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

Il documento presenta PRISM-G, un metodo interpretabile e agnostico rispetto al modello che valuta il rischio di privacy nei dati genomici sintetici attraverso tre componenti complementari (prossimità, parentela e tratti), dimostrando come le vulnerabilità varino a seconda del modello generativo e della densità dei marcatori.

L'essenziale

Immagina di voler condividere una ricetta segreta della famiglia (il tuo DNA) con il mondo intero per aiutare la scienza a trovare cure per le malattie. Ma c'è un problema: se dai la ricetta esatta, qualcuno potrebbe scoprire chi sei, chi sono i tuoi parenti o quali malattie hai.

Per risolvere questo, gli scienziati creano "ricette finte" (dati genomici sintetici). Sono copie quasi perfette della ricetta originale, ma con piccoli cambiamenti che dovrebbero rendere impossibile risalire alla persona reale.

Il problema è: quante di queste "ricette finte" sono davvero sicure? Alcune potrebbero essere così simili all'originale che un detective digitale potrebbe ancora capire chi sei.

Cos'è PRISM-G?

PRISM-G è come un "Termometro della Sicurezza" o un semaforo intelligente per queste ricette finte. Non si limita a dire "è sicura" o "non è sicura". Invece, analizza la ricetta da tre angolazioni diverse, proprio come un ispettore sanitario che controlla un ristorante:

1. La Prossimità (PLI): "Quanto sei vicino al vicino?"
   • L'analogia: Immagina di essere in una folla. Se la tua "copia finta" si trova esattamente accanto a te, è pericoloso. PRISM-G controlla se le copie finte sono "troppo vicine" alle persone reali nello spazio genetico. Se sono troppo vicine, il semaforo diventa rosso.
2. Il Replay Familiare (KRI): "Hai copiato la famiglia?"
   • L'analogia: Anche se la tua copia non è esattamente uguale a te, potrebbe aver copiato la struttura della tua famiglia. Se la copia finta ha un "fratello" o un "cugino" che non esiste nella realtà, o se le relazioni tra le persone finte sembrano troppo simili a quelle reali, è un segnale di allarme. È come se qualcuno avesse copiato non solo la tua faccia, ma anche la dinamica della tua famiglia.
3. La Fuga dei Segreti (TLI): "Hai rivelato i tuoi segreti più rari?"
   • L'analogia: Ogni persona ha dei "segreti genetici" molto rari (come una mutazione unica). Se la ricetta finta contiene combinazioni di questi segreti rari che non dovrebbero esistere insieme, o se permette di indovinare se una persona specifica era nel gruppo originale, è un rischio. PRISM-G controlla se questi "segreti rari" sono stati esposti.

Come funziona il punteggio?

PRISM-G prende i risultati di questi tre controlli e li mescola in un unico punteggio da 0 a 100:

• Verde (0-50): Sicuro. Puoi condividere i dati.
• Arancione (50-90): Attenzione. C'è qualche rischio, bisogna stare attenti.
• Rosso (90-100): Pericoloso. Non condividere, c'è troppa possibilità di identificare le persone.

Cosa hanno scoperto gli scienziati?

Hanno testato tre diversi "cuochi" (algoritmi) che creano queste ricette finte:

1. GAN (Generative Adversarial Networks): Come un artista che impara guardando molte foto. Ha creato ricette abbastanza sicure, con un punteggio basso (Verde/Arancione chiaro).
2. RBM (Restricted Boltzmann Machines): Come un fotocopiatore un po' troppo preciso. Ha avuto problemi: ha copiato troppo bene i "segreti rari" e le relazioni familiari, ottenendo un punteggio alto (Arancione/Rosso). È come se avesse memorizzato troppo i dettagli.
3. Genomator (Basato sulla logica): Come un architetto che costruisce case rispettando regole rigide. Se si stringono troppo le regole, la casa è troppo simile all'originale (pericolo). Se si allentano un po', diventa sicura.

La lezione importante

La scoperta principale è che non esiste un "cuoco" perfetto per tutte le situazioni.

• A volte un metodo è sicuro per la vicinanza, ma rivela i segreti rari.
• A volte un metodo è sicuro per i segreti, ma ricrea troppe relazioni familiari.

