Risikozahl zurückrechnen.

🌍 Wer ist am meisten gefährdet? (Der "Fremden"-Effekt)

Hier kommt ein wichtiger Punkt: Nicht alle sind gleich sicher.
Die meisten Studien, auf denen diese Punktestände basieren, wurden mit Menschen europäischer Abstammung gemacht.

• Europäer: Da die Datenbasis hier sehr groß ist, sind die Vorhersagen gut, aber auch etwas "verrauschter".
• Menschen afrikanischer oder ostasiatischer Abstammung: Da die Datenbasis für sie kleiner ist, sind die Vorhersagen für sie genauer und gefährlicher. Es ist, als würde man versuchen, einen Schlüssel zu finden, der nur für ein einziges, sehr spezifisches Schloss passt. Da es weniger "Schlüssel" in der Datenbank gibt, ist es für einen Angreifer einfacher, den richtigen zu finden.

🔓 Die drei Arten, wie deine Identität gestohlen werden kann

Die Studie zeigt drei Szenarien, wie diese Information missbraucht werden könnte:

1. Die "Familienfahndung" (Genealogie-Datenbanken):
   Stell dir vor, du gibst deinen PRS-Wert anonym im Internet preis. Ein Hacker rechnet deine Gene zurück, lädt sie in eine Datenbank wie GEDMatch (wo Menschen ihre DNA hochladen, um Verwandte zu finden) und findet: "Hey, diese DNA passt zu Person X, die in einer Datenbank registriert ist!" Plötzlich bist du nicht mehr anonym, und sogar deine Verwandten sind enttarnt.

   • Ergebnis: 100 % der Personen konnten so identifiziert werden.

2. Die "Nadel im Heuhaufen" (Verknüpfung mit anonymen Datenbanken):
   Stell dir eine riesige Datenbank vor, in der Millionen von Menschen ihre Gesundheitsdaten und ihre DNA gespeichert haben, aber ohne Namen (anonymisiert). Wenn du deinen PRS-Wert (z. B. für Diabetes) kennst, kann ein Hacker diesen Wert für alle Millionen Leute in der Datenbank berechnen. Da der Wert so einzigartig ist, findet er genau eine Person, die denselben Wert hat.

   • Ergebnis: Schon ein Risikowert mit nur 27 Genen reicht aus, um 95 % der Menschen in großen Datenbanken eindeutig zu identifizieren.

3. Die "Überraschungs-Entlarvung" (Versteckte Krankheiten):
   Selbst wenn du nur einen Risikowert für "Herzkrankheit" teilst, kann der Hacker deine rekonstruierten Gene nutzen, um zu berechnen, wie hoch dein Risiko für andere Krankheiten ist (z. B. Depressionen oder Krebs), über die du nichts gesagt hast.

🛡️ Die Lösung: Ein bisschen "Unschärfe" rettet die Privatsphäre

Die gute Nachricht: Es gibt einen einfachen Weg, dies zu verhindern, ohne den Nutzen der Wissenschaft zu zerstören.

Stell dir vor, du gibst deine Adresse an.

• Unsicher: "Hauptstraße 123, 10115 Berlin" (Jeder findet dich).
• Sicherer: "Hauptstraße, 10115 Berlin" (Viele Leute wohnen dort, du bist schwerer zu finden).

Die Forscher schlagen vor, die Genauigkeit der Zahlen in den Risikomodellen zu verringern. Wenn man die Dezimalstellen der Gewichte rundet (z. B. aus 0,123456 macht man 0,12), wird das mathematische Rätsel für Hacker fast unlösbar.

• Der Clou: Für den Arzt und den Patienten ändert sich am Ergebnis kaum etwas. Die Risikoeinschätzung bleibt gleich gut. Aber für den Hacker wird es unmöglich, deine Gene zurückzurechnen oder dich in einer Datenbank zu finden.

🎯 Fazit

Diese Studie ist eine große Warnung. Polygene Risikowerte sind wie ein digitaler Fingerabdruck, den viele für harmlos halten. Wenn wir sie teilen, geben wir im Grunde unser genetisches Geheimnis preis.

Die Botschaft ist klar: Wir müssen vorsichtiger sein, wie wir diese Daten teilen. Durch einfaches "Runden" der Zahlen können wir unsere Privatsphäre schützen, ohne auf die medizinischen Vorteile dieser modernen Technologie zu verzichten.

Technische Zusammenfassung

Titel: Private Information Leakage from Polygenic Risk Scores (Privater Datenabfluss durch polygene Risikoscores)

Autoren: Kirill Nikitin und Gamze Gürsoy (Columbia University & New York Genome Center)

---

1. Problemstellung

Polygene Risikoscores (PRS) sind ein weit verbreitetes Maß zur Vorhersage der genetischen Anfälligkeit für komplexe Krankheiten. Sie werden zunehmend in der klinischen Praxis, in der direkten Konsumentengenetik (z. B. 23andMe) und in Forschungsstudien verwendet.

• Annahme: PRS-Werte gelten derzeit als zusammengefasste Daten (Summary-Level-Daten), die keine Rückschlüsse auf die zugrunde liegenden individuellen Genotypen zulassen und daher als sicher für die Veröffentlichung oder den Austausch gelten.
• Hypothese der Autoren: Diese Annahme ist falsch. Die Autoren zeigen, dass PRS-Werte ausgenutzt werden können, um die ursprünglichen Genotypen (SNPs) eines Individuums zu rekonstruieren und Personen zu deanonymisieren. Dies birgt erhebliche Risiken für die Privatsphäre, einschließlich der Offenlegung von Gesundheitsdaten und der Identifizierung von Verwandten in Genetik-Datenbanken.

---

2. Methodik

Die Studie entwickelt einen Angriffsrahmen, der die Rekonstruktion von Genotypen aus PRS-Werten als ein Subset-Sum-Problem (Teilsummenproblem) modelliert.

A. Mathematische Formulierung

Ein PRS wird als lineare Kombination von Genotypen $g_i \in \{0, 1, 2\}$ und Effektgewichten $\beta_i$ berechnet:
$$PRS = \sum \beta_i \cdot g_i$$
Die Aufgabe besteht darin, die unbekannten $g_i$ zu finden, gegeben den PRS-Wert und die $\beta_i$. Da dies NP-schwer ist, nutzen die Autoren spezifische Optimierungen:

1. Dynamische Programmierung (Dynamic Programming): Ein effizienter Algorithmus zur Lösung des Subset-Sum-Problems.
2. Meet-in-the-Middle-Ansatz: Die Effektgewichte werden in zwei Hälften geteilt, um die Speicher- und Rechenkomplexität von $O(3^N)$ auf $O(3^{N/2})$ zu reduzieren.
3. Bevölkerungsbasierte Likelihood-Schätzung: Da es oft mehrere mathematisch mögliche Lösungen gibt, wird die wahrscheinlichste Genotyp-Konfiguration ausgewählt, indem die Allelfrequenzen der Zielbevölkerung genutzt werden (maximale Log-Likelihood).
4. PRS-Chaining und Self-Repair:
   • Chaining: Wenn mehrere PRS-Werte eines Individuums verfügbar sind, werden die Genotypen überlappender SNPs aus kleineren PRS-Modellen in größere Modelle übernommen, um den Lösungsraum einzugrenzen.
   • Self-Repair: Falls eine vorherige Vorhersage zu einem Widerspruch führt, werden frühere Annahmen revidiert und korrigiert.

B. Bedrohungsmodelle

Die Autoren analysieren drei Szenarien:

1. Genotyp-Rekonstruktion: Angreifer erhält öffentliche PRS-Werte und Modellparameter (Effektgewichte) und rekonstruiert die Genotypen.
2. Deanonymisierung via Genealogie: Rekonstruierte Genotypen werden in öffentlichen Genealogie-Datenbanken (z. B. GEDMatch) abgefragt, um Verwandte oder das Individuum selbst zu identifizieren.
3. Linkage-Angriff auf anonymisierte Datenbanken: Ein Angreifer berechnet PRS-Werte für alle Einträge in einer anonymisierten Genotyp-Phänotyp-Datenbank (z. B. UK Biobank) und verknüpft sie mit einem bekannten PRS-Wert eines Ziels, ohne Genotypen rekonstruieren zu müssen (basierend auf der Einzigartigkeit des PRS-Werts).

C. Datensätze

• 1000 Genomes Project: Für Genotyp-Rekonstruktion und Deanonymisierungstests (verschiedene Abstammungsgruppen: AFR, AMR, EAS, EUR, SAS).
• UK Biobank (UKBB): Für die Analyse der Einzigartigkeit von PRS-Werten in großen Kohorten.
• PGS Catalog: Analyse von 4.723 veröffentlichten PRS-Modellen zur Bewertung der Verwundbarkeit.

