Differential Privacy: Ottimizzazione del Trade-off tra Privacy e Utilità nei GWAS

I Genome-Wide Association Studies (GWAS) sono fondamentali per la ricerca genetica, ma la pubblicazione dei risultati aggregati espone i pazienti al rischio di re-identificazione. Questa tesi valuta l'uso della Differential Privacy (in particolare la zCDP) per risolvere questo problema, permettendo di estrarre in modo sicuro le varianti genomiche più significative, chiamate Top-K. Le simulazioni sono state condotte inizialmente su un dataset del 1000 Genomes Project, usando una tecnica di iniezione di segnali artificiali per creare dei loci causali da ricercare. Sono stati confrontati tre metodi: un approccio Baseline che applica rumore a tutti i dati, un metodo di Selezione Privata basato sul Chi-quadro e uno basato sulla Shortest Hamming Distance (SHD) approssimata con un algoritmo Greedy. Per verificare la robustezza dell'architettura in scenari realistici, la validazione è stata estesa eseguendo test separati per le macro-etnie (per analizzare la varianza genetica), simulazioni su coorti sbilanciate (per modellare studi su malattie rare con pochi pazienti) e un'esecuzione di verifica su un dataset secondario (HapMap 3). I risultati mostrano che il metodo Baseline fallisce perché divide troppo il budget di privacy tra tutte le varianti. Anche il Chi-quadro risulta inefficace a causa della sua eccessiva sensibilità matematica. Al contrario, la SHD si è confermata la soluzione ottimale: avendo una sensibilità bassa e fissa, ha permesso di ritrovare i segnali causali con un'accuratezza superiore al 95% mantenendo un buon livello di privacy. I test aggiuntivi hanno inoltre dimostrato che la metrica SHD conserva la sua stabilità anche in condizioni di grave scarsità campionaria e resiste al rumore biologico indotto dalle differenze etniche. Questo dimostra che si possono estrarre informazioni cliniche utili dai dati genomici proteggendo rigorosamente l'identità dei pazienti.