PRISM-G è utile perché non ti dà solo un numero magico, ma ti dice dove sta il problema. È come se ti dicesse: "La tua ricetta è sicura, ma attenzione: hai copiato troppo la struttura della famiglia". Questo permette agli scienziati di correggere il tiro e rendere i dati più sicuri senza perdere la loro utilità per la ricerca medica.

In sintesi, PRISM-G è il guardiano che ci assicura che, mentre condividiamo i dati per salvare vite, non stiamo involontariamente consegnando le chiavi di casa a degli estranei.

Sommario tecnico

Titolo

PRISM-G: Un framework interpretabile per la valutazione del rischio di privacy nei dati genomici sintetici umani.

1. Il Problema

La condivisione dei dati genomici è fondamentale per la ricerca biomedica e la medicina di precisione, ma è ostacolata da rischi significativi di privacy e da rigidi requisiti normativi (come il GDPR in Europa). La generazione di dati sintetici (coorti artificiali) è emersa come strategia promettente per facilitare la condivisione senza esporre i dati reali dei pazienti. Tuttavia, esistono sfide critiche:

• Valutazione inadeguata del rischio: Le pratiche attuali si basano spesso su metriche di similarità semplici (es. distanza di Hamming o vicini più prossimi) che non catturano la complessità della privacy genomica.
• Rischi multidimensionali: La privacy non è uniforme. Le perdite di dati possono avvenire attraverso:
  • La struttura di parentela (ricerca genealogica).
  • Varianti rare uniche che permettono l'identificazione o l'inferenza di tratti.
  • Attacchi di inferenza di appartenenza (Membership Inference Attacks - MIA).
• Mancanza di standard: Non esiste un protocollo di valutazione standardizzato e "consapevole del dominio" che permetta di confrontare oggettivamente diversi generatori di dati sintetici e di prendere decisioni informate sulla condivisione dei dati.

2. Metodologia: Il Framework PRISM-G

Gli autori introducono PRISM-G (Privacy Risk Integrated Score for Multi-representation Genomes), un framework agnostico rispetto al modello che quantifica l'esposizione alla privacy attraverso tre componenti complementari, normalizzate e aggregate in un unico punteggio interpretabile (0-100).

Le Tre Componenti di Rischio

1. Indice di Perdita di Prossimità (PLI - Proximity Leakage Index):

   • Concetto: Valuta se un genoma sintetico si trova insolitamente vicino a un individuo reale nello spazio delle coordinate genetiche (ottenuto tramite PCA), oltre quanto atteso dalla struttura della popolazione.
   • Metodo: Confronta la distribuzione delle distanze tra sintetici e reali (holdout) con una linea di base (holdout vs holdout). Utilizza un rapporto di quantile inferiore e un controllo di vicinanza "avversariale" per evitare falsi positivi dovuti alla struttura naturale della popolazione.

2. Indice di Riproduzione della Parentela (KRI - Kinship Replay Index):

   • Concetto: Misura se il dataset sintetico ricrea involontariamente strutture familiari o dipendenze a lungo raggio presenti nei dati reali (es. cugini stretti, segmenti di aplotipo condivisi).
   • Metodo: Utilizza le Matrici di Relazione Genetica (GRM) e analizza quattro segnali:
     • Riproduzione dello spettro di parentela stretta (divergenza Jensen-Shannon).
     • Eccesso di parentela interna.
     • Collisioni di micro-apolotipi (riutilizzo eccessivo di pattern di genotipo brevi).
     • Inflazione spettrale (concentrazione della correlazione globale).

3. Indice di Perdita Legata ai Tratti (TLI - Trait-linked Leakage Index):

   • Concetto: Cattura l'esposizione derivante da caratteristiche genetiche associate a fenotipi o varianti rare, che possono permettere l'inferenza di tratti o l'identificazione anche senza somiglianza genetica globale.
   • Metodo: Combina due segnali:
     • MIA: Performance di un attacco di inferenza di appartenenza basato su carichi di varianti rare.
     • Unicità: Frequenza di collisioni di varianti rare tra sintetici e reali (valutata sotto l'equilibrio di Hardy-Weinberg).

