[论文解读] Privacy-Preserving Data Sharing for Genome-Wide Association Studies

Caroline Uhler, Aleksandra Slavković+1 more|arXiv (Cornell University)|May 3, 2012

Privacy-Preserving Technologies in Data参考文献 21被引用 7

一句话总结

本文提出了一种差分隐私方法，用于发布全基因组关联研究（GWAS）的汇总数据，包括次要等位基因频率、卡方统计量和p值，同时保护个体隐私。该研究引入了一种$\epsilon$-差分隐私惩罚逻辑回归算法，用于检测基因-基因互作，在模拟和真实的犬类GWAS数据上展示了良好的隐私-效用权衡。

ABSTRACT

Traditional statistical methods for confidentiality protection of statistical databases do not scale well to deal with GWAS (genome-wide association studies) databases especially in terms of guarantees regarding protection from linkage to external information. The more recent concept of differential privacy, introduced by the cryptographic community, is an approach which provides a rigorous definition of privacy with meaningful privacy guarantees in the presence of arbitrary external information, although the guarantees come at a serious price in terms of data utility. Building on such notions, we propose new methods to release aggregate GWAS data without compromising an individual's privacy. We present methods for releasing differentially private minor allele frequencies, chi-square statistics and p-values. We compare these approaches on simulated data and on a GWAS study of canine hair length involving 685 dogs. We also propose a privacy-preserving method for finding genome-wide associations based on a differentially-private approach to penalized logistic regression.

研究动机与目标

• 解决公共GWAS数据库中的隐私风险，特别是针对利用次要等位基因频率（MAF）数据的重新识别攻击（如Homer等人提出的方法）的脆弱性。
• 克服传统统计披露限制在GWAS中的局限性，后者无法为拥有任意外部信息的攻击者提供有意义的隐私保障。
• 通过差分隐私构建一个严格的隐私保护框架，以实现对MAFs、卡方统计量和p值等汇总GWAS统计量的安全共享。
• 通过提出一种用于检测上位性（基因-基因互作）的私有惩罚逻辑回归方法，将差分隐私扩展至复杂的GWAS分析。
• 在现实条件下评估不同差分隐私汇总统计量的统计效用，特别是针对GWAS中常见的稀疏和中等规模数据集。

提出的方法

• 通过向病例和对照中次要等位基因计数添加校准的拉普拉斯噪声，应用$\epsilon$-差分隐私来发布次要等位基因频率（MAFs）。
• 通过直接向检验统计量添加噪声，开发一种用于卡方统计量的差分隐私算法，该方法在效用方面优于向p值或单元格计数添加噪声的方法。
• 采用Chaudhuri等人（2011）的框架，通过添加一个尺度为$\frac{2}{\epsilon}$的拉普拉斯分布噪声项$b^T\beta$，对惩罚逻辑回归的目标函数进行扰动。
• 将基于AIC/BIC评分的前向选择与后向删除方法整合进差分隐私优化过程中，以选择相关的SNP及互作。
• 通过限制个体基因型向量的$\ell_2$-范数（$||x_i||_2 \leq K$）并应用对扰动目标函数的敏感性分析，确保隐私。
• 推导出隐私预算分配策略，其中$\epsilon' = \epsilon/2K$，并根据数据敏感性调整正则化参数$\delta$，以维持$\epsilon$-差分隐私。

实验结果

研究问题

• RQ1 差分隐私发布汇总GWAS统计量（MAFs、$\chi^2$、p值）是否能在不牺牲统计效用的前提下提供强有力的隐私保障？
• RQ2 与向单元格计数或p值添加噪声相比，向$\chi^2$-统计量添加噪声在保留下游分析效用方面表现如何？
• RQ3 差分隐私能否有效扩展至复杂的GWAS模型，如用于检测上位性的惩罚逻辑回归？
• RQ4 数据稀疏性和样本规模对差分隐私汇总统计量在GWAS中效用的影响是什么？
• RQ5 基于两阶段方法（筛选 + 互作检测）的差分隐私方法能否在保持隐私的同时实现基因-基因互作的检测？

主要发现

• 直接向$\chi^2$-统计量添加噪声，在评估方法中提供了最佳的隐私与效用平衡，尤其适用于单元格计数较小到中等的列联表。
• 所提出的差分隐私惩罚逻辑回归算法在保持检测相关遗传关联和互作能力的同时，实现了$\epsilon$-差分隐私。
• 在包含685只狗的犬类GWAS数据集中，所提方法成功发布了具有最小效用损失的隐私保护统计量，适用于标准关联检验。
• 模拟结果表明，对于稀疏数据，简单汇总统计量不足以应对，必须采用更复杂且集成的模型，以同时维持隐私和分析能力。
• 通过拉普拉斯噪声扰动逻辑回归目标函数的方法，经敏感性分析正式证明可实现$\epsilon$-差分隐私。
• 隐私预算在目标函数中的噪声与正则化项之间进行了仔细分配，以在支持基于AIC/BIC的模型选择的同时维持隐私。