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

이 논문은 합성 인간 유전체 데이터의 프라이버시 위험을 평가하기 위해 유전 좌표 공간의 근접성, 친족 관계 재현, 그리고 희귀 변이 및 멤버십 추론 신호를 종합적으로 분석하는 해석 가능한 프라이버시 점수화 방법인 PRISM-G 를 제안하고 다양한 생성 모델에 대한 유효성을 입증합니다.

핵심

1. 배경: 왜 가짜 유전체 데이터가 필요할까요?

의사나 과학자들이 질병을 연구하려면 수많은 사람의 유전자 정보가 필요합니다. 하지만 실제 사람의 유전자를 그대로 공유하면 개인정보 유출의 위험이 큽니다.
그래서 **"가짜지만 진짜처럼 보이는 유전체 데이터"**를 만들어서 연구에 쓰려고 합니다. 마치 요리사가 손님에게 맛을 보여주기 위해 모조품 (가짜) 과일을 만드는 것과 비슷합니다.

하지만 문제는 이 가짜 데이터가 너무 진짜와 비슷하면, 실제 사람의 신원을 추론해 낼 수 있다는 점입니다. "이 가짜 데이터가 누구의 DNA 와 너무 닮았네?"라고 찾아낼 수 있다면, 그 가짜 데이터는 안전하지 않은 것입니다.

2. PRISM-G 란 무엇인가요?

PRISM-G 는 이 가짜 데이터의 안전성 점수를 매겨주는 **'정밀한 보안 검사관'**입니다. 단순히 "가짜와 진짜가 얼마나 닮았나?"만 보는 게 아니라, **세 가지 다른 각도 (프리즘)**에서 데이터를 비추어 숨겨진 위험을 찾아냅니다.

🕵️‍♂️ 검사관 1: "너, 나랑 너무 닮았네!" (근접성 위험 - PLI)

• 비유: 가짜 데이터가 진짜 사람 중 한 명과 유전적으로 너무 가깝게 붙어 있는 경우입니다.
• 상황: 가짜 사과가 진짜 사과와 색깔, 모양이 99.9% 똑같다면, 그 가짜 사과를 보고 진짜 사과를 바로 찾아낼 수 있습니다.
• PRISM-G 의 역할: 가짜 데이터가 진짜 데이터와 '너무 가까이' 붙어 있는지, 통계적으로 이상할 정도로 가깝지는 않은지 확인합니다.

👨‍👩‍👧‍👦 검사관 2: "가족 관계가 그대로 복제됐네?" (친족 관계 재현 위험 - KRI)

• 비유: 가짜 데이터가 **가족 관계 (친척, 부모 - 자식 등)**를 그대로 따라 했을 때의 위험입니다.
• 상황: 가짜 데이터 속에 "실제 존재하지 않는 친척 관계"가 만들어지거나, 실제 가족들의 유전적 연결고리가 그대로 복제되어 있다면, 가짜 데이터를 통해 실제 가족들의 신원을 역추적할 수 있습니다.
• PRISM-G 의 역할: 가짜 데이터 속에 실제 가족들의 관계가 '재연 (Replay)'되어 있는지, 유전적 연결고리가 너무 강하게 남아있는지 확인합니다.

🧬 검사관 3: "너, 그 희한한 특징이 있네?" (특징 기반 유출 위험 - TLI)

• 비유: **드문 유전적 특징 (희귀 변이)**을 통해 사람을 식별하는 경우입니다.
• 상황: 일반인에게는 흔하지 않은 '특이한 유전자'를 가진 사람이 있다면, 가짜 데이터에 그 특이한 유전자가 그대로 남아있을 때, 그 사람이 누구인지 바로 알아챌 수 있습니다. 마치 "이 사람만 가진 독특한 문신"을 가진 사람을 찾는 것과 같습니다.
• PRISM-G 의 역할: 가짜 데이터에 실제 사람의 '희귀한 특징'이 너무 많이 섞여 있는지, 혹은 Membership Inference(이 사람이 훈련 데이터에 있었나?) 공격에 취약한지 확인합니다.