Aggregazione e Calibrazione

• Aggregazione: I tre punteggi (0-1) sono combinati utilizzando un aggregatore "OR-like" (rischioso), che assicura che un singolo componente ad alto rischio non venga mascherato da valori bassi negli altri.
• Calibrazione: Per rendere il punteggio interpretabile su una scala 0-100, il framework utilizza due generatori di riferimento:
  • Safe Baseline: Un campionatore binomiale che preserva le frequenze alleliche ma rimuove le dipendenze (rischio minimo).
  • Leaky Baseline: Un "copycat" che sovrappreserva la struttura e le relazioni (rischio massimo).
• Il punteggio finale viene mappato linearmente tra questi due estremi.

3. Risultati Sperimentali

Il framework è stato valutato su coorti sintetiche generate da tre approcci diversi, utilizzando dati del progetto 1000 Genomes (1KGP) su due pannelli di SNP (10.000 e 65.535 SNP):

1. GAN (Generative Adversarial Networks).
2. RBM (Restricted Boltzmann Machines).
3. Genomator (Generatore basato su logica SAT).

Principali scoperte:

• Differenziazione dei rischi: Ogni modello mostra vulnerabilità lungo assi diversi.
  • GAN: Ha mostrato il rischio complessivo più basso (punteggio PRISM-G ~2-35), con una buona preservazione della struttura ma bassa perdita di parentela e varianti rare.
  • RBM: Ha mostrato il rischio più alto (punteggio PRISM-G ~42-70), dovuto principalmente a una forte perdita legata alle varianti rare (TLI alto) e alla memorizzazione di strutture familiari.
  • Genomator: Il rischio è dipendente dai parametri di vincolo (distanza di Hamming). Vincoli stretti aumentano la perdita di prossimità (PLI), mentre il rilassamento riduce la prossimità ma può mantenere un'alta inflazione spettrale (KRI).
• Stabilità del Ranking: L'analisi di stabilità (coefficiente di correlazione di Kendall) ha confermato che il ranking dei modelli (GAN < Genomator < RBM) è robusto attraverso diverse configurazioni di iperparametri e densità di marcatori.
• Trade-off Privacy-Utilità: L'analisi del fronte di Pareto ha dimostrato che, mentre tutti i modelli mantengono un'alta utilità per l'inferenza dell'ascendenza, RBM è dominato: offre un'utilità simile agli altri ma con un rischio di privacy significativamente superiore. Genomator e GAN offrono un miglior compromesso.

4. Contributi Chiave

1. Framework Olistico: PRISM-G supera le metriche di similarità monodimensionali, integrando coordinate genetiche, relazioni familiari e segnali legati ai tratti/rare varianti.
2. Interpretabilità: Fornisce non solo un punteggio globale, ma un profilo dettagliato (PLI, KRI, TLI) che aiuta a identificare il meccanismo specifico della perdita di dati (es. "il modello sta memorizzando troppe varianti rare" vs "il modello sta ricreando famiglie").
3. Scalabilità e Calibrazione: L'uso di baseline di riferimento (sicure e rischiose) permette di normalizzare i risultati su una scala 0-100, rendendo i confronti tra diversi dataset e generatori possibili senza assumere un modello di avversario specifico.
4. Guida alla Mitigazione: I risultati suggeriscono strategie di mitigazione mirate (es. potatura dei pedigrì per ridurre KRI, filtraggio delle varianti rare per ridurre TLI).

5. Significato e Implicazioni

• Governance dei Dati: PRISM-G risponde alla necessità di standard tecnici per la condivisione transfrontaliera dei dati genomici in Europa, fornendo evidenze tecniche per giustificare i livelli di rischio accettabili.
• Sicurezza delle Popolazioni Vulnerabili: Il framework è particolarmente sensibile ai rischi che colpiscono le popolazioni sottorappresentate o quelle con varianti rare, dove la perdita di privacy è sproporzionata.
• Sviluppo Futuro: Il lavoro stabilisce una base per l'audit sistematico dei dati sintetici medici, spostando il settore da un approccio di "fiducia implicita" a uno di "verifica dimostrabile" della privacy, essenziale per l'adozione su larga scala dell'IA in genomica.

In sintesi, PRISM-G dimostra che la privacy genomica è un concetto multidimensionale e che la scelta del generatore di dati sintetici deve basarsi su un'analisi dettagliata dei meccanismi di perdita, non solo sulla fedeltà statistica complessiva.