Платформы приватности геномных данных

Любой другой режим защиты персональных данных начинается с удаления идентификаторов. В геномике так нельзя: данные и есть идентификатор. Из одного этого факта следует, почему здесь строят криптографию, а не политику вычёркивания полей.

Почему геном не обезличивается

Геном — пожизненный уникальный ключ. Работа Линя, Оуэна и Олтмена 2004 года показала, что порядка 30–80 независимых распространённых вариантов достаточно, чтобы отличить человека от всех остальных, — исчезающе малая доля от тех миллионов, что выдаёт генотипирующий чип. Удаление имени не меняет ничего: запись по-прежнему сходится со своим владельцем, как только существует любой другой его образец.

Три результата сделали это осязаемым. Хомер с соавторами в 2008 году показал, что присутствие человека в объединённой когорте выявляется по одним лишь опубликованным сводным частотам аллелей, — после чего сводную статистику полногеномных исследований убрали из открытого доступа. Гимрек с соавторами в 2013 году показал, что короткие тандемные повторы Y-хромосомы можно сопоставить с любительскими генеалогическими базами и вывести фамилию, а фамилии вместе с возрастом и штатом часто хватало, чтобы назвать участника исследования по имени. Дальнеродственный поиск обобщает атаку: поскольку родство обнаруживается вплоть до троюродных, база, покрывающая лишь несколько процентов населения, даёт совпадение для большей его части — на этом стоит судебная генетическая генеалогия.

Отсюда два следствия, которых не снимает никакая форма согласия. Геном затрагивает родственников, которые ничего не подписывали, включая ещё не родившихся; и, в отличие от банковской карты, после утечки его нельзя перевыпустить.

Чего стоит каждый криптографический ответ

Гомоморфное шифрование позволяет считать прямо по шифртексту, так что недоверенная площадка вычисляет, ни разу не держа открытых данных. Цена арифметическая: шифртекст многократно больше скрываемых значений, каждая операция на порядки дороже своего открытого аналога, а число последовательных умножений ограничено — дальше рост шума требует дорогой процедуры бутстрэппинга. Поэтому метод практичен для узких, заранее согласованных вычислений: частоты аллелей, проверка конкретного варианта, определённый шкальный риск, — но не для разведочного полногеномного анализа. Соревнования iDASH по защищённому геномному анализу как раз и отслеживают, где проходит эта граница.

Защищённые многосторонние вычисления разделяют данные так, что ни у одной стороны нет пригодной доли, и стороны считают результат совместно. Цена здесь не вычислительная, а коммуникационная: протоколам нужно много раундов, поэтому определяющими становятся полоса и задержка канала между организациями. Подход хорош для нескольких известных партнёров в хорошей сети и заметно деградирует при многих участниках или разных континентах.

Дифференциальная приватность идёт противоположным путём, добавляя откалиброванный шум так, чтобы присутствие отдельного участника нельзя было вывести из результата. Её цена — бюджет. Параметр приватности расходуется каждым запросом и не возобновляется, поэтому набор данных выдерживает конечное число честных ответов, прежде чем гарантия исчерпана. Хуже для геномики другое: требуемый шум плохо масштабируется для редких вариантов — ровно того сигнала, на котором держится работа с редкими болезнями.

Федеративный анализ перемещает вычисление вместо данных и внедряется легче остальных. Но его выход — сводная статистика, то самое, что читала атака Хомера, так что федерация остаётся архитектурой разграничения доступа и всё равно требует применить к покидающим её результатам один из перечисленных методов. Протокол Beacon консорциума GA4GH — компактная иллюстрация: сервис, отвечающий лишь «есть ли такой аллель, да или нет», при повторяющихся запросах утекал факт членства, и чинить это пришлось бюджетами и шумом, а не более строгим форматом ответа.