Privacy Preserving Genomic Data Imputation using Autoencoders
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Next-generation sequencing technologies have significantly increased the availability of genomic databases. These databases can be used for numerous applications in genome-wide association studies, such as disease prediction and precision medicine. Missing values in genotype data diminish the database quality. Genotype imputation is an essential low-cost tool in genomics that statistically infers missing genotype variants from an experimentally observed set of variants. Owing to the computationally intensive nature of the problem, genotype imputation is often outsourced to an external service provider. However, sharing genomic data as a plaintext raises privacy concerns and leaks sensitive information. Existing privacy-preserving approaches perform genotype imputation using linear classification models, which require training a separate classifier for each variant using previously labeled data. Self-supervised deep learning models, such as autoencoders, have recently become popular because of their ability to model complex patterns in genomic datasets and achieve significantly high accuracy. However, deep learning-based genotype imputation under a privacy-preserving setting remains largely unexplored. In this work, we propose a novel adaptation of an autoencoder-based genotype imputation model that preserves the privacy of sensitive genomic data. To our knowledge, ours is the first work to do so. Genomic data privacy is preserved using fully homomorphic encryption (FHE). FHE schemes enable Efficient computations over encrypted data but suffer from noise growth as the number of computations increases. To overcome the issue of noise growth due to computationally complex deep learning, we use neural network quantization, which considerably reduces the network size while achieving high accuracy, as demonstrated in our results. We present all the necessary parameters to perform deep learning-based genotype imputation in the privacy-preserving setting.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,010 |
| Science ouverte | 0,092 | 0,269 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle