Resumen Técnico: FPLIER – Extractor de Información a Nivel de Vía Federado

1. Declaración del Problema

En transcriptómica, los métodos de factorización conscientes de conjuntos de genes, como el Extractor de Información a Nivel de Vía (PLIER), logran un rendimiento óptimo cuando se entrenan en compendios de expresión grandes y heterogéneos. Sin embargo, muchas cohortes clínicamente relevantes no pueden agruparse en un único conjunto de datos centralizado debido a preocupaciones de privacidad, requisitos regulatorios y políticas de gobernanza de datos. Si bien el Aprendizaje Federado (FL) ofrece un marco para el entrenamiento colaborativo sin agrupación de datos, los flujos de trabajo estándar de FL (diseñados para aprendizaje profundo con actualizaciones basadas en gradientes) no se alinean naturalmente con PLIER. PLIER depende de actualizaciones algebraicas lineales de forma cerrada y de restricciones estructurales basadas en conjuntos de genes, lo que requiere una reformulación dedicada para funcionar en un entorno distribuido. Además, existe la necesidad de comprender los riesgos de privacidad de dicha factorización de matrices federada, específicamente en lo que respecta a los ataques de inferencia de membresía, los cuales han sido menos estudiados en este contexto en comparación con el aprendizaje profundo.

2. Metodología

2.1. El Marco FPLIER

FPLIER es una reformulación federada de PLIER diseñada para permitir el entrenamiento colaborativo entre múltiples titulares de datos, manteniendo los datos locales de expresión génica. El protocolo opera bajo un modelo de amenaza honesto pero curioso, donde el servidor y los clientes siguen el protocolo pero pueden intentar inferir información adicional a partir de las cantidades observadas.

Mecanismo Central:

• Particionamiento de Datos: La matriz de expresión génica $Y$ se particiona por columnas (muestras) entre $N$ clientes. Cada cliente $i$ posee un conjunto de datos privado $Y^{priv}_i$ y se le asigna una porción de un conjunto de datos público compartido $Y^{pub}_i$.
• Variables Globales vs. Locales:
  • Locales: Cada cliente retiene su matriz de expresión $Y_i$ y la representación latente correspondiente $B_i$ localmente. Estos nunca se comparten.
  • Globales: La matriz de carga génica $Z$, la matriz de asociación de conjuntos de genes $U$ y la matriz de membresía de conjuntos de genes $C$ son parámetros globales compartidos entre el consorcio.
• Agregación Segura: Las actualizaciones de entrenamiento en PLIER dependen de productos matriciales como $YY^\top$, $YB^\top$ y $BB^\top$. En FPLIER, estas cantidades se calculan aditivamente entre clientes ($\sum Y_i Y_i^\top$, etc.) utilizando el protocolo SecAgg+. Esto asegura que el servidor solo vea la suma agregada, no las contribuciones individuales de los clientes.
• Equivalencia Algebraica: Dado que las actualizaciones dependen de los datos solo a través de estas sumas agregadas, FPLIER produce actualizaciones de entrenamiento que son algebraicamente equivalentes a un enfoque de PLIER centralizado (hasta pequeñas diferencias numéricas), preservando la estructura matemática del método original.

Fases del Protocolo:

1. Pasos Preliminares: El servidor distribuye porciones de datos públicos a los clientes. Los clientes concatenan sus datos privados con su porción pública, realizan divisiones locales de entrenamiento/conjunto de retención y participan en una estandarización de puntuación z federada.
2. Entrenamiento Federado: Los clientes actualizan iterativamente las matrices locales y agregan de forma segura los productos matriciales necesarios para actualizar $Z$ y $U$ globales.
3. Evaluación Post-lanzamiento (Opcional): Los clientes pueden evaluar localmente la sensibilidad del modelo a los ataques de inferencia de membresía utilizando sus conjuntos de retención antes de que el modelo sea lanzado.

2.2. Estrategia de Evaluación de Privacidad

Los autores evalúan el riesgo de privacidad mediante ataques de inferencia de membresía en dos escenarios:

1. Ataque durante el Entrenamiento: Un servidor honesto pero curioso intenta determinar si una muestra específica estaba en el conjunto de entrenamiento utilizando la matriz agregada similar a la covarianza $YY^\top$ observada durante la inicialización. El ataque utiliza el análisis de componentes principales (PCA) en $YY^\top$ para proyectar muestras candidatas; las muestras de entrenamiento suelen producir residuos de reconstrucción menores.
2. Ataque Post-lanzamiento: Un adversario externo utiliza los parámetros del modelo lanzado ($Z$ y $\lambda_2$) para reconstruir muestras y medir la correlación de rango de Spearman entre los perfiles originales y reconstruidos.

3. Contribuciones Clave

• Formulación FPLIER: La primera formulación federada de un método de factorización consciente de conjuntos de genes para análisis transcriptómico, adaptando específicamente el procedimiento de optimización de PLIER para el entrenamiento distribuido.
• Validación Empírica: Demostración de que FPLIER converge de manera estable y produce descomposiciones estadísticamente indistinguibles de PLIER centralizado en consorcios simulados (configuraciones K–CLIER y MultiPLIER).
• Análisis de Rango-Privacidad: Un análisis sistemático que revela que el riesgo de inferencia de membresía está gobernado por el rango de la matriz de expresión de entrenamiento. El estudio identifica que aumentar la relación muestra-característica ($n/p$) o incorporar datos públicos mueve el sistema hacia un "régimen de rango completo", donde las muestras de entrenamiento y no entrenamiento se vuelven indistinguibles para los atacantes.
• Nuevo Análisis Post-lanzamiento: La primera presentación de riesgos de inferencia de membresía para modelos estándar de PLIER entrenados centralmente, mostrando que los mismos principios basados en el rango se aplican a los modelos lanzados.

4. Resultados Experimentales

Los autores evaluaron FPLIER utilizando conjuntos de datos de los estudios K–CLIER (biología renal) y MultiPLIER (transcriptómica general), simulando consorcios federados con proporciones variables de datos públicos (del 0% al 100%).

• Utilidad del Modelo: FPLIER convergió de manera fiable. Las pruebas de Kolmogorov–Smirnov sobre las correlaciones de reconstrucción por gen mostraron que no hubo diferencias estadísticamente significativas entre FPLIER y PLIER centralizado.
• Ataques durante el Entrenamiento:
  • En régimenes de rango deficiente (bajo $n/p$, pocos datos públicos), el servidor pudo lograr un AUROC casi perfecto (cercano a 1.0) para distinguir muestras de entrenamiento de muestras de retención.
  • A medida que se añadieron datos públicos o se redujo la dimensionalidad, $n/p$ aumentó. Una vez que el sistema se acercó al régimen de rango completo ($n/p \approx 1$), el rendimiento del ataque cayó bruscamente hacia una adivinanza aleatoria (AUROC $\approx 0.5$).
• Ataques Post-lanzamiento:
  • Se observaron tendencias similares: la efectividad del ataque disminuyó a medida que aumentaba el rango de los datos de entrenamiento.
  • Sin embargo, los ataques post-lanzamiento fueron generalmente menos efectivos que los ataques durante el entrenamiento y exhibieron más variabilidad entre clientes, probablemente debido a la influencia de la regularización y las restricciones de conjuntos de genes en el espacio latente.
• Reducción de Dimensionalidad: Reducir el espacio de características (por ejemplo, a 2.000 genes en K–CLIER) desplazó el sistema a un régimen de rango completo con tamaños de muestra más pequeños, mitigando significativamente la efectividad del ataque.

5. Significado y Afirmaciones

El artículo afirma que FPLIER proporciona una solución pragmática y proporcionada para el análisis transcriptómico colaborativo frente a las restricciones de gobernanza de datos. Su significado principal radica en:

1. Habilitar la Colaboración: Permite a las instituciones aprovechar conjuntos de datos públicos grandes y heterogéneos y cohortes privadas simultáneamente sin centralizar datos crudos sensibles, adheriéndose a marcos regulatorios como el GDPR.
2. Definir Límites de Privacidad: El trabajo establece que para métodos de factorización de matrices como PLIER, la privacidad no es un binario absoluto, sino una función del rango de los datos. Proporciona una guía práctica: los consorcios deberían apuntar a operar en un régimen de rango completo (logrado mediante la integración de datos públicos o la reducción de dimensionalidad) para mitigar naturalmente los riesgos de inferencia de membresía sin recurrir necesariamente a la privacidad diferencial, lo cual puede degradar la utilidad del modelo.
3. Salvaguardas Operativas: El protocolo incluye un mecanismo integrado para que los clientes evalúen localmente el riesgo de privacidad antes del lanzamiento del modelo, permitiéndoles bloquear el lanzamiento si se descubre que el modelo es excesivamente sensible a su distribución de datos específica.

Los autores mantienen una postura modesta, señalando que sus garantías de privacidad son empíricas y no formales (a diferencia de la privacidad diferencial) y que el estudio se limita a un modelo de amenaza honesto pero curioso. Sugieren que el trabajo futuro podría incorporar mecanismos formales de privacidad y explorar la descomposición en valores singulares federada para reducir aún más la exposición durante la inicialización.