PRISM-G: an interpretable privacy scoring method for assessing risk in synthetic human genome data

Ce papier présente PRISM-G, une méthode interprétable et agnostique au modèle qui évalue le risque de confidentialité des génomes humains synthétiques en agrégeant trois scores de risque distincts basés sur la proximité génétique, la kinship et les traits liés aux variants rares.

L'essentiel

🧬 PRISM-G : Le "Détecteur de Fuites" pour les Données Génétiques Artificielles

Imaginez que vous voulez partager les recettes de cuisine secrètes de votre famille (votre ADN) avec le monde entier pour aider les chercheurs à trouver de nouveaux remèdes. Le problème ? Si vous donnez la recette exacte, n'importe qui pourrait retrouver votre nom, votre adresse et celle de vos cousins.

Pour résoudre ce problème, les scientifiques créent des "recettes factices" (des données génétiques synthétiques). Elles ressemblent aux vraies recettes, mais ne correspondent à aucune personne réelle. C'est comme si vous écriviez un livre de cuisine avec des ingrédients inventés qui ont le même goût que la réalité, mais qui n'appartiennent à personne.

Mais attention : Parfois, ces recettes factices sont trop parfaites. Elles révèlent accidentellement des secrets sur les vraies personnes. C'est là qu'intervient PRISM-G.

🕵️‍♂️ Qu'est-ce que PRISM-G ?

PRISM-G est un système de notation de sécurité (comme un score de crédit, mais pour la vie privée). Au lieu de dire simplement "C'est sûr" ou "Ce n'est pas sûr", il donne un score de 0 à 100 pour dire à quel point ces données factices sont dangereuses.

Pour être précis, PRISM-G ne regarde pas juste une seule chose. Il utilise trois lunettes différentes (comme un prisme qui décompose la lumière) pour inspecter les données sous trois angles :

1. La Lunette "Proximité" (PLI) : "Est-ce qu'on se ressemble trop ?"

• L'analogie : Imaginez que vous êtes dans une grande foule. Si vous créez un sosie parfait qui se tient à 1 centimètre de vous, tout le monde saura que c'est vous.
• Ce que ça détecte : PRISM-G vérifie si une personne dans le groupe "factice" est collée trop près d'une personne "réelle" dans l'espace génétique. Si c'est le cas, c'est une fuite de proximité.
• Le résultat : Plus le score est bas, plus les sosies sont éloignés des originaux.

2. La Lunette "Famille" (KRI) : "Est-ce qu'on a recréé la famille ?"

• L'analogie : Même si votre sosie ne vous ressemble pas à 100 %, s'il a exactement la même structure familiale que vous (les mêmes cousins, les mêmes grands-parents, les mêmes liens de parenté), on peut quand même vous retrouver en cherchant dans les arbres généalogiques.
• Ce que ça détecte : Le système regarde si les données factices ont involontairement recréé des liens de parenté (comme des jumeaux ou des cousins) qui n'existaient pas dans le groupe factice, ou s'il y a trop de liens cachés.
• Le résultat : Si le score est élevé, c'est que le générateur a "mémorisé" la structure familiale au lieu de la mélanger.

3. La Lunette "Traits Rares" (TLI) : "Est-ce qu'on a gardé les détails bizarres ?"

• L'analogie : Imaginez que vous avez une cicatrice très bizarre ou une tache de naissance unique. Si votre sosie a exactement la même tache, même s'il est vêtu différemment, on peut vous identifier grâce à ce détail unique. En génétique, ce sont les variants rares (des mutations très spécifiques).
• Ce que ça détecte : PRISM-G vérifie si les données factices contiennent des combinaisons de gènes rares qui sont si uniques qu'elles pointent directement vers une personne spécifique.
• Le résultat : Si le score est haut, c'est que les données factices contiennent des "signatures" trop uniques.

---

🏆 Le Verdict : Qui est le meilleur ?

Les chercheurs ont testé trois méthodes différentes pour créer ces données factices (comme trois chefs cuisiniers différents) :

1. GANs (Réseaux antagonistes génératifs) : Un chef très créatif.
2. RBM (Machines de Boltzmann restreintes) : Un chef qui a tendance à mémoriser trop de détails.
3. Genomator (Un chef logique) : Un chef qui suit des règles strictes.