3. 실험 결과: 어떤 모델이 가장 안전할까?

저자들은 세 가지 다른 방식 (GAN, RBM, Genomator) 으로 만든 가짜 데이터를 PRISM-G 로 검사했습니다.

• GAN (생성적 적대 신경망): 마치 유능한 화가처럼, 전체적인 분위기는 비슷하게 그리되 세부적인 특징은 적당히 변형했습니다. 가장 안전한 (점수가 낮음) 모델로 평가받았습니다.
• RBM (제한된 볼츠만 머신): 마치 기억력이 너무 좋은 학생처럼, 실제 데이터의 '드문 특징'이나 '가족 관계'를 너무 잘 기억해 내서 그대로 복제해 버렸습니다. 가장 위험한 (점수가 높음) 모델로 평가받았습니다.
• Genomator (논리 기반 생성기): 설정에 따라 안전성이 달라졌습니다. "진짜와 너무 가깝지 않게 하라"는 지시를 강하게 주면 안전해졌지만, 지시를 약하게 주면 위험해졌습니다.

4. 결론: 왜 이 연구가 중요한가요?

이전에는 "가짜 데이터와 진짜 데이터가 얼마나 비슷한가?"만 보고 안전하다고 판단했습니다. 하지만 PRISM-G 는 **"어떤 이유로 위험한가?"**를 구체적으로 알려줍니다.

• 안전한 데이터는 0~100 점 척도로 쉽게 비교 가능합니다.
• 위험의 원인을 정확히 파악할 수 있어 (예: "아, 가족 관계가 너무 잘 복제됐구나"), 이를 고치는 방법을 찾을 수 있습니다.
• 연구의 유용성 (Utility) 과 안전성 (Privacy) 의 균형을 찾아주는 나침반 역할을 합니다.

한 줄 요약:
PRISM-G 는 가짜 유전체 데이터가 진짜 사람의 신원을 누설하지 않는지, **세 가지 다른 렌즈 (근접성, 가족 관계, 희귀 특징)**로 꼼꼼히 검사하여 안전 점수를 매겨주는 현명한 보안 심사관입니다. 이를 통해 우리는 더 안전하고 신뢰할 수 있는 유전체 데이터를 공유하며 의학 연구를 발전시킬 수 있게 됩니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 대규모 건강 데이터와 인구 기반 코호트의 증가는 바이오의학 발견과 정밀 의학을 가속화하고 있습니다. 그러나 유전체 데이터는 본질적으로 재식별이 가능하고 민감하기 때문에, 유럽을 비롯한 전 세계적으로 데이터 공유는 법적, 윤리적, 기술적 장벽에 직면해 있습니다. 특히 유럽의 경우 (EHDS 등), 데이터 보호 규정에 대한 해석 차이와 신뢰 부족으로 인해 국경 간 연구가 지연되고 있습니다.
• 대안: 이러한 문제를 해결하기 위해 합성 유전체 데이터 (Synthetic Genomic Data) 가 대안으로 부상하고 있습니다. 이는 실제 개인 기록을 직접 사용하지 않으면서도 분석 유용성을 유지할 수 있게 합니다.
• 문제점:
  • 기존 합성 데이터 평가는 주로 '실제 데이터와의 유사성 (거리)'에 기반한 단일 지표에 의존합니다.
  • 그러나 유전체 프라이버시 위험은 단순한 개체 간 거리뿐만 아니라 가족 관계 (친족성), 인구 구조, 희귀 변이 (Rare variants) 를 통한 속성 추론 등 다양한 경로를 통해 발생할 수 있습니다.
  • 현재는 표준화되고 해석 가능한 평가 프로토콜이 부재하여, 어떤 생성 모델이 안전한지 비교하기 어렵고 규제 기관 (GDPR 등) 의 승인을 받기 힘듭니다.

2. 방법론 (Methodology: PRISM-G)

저자들은 PRISM-G (Privacy Risk Integrated Score for Multi-representation Genomes) 라는 새로운 프레임워크를 제안합니다. 이는 모델에 구애받지 않는 (model-agnostic) 접근법으로, 합성 유전체 데이터의 프라이버시 노출을 세 가지 상호 보완적인 차원에서 정량화합니다.

