que evitando ADN Los servicios de prueba como 23andMe o Ancestry lo ayudarán a proteger sus datos más confidenciales. Sin embargo, en realidad, ese control se ha debilitado gradualmente.
Con los datos genómicos actuales y los métodos de inferencia avanzados, las personas pueden reconstruir su perfil genético sin requerir su opinión. Esto no es algo que pueda pasar; Está sucediendo ahora. Es un resultado típico de que el aprendizaje automático se utiliza en grandes conjuntos de datos relacionados con la familia.
Hoy, los sistemas genómicos son más como equipos que trabajan juntos que los archivos independientes. Cuando hay suficientes personas genéticamente cercanas representadas en los datos, primos lejanos y parientes de segundo grado, el modelo puede hacer conjeturas sobre sus rasgos, los riesgos que tiene e incluso partes de su ADN. Lo que está sucediendo no es el robo de datos, sino la forma en que los datos se agrupan estadísticamente.
Este artículo explica los cambios técnicos que hacen que esto sea posible, los vincula a enfoques de ML comunes y discute lo que significa cuando la biología se vuelve tan predecible como el comportamiento.
El asesino del Golden State fue predicho, no encontrado
Cuando la policía detuvo el Golden State Killer en 2018no coincidieron con su ADN con nada en la base de datos. Como alternativa, pusieron el ADN de la escena del crimen en Gedmatch e identificaron a un pariente, un primo tercero. Después de eso, construyeron un árbol genealógico parcial y vieron al sospechoso utilizando tanto la triangulación genética como la inferencia de pedigrí.
Lo que permitió el arresto no fue la presencia de datos, sino cómo se almacenó. Cuando suficientes parientes compartieron sus datos genéticos, los investigadores pudieron reconstruir lo que el objetivo Genoma podría parecer. En esencia, este es un problema de búsqueda de gráficos en el que la red biológica tiene pocas etiquetas y la búsqueda está limitada por los patrones de recombinación y herencia.
El caso no se basó en encontrar una coincidencia exacta. Aplicó la idea de la clasificación de vecino más cercano, que postula que la similitud se determina en base a bloques de haplotipo compartidos y linaje probabilístico para datos relacionales.
No fue solo un avance significativo en los forenses. Sirvió como un recordatorio de que su ADN ahora está conectado a los datos de otras personas de una manera que quizás no haya aceptado.
La inferencia de ADN es la búsqueda de vecino más cercano en un espacio hiperdimensional con restricciones biológicas
En el aprendizaje automático, generalmente imaginamos la clasificación de vecino más cercano (K-NN) con puntos en el espacio euclidiano que tienen características claras y numéricas. La inferencia genómica sigue el mismo patrón, excepto que el espacio de características también incluye conexiones biológicas.
Cada persona en genómica humana se representa como una lista de millones de polimorfismos de un solo nucleótido (SNP), que a menudo se codifican como 0, 1 o 2 para indicar el número de cada alelo presente. Aunque los datos sin procesar pueden incluir más de 1 millón de características, PCA e IBD se utilizan para reducir los datos, asegurando que se conserven similitudes genéticas.
En efecto, este espacio actúa como una estructura que importa biológicamente, influenciada por la organización de la población, la historia compartida y las presiones evolutivas. Puntajes de similitud genética, incluidos coeficientes de parentesco, segmentos de EII o FCALLE distancias, ahora sustituye la distancia euclidiana.
En este caso, los investigadores realizan una consulta de vecino más cercano sobre el espacio genotipo de Gedmatch, midiendo la similitud al examinar los bloques de haplotipos compartidos y los patrones de recombinación, en lugar de usar distancia de coseno o norma L2.
Cuando se encuentra un tercer primo, la búsqueda se retrocede sobre el gráfico de genealogía utilizando reglas biológicas para identificar posibles genomas que podrían conectar a los familiares con la persona desconocida.
El proceso funciona combinando una búsqueda K-NN restringida, un filtrado transversal y probabilístico de gráfico.
- K-nn encuentra nodos que son los más cercanos genéticamente
- Los gráficos de pedigrí describen las limitaciones de una búsqueda.
- Los modelos de imputación estadística reemplazan las variantes faltantes.
En lugar de dar una clasificación, el resultado es un nuevo genotipo.
Es más que solo inferencia estándar. Este enfoque de ingeniería utiliza relaciones familiares para comprender el fenotipo. Eso significa que su ADN se puede reconstruir casi por completo, incluso si no ha tenido su genoma secuenciado antes, porque el área genética a su alrededor está llena de datos.
En la ciencia de datos, esto se conoce como fuga de características causada por la proximidad del gráfico latente. A diferencia de una contraseña o una dirección de correo electrónico, no es posible restablecer su genoma.
