抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
分子プロファイリングのコスト減少は,生物医学研究コミュニティを,より正確で個人化された医療に向けてのブレークスルーを可能にする,新しいタイプの生物医学データを提供している。しかし,これらの本質的に高感度なデータの放出は,新しい厳しいプライバシー脅威をもたらす。生物医学データは我々の健康と大きく関連しているが,時間次元に沿った異なるタイプの生物医学データと家族間の間にも種々の相関が存在する。しかしながら,これまで,セキュリティコミュニティは,ゲノムデータからのプライバシーリスクに焦点を合わせており,他の生物医学データ間の多様な相互依存性を大きく見過ごしている。本論文では,異なるタイプのデータ(i)の間の様々な相互依存性を考慮した生物医学データにおけるプライバシーリスクを定量化するための一般的なフレームワークを提示する。(ii)異なる個人から,(iii)異なる時間における。この目的のために,著者らは,すべての上述の依存性を考慮し,正確な確率的推論攻撃を非常に効率的に実行することを可能にするBayesネットワークモデルに依存する。さらに,遺伝的継承則のような既知の依存性に対するエキスパート知識を網羅するBayesネットワークを構築するための一般的アルゴリズムを導入し,データから以前に未知の依存性を学習する。次に,複数年にわたる母親と子供のゲノムとエピゲノムデータを含む非常に豊富なデータセットにより,完全な推論リスク評価を行った。また,有効な確率的推論の他に,著者らのBayesネットワークモデルが他の攻撃のための構築ブロックとしても役立つことができることを示した。著者らのフレームワークにより,敵は,95%の成功率でメチル化データに基づく親子関係を効率的に同定できることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】