Les résultats avec PRISM-G :

• Le GAN a obtenu le meilleur score (le plus sûr). Il a réussi à créer des données qui semblent réalistes pour la science, mais qui ne révèlent pas les secrets des familles ou des traits rares. C'est le "champion de la vie privée".
• Le Genomator est dans la moyenne. Il est sûr si on le règle bien, mais il faut faire attention à ses paramètres.
• Le RBM a obtenu le pire score. Il a tendance à "mémoriser" les données réelles, y compris les détails trop personnels et les liens familiaux. C'est comme un photocopieur qui a gardé les traces de l'encre originale.

💡 Pourquoi est-ce important ?

Aujourd'hui, en Europe, les chercheurs veulent partager des données médicales pour sauver des vies, mais les lois sur la vie privée (comme le RGPD) sont très strictes.

Avant PRISM-G, on disait souvent : "C'est sûr, car les données factices ne sont pas exactement les mêmes que les vraies."
Aujourd'hui, avec PRISM-G, on peut dire : "C'est sûr, car nous avons vérifié qu'il n'y a pas de liens de famille cachés, pas de sosies trop proches, et pas de détails trop uniques."

En résumé : PRISM-G est comme un inspecteur de sécurité qui ne se contente pas de regarder la façade d'un bâtiment. Il vérifie les fondations, les murs et les fenêtres pour s'assurer que personne ne peut s'infiltrer dans la vie privée des gens, même à travers des données qui semblent inoffensives. Cela permet de partager les données génétiques plus librement, en toute confiance.

Résumé technique

Titre : PRISM-G : un cadre de notation de la confidentialité interprétable pour évaluer les risques dans les données génomiques synthétiques humaines

1. Problématique

Le partage de données génomiques est essentiel pour la recherche biomédicale et la médecine de précision, mais il se heurte à des obstacles majeurs liés à la vie privée. Les données génétiques sont intrinsèquement ré-identifiables, et leur partage soulève des préoccupations éthiques et juridiques, notamment en Europe où l'interopérabilité transfrontalière est entravée par le manque de confiance et de normes techniques communes.

Bien que la génération de données synthétiques (via des modèles comme les GAN, les RBM ou les solveurs SAT) soit une solution prometteuse pour accéder aux données sans exposer les individus, les méthodes actuelles d'évaluation de la confidentialité sont insuffisantes. Elles reposent souvent sur des métriques de similarité simples (comme la distance de Hamming ou le voisinage le plus proche), qui ne capturent pas la complexité des fuites d'informations. En effet, le risque de ré-identification peut provenir non seulement de la ressemblance directe avec un individu réel, mais aussi de la préservation de structures familiales, de la corrélation à longue distance, ou de la présence de variants rares uniques qui permettent des attaques par inférence d'appartenance ou de traits.

2. Méthodologie : Le cadre PRISM-G

Les auteurs proposent PRISM-G (Privacy Risk Integrated Score for Multi-representation Genomes), un cadre agnostique au modèle conçu pour quantifier l'exposition à la vie privée sur trois axes complémentaires. Chaque composante produit un score normalisé entre 0 et 1, qui est ensuite agrégé en un score final de 0 à 100.

Les trois composantes principales sont :

1. Indice de fuite de proximité (PLI - Proximity Leakage Index) :

   • Objectif : Détecter si un génome synthétique se trouve anormalement proche d'un individu réel dans l'espace des coordonnées génétiques.
   • Méthode : Utilisation de l'Analyse en Composantes Principales (PCA) pour projeter les génomes. Le PLI compare la distribution des distances entre les échantillons synthétiques et les échantillons de validation (holdout) par rapport à une ligne de base (distances entre échantillons de validation). Il intègre un test de "voisinage adversaire" pour éviter de signaler une structure populationnelle normale.

2. Indice de rejouage de parenté (KRI - Kinship Replay Index) :

   • Objectif : Évaluer si le modèle synthétique recrée involontairement des structures familiales ou des dépendances à longue distance présentes dans les données réelles.
   • Méthode : Calcul de matrices de relation génétique (GRM) et analyse spectrale. Le KRI agrège quatre signaux : la réplique de paires de proches parents, l'excès de parenté interne, les collisions de micro-haplotypes (réutilisation de segments courts) et l'inflation spectrale (concentration des valeurs propres de la GRM).

3. Indice de fuite liée aux traits (TLI - Trait-Linked Leakage Index) :

   • Objectif : Capturer les risques liés à l'inférence d'appartenance ou de traits phénotypiques, en particulier via des variants rares.
   • Méthode : Combinaison de deux signaux : la performance d'une attaque d'inférence d'appartenance (MIA) basée sur la distance aux traits, et la détection de collisions de variants rares (présence simultanée de variants rares chez plusieurs individus synthétiques plus souvent que prévu par hasard).

