增强学习素描为保护隐私和安全GWAS提供了更好的性能
Junyan Xu1, Kaiyuan Zhu2, Jieling Cai3
1Cancer Data Science Laboratory, National Cancer Institute, National Institutes of Health, Bethesda, MD, USA.
bioRxiv : the preprint server for biology
|October 7, 2024
概括
这项研究增强了安全的全基因组关联研究 (GWAS),使用可信执行环境 (TEE) 和学习增强素描方法. 改进的SkSES方法提高了高达40%的准确性,用于识别显著的遗传变异,同时保持隐私.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 保护隐私的计算可以保护隐私.
背景情况:
- 像英特尔SGX这样的可信执行环境 (TEE) 能够实现安全的云计算.
- 由于TEE的资源限制,需要对大数据集进行素描等记忆效率高的方法.
- 现有的SkSES方法可以在多个机构中进行保护隐私的全基因组关联研究 (GWAS).
研究的目的:
- 提高对TEE内部大型数据集GWAS的SkSES方法的性能和准确性.
- 开发一种增强学习的方法,增强用于变种识别的草图过程.
- 在保持隐私和内存限制的同时,在识别显著单核酸多态 (SNP) 中实现更高的准确性.
主要方法:
- 通过基于学习的方法来增强SkSES方法.
- 机构执行局部化,较小规模的GWAS来识别候选变异集.
- 使用这些候选集来指导集体数据集分析的草图过程.
- 在可信执行环境 (TEE) 中实施该方法,以保护隐私.
主要成果:
- 与最初的SkSES相比,增强学习的SkSES方法的准确性提高了40%.
- 改进的方法在相同的内存限制下保持高精度.
- 在大型,多机构数据集上展示了有效的隐私保护GWAS.
结论:
- 增强学习的SkSES方法为TEE的保护隐私的GWAS提供了显著的性能改善.
- 这种方法有效地平衡了计算效率,准确性和数据隐私.
- 该方法为多机构遗传研究提供了可扩展的解决方案,而不影响敏感的基因型信息.