A. 세 가지 핵심 구성 요소 (Components)

각 구성 요소는 [0, 1] 범위의 점수를 생성하며, 이는 최종 점수로 통합됩니다.

1. 근접 누출 지수 (Proximity Leakage Index, PLI):

   • 목적: 합성 게놈이 실제 게놈 (홀드아웃 데이터) 과 유전적 좌표 공간에서 비정상적으로 가까이 있는지 확인.
   • 방법: PCA 를 통해 유전적 좌표로 투영한 후, 실제 - 합성 간 최소 거리의 하위 꼬리 (lower-tail) 분포를 분석합니다. 실제 - 실제 간 거리와 비교하여 '과도한 근접성'을 감지하고, 적대적 근접성 검사 (adversarial check) 를 통해 일반적인 인구 구조를 오진하지 않도록 보정합니다.

2. 친족 재생성 지수 (Kinship Replay Index, KRI):

   • 목적: 합성 데이터가 실제 코호트의 가족 관계나 장기적인 상관 구조를 부당하게 재생성하는지 확인.
   • 방법: 유전적 관계 행렬 (GRM) 을 사용하여 다음 4 가지 신호를 종합합니다:
     • 친족 재생성 (Replay): 실제 코호트의 친족 분포와 유사한지.
     • 내부 친족 과잉 (Internal Kinship Excess): 전체적인 친족 관계의 과잉.
     • 미세 haplotype 충돌 (Micro-haplotype Collision): 짧은 유전자형 패턴의 과도한 재사용.
     • 스펙트럼 인플레이션 (Spectral Inflation): GRM 의 주 고유값 (leading eigenvalue) 이 과도하게 커지는지 감지.

3. 특성 연결 누출 지수 (Trait-linked Leakage Index, TLI):

   • 목적: 희귀 변이 (Rare variants) 나 속성 추론을 통한 개인 식별 위험 평가.
   • 방법:
     • 멤버십 추론 공격 (MIA): 합성 데이터가 훈련 데이터의 존재를 드러내는지 확인 (ROC 곡선 기반).
     • 희귀 변이 충돌: 희귀 변이 (MAF < 0.001) 가 합성 데이터에서 예상보다 빈번하게 공존하는지 (Hardy-Weinberg 평형 기반) 확인.

B. 점수 집계 및 보정 (Aggregation & Calibration)

• 집계: 세 가지 점수 (PLI, KRI, TLI) 는 '위험 회피형 (Risk-averse)' OR-like 집계 함수를 사용하여 단일 원시 점수 ($R_{raw}$) 로 통합됩니다. 이는 한 가지 요소의 높은 위험이 다른 요소의 낮은 점수에 의해 가려지지 않도록 보장합니다.
• 보정 (Calibration):
  • 안전 기준 (Safe Anchor): 대립유전자 빈도만 유지하고 상관관계를 제거한 샘플러 (이항 분포 기반).
  • 위험 기준 (Leaky Anchor): 구조를 과도하게 보존하거나 훈련 데이터를 그대로 복사한 샘플러.
  • 이 두 기준을 사용하여 원시 점수를 0~100 점의 해석 가능한 척도로 변환합니다. (0: 매우 안전, 100: 매우 위험).

3. 주요 실험 및 결과 (Results)

저자들은 1000 Genomes Project (1KGP) 데이터를 기반으로 세 가지 생성 모델 (GAN, RBM, Genomator) 을 평가했습니다.

• 평가 대상 모델:

  1. GAN (Generative Adversarial Networks): 대립유전자 빈도와 인구 구조를 학습.
  2. RBM (Restricted Boltzmann Machines): 에너지 함수를 통해 결합 분포 학습.
  3. Genomator: 논리 기반 SAT 솔버를 사용하여 생물학적 제약과 프라이버시 제약을 만족하도록 합성.