Agrégation et Calibration :
Les scores des trois composantes sont combinés via un agrégateur "OR-like" (risque-averse), garantissant qu'une composante à haut risque ne soit pas masquée par des scores faibles sur les autres axes. Le score brut est ensuite calibré sur une échelle de 0 à 100 en utilisant deux références : un générateur "sûr" (échantillonnage aléatoire basé sur les fréquences alléliques sans structure) et un générateur "fuyant" (copie de données réelles avec peu de perturbations).

3. Contributions Clés

• Cadre multidimensionnel : PRISM-G dépasse les métriques de similarité unidimensionnelles pour évaluer la confidentialité selon trois représentations génétiques distinctes (coordonnées, parenté, traits).
• Interprétabilité : Le framework fournit non seulement un score global, mais aussi une décomposition des risques, permettant d'identifier la source exacte d'une vulnérabilité (ex. : est-ce un problème de parenté ou de variants rares ?).
• Évaluation comparative : Il permet de comparer objectivement différents générateurs de données synthétiques (GAN, RBM, solveurs SAT) sur une échelle normalisée et comparable.
• Analyse Trade-off : Le cadre permet de tracer des frontières de compromis entre la confidentialité (score PRISM-G) et l'utilité analytique (ex. : précision de l'inférence d'ascendance).

4. Résultats

L'évaluation a été réalisée sur des cohortes synthétiques générées par trois modèles (GAN, RBM, et Genomator basé sur SAT) en utilisant des sous-ensembles du projet 1000 Genomes (Chromosomes 1 et 15, avec 10 000 et 65 535 SNP).

• Différences selon les modèles :

  • GAN : A montré un profil de fuite équilibré et généralement faible. Sur les panels denses (65k SNP), il a obtenu le score de risque le plus bas (PRISM-G ≈ 2-35), indiquant une bonne protection contre la proximité et les collisions de variants rares, bien qu'il présente une certaine structure familiale.
  • RBM (Restricted Boltzmann Machine) : A présenté les risques les plus élevés (PRISM-G ≈ 42-70). Les résultats indiquent que le RBM a tendance à "mémoriser" les structures de parenté et les motifs de variants rares, entraînant des fuites importantes via l'indice TLI (uniqueness) et KRI.
  • Genomator (SAT-solver) : Son risque dépendait fortement de ses paramètres de contrainte (distance de Hamming). Des contraintes strictes augmentaient la proximité (PLI élevé), tandis que des contraintes plus lâches réduisaient la proximité mais pouvaient augmenter la réplique de structures spectrales.

• Stabilité du classement : Les tests de stabilité (corrélation de Kendall) ont confirmé que le classement des modèles (GAN le plus sûr > Genomator > RBM le plus risqué) est robuste, en particulier sur les panels de SNP denses.

• Compromis Confidentialité-Utilité : Tous les modèles ont maintenu une haute utilité pour la prédiction de l'ascendance (>90%). Cependant, le RBM a été dominé par les autres modèles : il offrait une utilité similaire mais avec un risque de confidentialité nettement supérieur. Genomator a démontré une capacité à réduire le risque de confidentialité tout en maintenant l'utilité en ajustant ses paramètres.

5. Signification et Impact

PRISM-G représente une avancée significative pour la gouvernance des données génomiques synthétiques, en particulier dans le contexte réglementaire européen (RGPD, Espace des Données de Santé Européen).

• Transparence : En décomposant le risque, PRISM-G permet aux régulateurs et aux chercheurs de comprendre pourquoi un jeu de données est risqué, facilitant ainsi la prise de décision éclairée pour le partage de données.
• Équité : Le cadre met en lumière que les risques ne sont pas uniformément distribués ; les populations sous-représentées ou vulnérables peuvent être plus exposées via des mécanismes spécifiques (comme l'unicité des variants rares).
• Optimisation : Il guide le développement de modèles génératifs en identifiant les axes de fuite spécifiques à corriger (ex. : réduire la réplique de parenté ou filtrer les variants rares).

En conclusion, PRISM-G offre un outil standardisé, interprétable et robuste pour auditer la confidentialité des données génomiques synthétiques, passant d'une approche binaire ("sûr" ou "non sûr") à une évaluation nuancée et multidimensionnelle essentielle pour la confiance dans la recherche génomique future.