Los puntajes de riesgo poligénico son conjuntos genómicos
Descubrí puntajes de riesgo poligénico (PRS) Durante mi trabajo en modelos predictivos. En ese momento, mi equipo estaba trabajando en la clasificación de riesgos por comportamiento. Aún así, descubrí que los PR se parecían a nuestro enfoque, solo que en lugar de usar encuestas o dispositivos portátiles, utilizó grandes cantidades de SNP extendidos por todo el genoma.
Un PRS es la suma de valores ponderados de un conjunto de características grande pero escaso. La mayoría de las veces, estos puntajes se producen utilizando técnicas de regresión penalizada neta neta elástica o elástica, utilizando estadísticas de resumen de GWAS. Algunos modelos, como la contracción bayesiana o los métodos que representan el desequilibrio de enlace (por ejemplo, LDPRED o PRS-CS), están diseñados para abordar el problema de las correlaciones de SNP.
Lo que a menudo se pasa por alto por aquellos que no trabajan en genética es que los modelos capacitados pueden generalizarse por su cuenta. Si los datos genómicos de sus familiares están presentes y están vinculados a los resultados de salud, el modelo podrá estimar el riesgo en su genoma sin examinarlo.
Para decirlo de otra manera, PRS funciona como un equipo de biólogos que recomiendan música. Las personas genéticamente similares se utilizan para ayudarlo a encontrar su lugar en un espacio de rasgos. Si el modelo encuentra a muchas personas a su alrededor con una enfermedad específica que comparten el mismo genotipo, comenzará a advertirle sobre ese riesgo incluso si no participó en el estudio.
Pero una vez que la predicción ingresa al bucle, abre la puerta no solo para la visión científica, sino para la manipulación. Los mismos modelos que informan también pueden ser explotados.
¿Qué sucede cuando los actores adversos entran en el bucle?
En el momento en que tratamos las bases de datos de ADN como sistemas predictivos, también heredamos sus vulnerabilidades. Una vez que los genomas se vuelven consultas, inferibles y conectados en plataformas públicas y comerciales, el comportamiento adversario se convierte en un riesgo de modelado, no solo ético.
Solvimiento genómico como modelado inverso
Supongamos que suficiente de sus familiares ha subido sus genomas para abrir bases de datos. En ese caso, un atacante puede realizar una inferencia inversa, reconstruyendo segmentos probables de su ADN basados en haplotipos compartidos y patrones de herencia conocidos. Esto no es hipotético: los investigadores han demostrado que es posible aproximar el genoma de una persona con> 60% de precisión utilizando datos a nivel de tercer primo.
No está muy alejado de los ataques de inversión del modelo en el aprendizaje automático, donde alguien reconstruye los datos de entrenamiento de los resultados del modelo. Solo aquí, el “modelo” es la estructura relacional de una población.
Puntaje en la sombra y precios de riesgo
Las aseguradoras y los corredores de datos pueden no acceder a su ADN en bruto, pero con el acceso a datos demográficos y gráficos de parentesco público, pueden predecir sus puntajes de riesgo poligénico a través del modelado proxy. Incluso sin violar Gina (la Ley de no discriminación de información genética de los Estados Unidos), podrían usar inferencias externas para volver a clasificarlo en silencio, afectando el crédito, los productos de salud o los perfiles de elegibilidad.
Es una versión genómicamente informada de la línea roja algorítmica, y puede funcionar invisiblemente.
Parientes adversos y envenenamiento genómico
¿Qué pasa si alguien carga intencionalmente genomas manipulados para envenenar el perfil inferido de un objetivo? Debido a que estos sistemas dependen de la consistencia estadística entre los familiares, alterar o falsificar segmentos podría sesgar motores de inferencia. Imagine a alguien empujando su genoma inferido para aumentar su riesgo de una afección, o alinearlo falsamente con una secuencia de escena del crimen.
Conclusión
Este artículo fue escrito para desempacar una realidad que es fácil de perder, incluso para aquellos de nosotros que trabajamos en el aprendizaje automático: los datos genómicos no necesitan ser recopilados directamente para modelarse con precisión.
En todo el artículo, exploré cómo funciona la inferencia genómica como la clasificación de vecino más cercano, cómo la puntuación de riesgo poligénico se asemeja a la regresión del conjunto y cómo las estructuras de gráficos relacionales permiten que su ADN se reconstruya utilizando la proximidad estadística. Si alguna vez ha creado sistemas de filtrado colaborativo, ya comprende la lógica detrás de estos métodos, pero probablemente no esperaba que se aplicara a algo tan personal como su genoma.
Ese es el punto más profundo. Esta no es solo una historia de privacidad. Es una historia de modelado sobre cómo la estructura de los datos biológicos hace que la inferencia no solo sea posible, sino inevitable. Ya sea que haya secuenciado su ADN o no, ahora usted es parte del modelo, porque las personas conectadas con usted ya lo han alimentado lo suficiente.
En una era de sistemas de inferencia a gran escala, ya no es suficiente preguntar quién posee datos. Tenemos que preguntar quién posee los patrones, porque los patrones se generalizan y la generalización no necesita permiso.