• 주요 발견:

  • 모델별 위험 패턴의 차이:
    • GAN: 상대적으로 균형 잡힌 위험 프로파일을 보였으며, 특히 SNP 밀도가 높은 데이터 (65,535 개) 에서 가장 안전한 것으로 평가됨 (PRISM-G 점수 낮음).
    • RBM: 희귀 변이 패턴과 가족 구조를 과도하게 기억 (memorize) 하는 경향이 있어, TLI (특성 연결 누출) 와 KRI (친족 재생성) 점수가 가장 높게 나타났습니다. 즉, 가장 위험한 모델로 분류됨.
    • Genomator: Hamming 거리 제약 (H) 에 따라 위험이 조절됨. 제약이 강할수록 근접성 (PLI) 위험이 높았으나, 제약이 완화되면 위험이 감소했습니다.
  • 데이터 밀도 영향: SNP 수가 적을 때 (10,000 개) 는 모델 간 차이가 더 뚜렷하게 나타났으나, SNP 수가 많을 때 (65,535 개) 는 전체적인 위험 점수가 낮아지는 경향을 보였습니다.
  • 프라이버시 - 유용성 트레이드오프 (Privacy-Utility Trade-off):
    • 모든 모델은 조상 추론 (Ancestry Inference) 과 같은 하류 작업에서 높은 유용성 (>90%) 을 유지했습니다.
    • 그러나 RBM 은 유용성은 높지만 프라이버시 위험도 매우 높았습니다.
    • Genomator는 Hamming 제약을 조절하여 유용성을 유지하면서 프라이버시 위험을 줄일 수 있어, 파레토 프론티어 (Pareto frontier) 상에서 유리한 위치를 차지했습니다.

4. 핵심 기여 (Key Contributions)

1. 해석 가능한 통합 프레임워크: 단순한 거리 기반 지표를 넘어, 좌표 근접성 (PLI), 친족 재생성 (KRI), 특성 연결 누출 (TLI) 의 세 가지 차원을 통합하여 프라이버시 위험을 다각도로 평가하는 최초의 체계적인 프레임워크를 제안했습니다.
2. 표준화된 0-100 점 척도: 안전하고 위험한 기준 데이터를 통해 점수를 보정함으로써, 서로 다른 데이터셋과 생성 모델 간의 비교를 가능하게 하고 규제 기관이 이해하기 쉬운 점수 체계를 제공합니다.
3. 모델별 취약성 식별: 동일한 합성 데이터라도 생성 모델에 따라 프라이버시 누출 경로가 다르다는 것을 실증적으로 보여주었습니다 (예: RBM 의 희귀 변이 기억 문제).
4. 프라이버시 - 유용성 균형 분석: 단일 점수뿐만 아니라 하위 지표들을 통해 어떤 모델이 어떤 위험을 가지고 있는지 진단하고, 이를 통해 위험을 줄이면서 유용성을 유지하는 최적의 설정을 찾을 수 있음을 보였습니다.

5. 의의 및 결론 (Significance)

• 규제 및 거버넌스 지원: 유럽의 EHDS 와 같은 국경 간 데이터 공유 프로젝트에서, 데이터의 안전성을 입증하고 신뢰를 구축하기 위한 객관적이고 투명한 기술적 증거를 제공합니다.
• 표적 완화 전략: 통합 점수뿐만 아니라 하위 지표 (PLI, KRI, TLI) 를 보고함으로써, 특정 위험 (예: 친족 관계 재생성) 에 맞춘 완화 조치 (예: 가계도 정제, 희귀 변이 필터링) 를 취할 수 있습니다.
• 미래 방향: PRISM-G 는 단순한 평가 도구를 넘어, 생성 모델의 학습 과정이나 사후 처리 (post-processing) 단계에서 프라이버시를 강화하는 가이드라인으로 활용될 수 있으며, 다양한 인구 집단과 전장 유전체 (Whole-genome) 데이터로 확장될 잠재력을 가집니다.

요약하자면, PRISM-G는 합성 유전체 데이터의 프라이버시 위험을 "단일 숫자"가 아닌 "다차원적 진단"으로 평가하여, 연구자와 규제 기관이 데이터 공유의 안전성과 유용성 사이의 균형을 과학적으로 판단할 수 있게 하는 중요한 도구입니다.