Latent generative modeling and synthetic data evaluation in population genomics
Modélisation générative dans un espace latent et évaluation de données synthétiques en génomique des populations
Résumé
High-throughput sequencing has created a genomic data boom, opening the door for biology to adopt a data-driven perspective. In human evolutionary genetics, however, uneven representation across populations, restricted data accessibility, and stringent privacy constraints have resulted in a paradox: abundant genomic data exist, but their use remains highly constrained. To address these challenges, we investigate the use of modern generative models, such as Generative Adversarial Networks (GANs) and diffusion models, trained on diverse real genomic sequences to produce Artificial Genomes (AGs): synthetic haplotypes that statistically reproduce real data without exposing sensitive information. Our study focuses on two central challenges: scalability to very high-dimensional genomic sequences and privacy preservation in the generated data.First, we introduce scalable generators for long haplotype sequences that combine dimensionality reduction with generative modeling in a low-dimensional latent space, as well as a frugal variant whose performance, with respect to population genetics metrics, is comparable to state-of-the-art approaches while using far fewer parameters.Second, we propose rigorous evaluation tools for synthetic genomic data: an information-theoretic measure of local haplotypic diversity to quantify biological realism, and exttt{PRIVET}, a modality-agnostic, sample-level privacy metric leveraging extreme value statistics of nearest-neighbor distances. Beyond a quantitative risk estimate, exttt{PRIVET} offers interpretable, individual-level privacy scores and reliably detects memorization and some forms of privacy leakage across diverse data modalities, including genetic data.Finally, we demonstrate the practical value of these artificial genomes in local ancestry inference (LAI): models trained solely on AGs match the performance of those trained on real data, while augmenting limited real datasets with AGs substantially improves accuracy.The long-term goal is to establish Artificial Genomes as privacy-preserving alternatives to real biobanks, providing a means to broaden access, mitigating biases, and ensuring confidentiality in population genomics.
Le séquençage à haut débit a provoqué une explosion des données omiques, ouvrant la voie à la biologie d'adopter des approches centrées sur ces données. En génétique évolutive humaine, cependant, la représentation inégale des populations, l'accès restreint aux données et les contraintes strictes en matière de confidentialité ont engendré un paradoxe : il existe une abondance de données génomiques, mais leur utilisation demeure fortement limitée. Pour répondre à ces défis, nous explorons l'utilisation de modèles génératifs, tels que les réseaux antagonistes génératifs (GANs) et les modèles de diffusion, entraînés sur des séquences génomiques réelles et diversifiées afin de produire des génomes artificiels (AGs) : des haplotypes synthétiques qui reproduisent statistiquement les données réelles sans exposer d'informations sensibles.Notre étude se concentre sur deux enjeux centraux : le passage à l'échelle de ces modèles pour générer des séquences en très grande dimension et la préservation de la confidentialité dans les données générées.Premièrement, nous introduisons des modèles génératifs capables de modéliser de longues séquences d'haplotypes en combinant réduction de dimension et modélisation générative dans un espace latent de faible dimension, ainsi qu'une variante frugale dont les performances, selon divers indicateurs issus de la génétique des populations, sont comparables à celles des approches de pointe, tout en utilisant beaucoup moins de paramètres.Deuxièmement, nous proposons des outils pour une évaluation rigoureuse des données génomiques synthétiques : une mesure de la diversité haplotypique locale fondée sur la théorie de l'information, afin de quantifier le réalisme biologique, et PRIVET, une métrique de confidentialité attribuant un score pour chaque échantillon, agnostique à la modalité des données et fondée sur les statistiques de valeurs extrêmes des distances aux plus proches voisins.Au-delà d'une estimation quantitative du risque, PRIVET fournit des scores de confidentialité interprétables au niveau individuel et détecte de manière fiable la mémorisation ainsi que certaines formes de fuite d'information dans diverses modalités de données, y compris les données génétiques.Enfin, nous démontrons la valeur pratique de ces génomes artificiels dans l'inférence d'ascendance locale (LAI) : les modèles entraînés uniquement sur des AGs atteignent des performances comparables à ceux entraînés sur des données réelles, tandis que l'augmentation de petits jeux de données réels par des AGs améliore sensiblement la précision.L'objectif à long terme est d'établir les génomes artificiels comme des alternatives aux banques de données réelles, afin d'élargir l'accès aux données génomiques humaines, d'atténuer les biais, tout en garantissant la confidentialité des individus en génomique des populations.
| Origine | Version validée par le jury (STAR) |
|---|---|
| licence |