---

3. Wichtige Ergebnisse

A. Genotyp-Rekonstruktion

• Genauigkeit: Die Methode erreicht eine mediane Genauigkeit von 94,6 % bei der Vorhersage von Genotypen aus PRS-Werten (bis zu 50 SNPs pro Panel).
• Einfluss der Abstammung: Personen nicht-europäischer Abstammung (AFR, EAS) sind einem höheren Risiko ausgesetzt. Da PRS-Modelle oft auf europäischen GWAS-Daten basieren, sind die Allelfrequenzen in diesen Populationen weniger vorhersehbar, was die Rekonstruktion für diese Gruppen erleichtert (da sie häufiger homozygot für die vorherrschenden Allele sind).
• Skalierbarkeit: Modelle mit bis zu 80 Varianten sind in der Praxis angreifbar, wenn die Effektgewichte eine hohe Präzision (viele Dezimalstellen) aufweisen.

B. Deanonymisierung und Verwandtschaftsanalyse

• Mit den rekonstruierten Genotypen konnten 100 % der Testpersonen korrekt als „selbst" identifiziert werden.
• Die Identifikation von Verwandten gelang mit hoher Präzision: ~90 % für Verwandte ersten Grades und ~85 % für Verwandte zweiten Grades.
• Selbst bei unvollständiger Genotyp-Rekonstruktion (ca. 50 % der relevanten SNPs) reichte die Information aus, um Verwandtschaftsgrade in Genealogie-Datenbanken zu erkennen.

C. Einzigartigkeit von PRS-Werten (Linkage)

• Ein einzelner PRS-Wert kann als starker quasi-Identifikator dienen.
• In der UK Biobank (450.000 Teilnehmer) reichten 27 SNPs aus, um 95 % der Individuen eindeutig zu identifizieren.
• Selbst bei nur 14 SNPs teilte sich der Medianwert nur mit zwei Personen (Anonymitäts-Set-Größe = 2).

D. Analyse des PGS Catalog

• Von 4.723 analysierten PRS-Modellen waren mindestens 447 Modelle (mit bis zu 50 SNPs) anfällig für eine Genotyp-Rekonstruktion, wenn die individuellen PRS-Werte veröffentlicht würden.

---

4. Signifikanz und Lösungsansatz

Bedeutung

Die Studie widerlegt die Annahme, dass PRS-Werte sicher sind. Sie zeigt, dass die Veröffentlichung von PRS-Werten (sowohl in der Forschung als auch durch Konsumenten) zu schwerwiegenden Datenschutzverletzungen führen kann:

• Re-Identifizierung anonymisierter Studienteilnehmer.
• Offenlegung sensibler Gesundheitsdaten (auch für Krankheiten, die nicht im ursprünglichen PRS enthalten waren).
• Diskriminierungsrisiken (z. B. durch Versicherungen), da GINA (Genetic Information Nondiscrimination Act) nicht alle Versicherungsarten abdeckt.

Empfohlene Gegenmaßnahme: Runden der Effektgewichte

Die Autoren schlagen eine einfache, aber effektive Methode vor, um die Privatsphäre zu schützen, ohne den Nutzen der PRSs zu beeinträchtigen:

• Reduktion der Präzision: Das Runden der Effektgewichte (Anzahl der Dezimalstellen) erhöht die „Dichte" des Subset-Sum-Problems drastisch.
• Wirkung: Dies macht die Genotyp-Rekonstruktion mathematisch unlösbar oder extrem ungenau.
• Nutzererhalt: Die Verteilung der PRS-Werte bleibt dabei nahezu unverändert, sodass die klinische oder forschungsbezogene Nutzbarkeit (Utility) erhalten bleibt.
• Empfehlung: Datenhalter sollten Modelle mit hoher Präzision nur für die Reproduzierbarkeit bereitstellen, aber für die klinische Anwendung oder öffentliche Freigabe gerundete Versionen nutzen.

---

Fazit

Das Paper demonstriert, dass Polygene Risikoscores keine anonymen Daten sind, sondern als Schlüssel zur Rekonstruktion genetischer Informationen und zur Deanonymisierung dienen können. Es fordert eine Neubewertung der Datenschutzrichtlinien für genetische Daten und bietet einen praktischen Weg (Runden der Gewichte) auf, um die Balance zwischen Datennutzung und Privatsphäre wiederherzustellen.