Notícia com publicação científica
Nova criptografia para estudos genômicos seguros pode mudar paradigma sobre compartilhamento de dados em pesquisas médicas
Tecnologia pode viabilizar a próxima geração de soluções de saúde com base em estudos de associação genômica ampla
Freepik (Imagem gerada por Inteligência Artificial)
5 de março de 2025, 13:25

Fonte

Tanya Petersen, EPFL

Publicação Original

Escola Politécnica Federal de Lausanne

Áreas

Bioengenharia, Bioinformática, Biologia, Biotecnologia, Ciência de Dados, Computação, Engenharia Biológica, Genética, Genômica, Modelagem Matemática, Proteômica, Simulação Computacional

Compartilhar

Resumo

Pesquisadores demonstraram recentemente uma nova solução para compartilhar dados para estudos de associação genômica ampla.

A tecnologia, chamada  Associação Genômica Federada Segura (ou SF-GWAS), consiste em uma combinação de estruturas de computação segura e algoritmos distribuídos que permitem estudos eficientes e precisos com dados privados mantidos por várias entidades.

A nova tecnologia permite estudos genômicos colaborativos seguros em uma escala sem precedentes.

Foco do Estudo

Testar em escala uma nova solução de compartilhamento de dados de saúde para fins de estudos de associação genômica ampla.

Por que é importante?

Com o desenvolvimento da Inteligência Artificial, a disponibilidade de dados em larga escala pode revolucionar a medicina e introduzir novas possibilidades para decisões de políticas de saúde pública.

Porém, os dados de saúde estão espalhados por vários tipos de instituições no mundo todo e armazenados em estruturas diferentes. Além disso, questões sobre riscos de privacidade e estrutura computacional necessária para a transferência de grandes quantidades de dados são desafios para o tratamento centralizado dos dados.

Neste sentido, uma solução tecnológica que possa processar dados provenientes de várias fontes – com segurança, confiabilidade e respeitando a privacidade – poderia viabilizar a próxima geração de soluções de saúde com base em estudos de associação genômica ampla.

Estudo

Avanços em inteligência artificial generativa e aprendizado de máquina, treinados com conjuntos de dados em larga escala em várias instituições, têm o potencial de revolucionar a medicina.

No entanto, os dados não estão prontamente disponíveis: estão isolados em hospitais, consultórios médicos e clínicas individuais ao redor do mundo. Os riscos de privacidade decorrentes da divulgação de dados médicos também são uma preocupação séria, e as regulamentações de compartilhamento de dados existentes limitaram amplamente o escopo de compartilhamentos de dados para pesquisa médica.

Já existem ferramentas criptográficas para computação segura, mas são computacionalmente impraticáveis ​​ou não usam métodos de última geração.

Recentemente, uma abordagem desenvolvida por pesquisadores da Escola Politécnica Federal de Lausanne (EPFL), na Suíça, foi demonstrada com sucesso em escala e está sendo implementada em toda a Europa.

A tecnologia, chamada  Associação Genômica Federada Segura (ou SF-GWAS), consiste em uma combinação de estruturas de computação segura e algoritmos distribuídos que permitem estudos eficientes e precisos em dados privados mantidos por várias entidades, garantindo a confidencialidade dos dados.

Um estudo sobre cinco conjuntos de dados, incluindo uma coorte do UK Biobank de 410.000 indivíduos, demonstrou uma melhoria de ordem de magnitude no tempo de execução em comparação aos métodos usados até aqui.

“Em muitos casos, não é possível centralizar dados por razões práticas ou legais ou apenas porque as pessoas não estão dispostas a compartilhá-los. Então, o objetivo é extrair informações sem compartilhar os dados”, disse o Dr. Jean-Pierre Hubaux, Diretor Acadêmico do Centro de Confiança Digital (C4DT) da EPFL.

Parece contraintuitivo, mas nossa abordagem compartilha dados sem compartilhar. Ele aproveita a existência dos conjuntos de dados sem ter que transferi-los e é essencialmente um valor adicional aos dados, uma motivação adicional para trabalhar em conjunto sem perder o controle

Dr. Jean-Pierre Hubaux, Diretor Acadêmico do Centro de Confiança Digital (C4DT) da EPFL

Resultados

“Desenvolvemos um protótipo há vários anos, mas o que faltava era a demonstração de que ele funciona em escala com conjuntos de dados de tamanho real. Isso agora foi feito em colaboração com o MIT e [a Universidade] Yale, com nossa pesquisa mais recente mostrando que é possível extrair informações de conjuntos de dados que permanecem distribuídos geograficamente, sem perda significativa de precisão em termos de resultados; Isso abre uma nova era em termos de colaborações de dados”, continuou o Dr. Jean-Pierre Hubaux.

O SF-GWAS combina dois conceitos-chave. Primeiro, ele adota uma abordagem ‘federada’ para proteger a computação, o que significa que cada conjunto de dados é mantido na respectiva origem. Isso minimiza os custos computacionais evitando grandes transferências de dados entre sites e permite o uso de operações de criptografia eficientes que protegem a saída computacional parcial gerada em cada site de origem dos dados.

Segundo, o SF-GWAS introduz um design algorítmico eficiente para dar suporte à execução federada de vários ‘pipelines’ GWAS de ponta a ponta.

O SF-GWAS já foi instalado nos cinco hospitais universitários da Suíça; atualmente, ele está sendo implementado em vários hospitais italianos e em redes europeias de câncer pela Tune Insight, uma startup da EPFL que lidera esse trabalho. A empresa também está em negociações com instituições médicas em outros países.

Os resultados do estudo foram publicados na revista científica Nature Genetics.

Estamos configurando um sistema de valor para garantir que os dados futuros sejam interoperáveis, que sejam registrados da mesma forma de um lugar para outro, caso contrário, serão lixo entrando, lixo saindo. É caro e a transição levará tempo, mas desenvolvemos as ferramentas para facilitar isso e há uma evolução em andamento

Dr. Jean-Pierre Hubaux, Diretor Acadêmico do Centro de Confiança Digital (C4DT) da EPFL

Em suas publicações, o Portal SciAdvances tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal SciAdvances tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.

Autores/Pesquisadores Citados

Dr. Jean-Pierre Hubaux

Diretor Acadêmico do Centro de Confiança Digital (C4DT) da EPFL

Publicação

Acesse o artigo científico completo (em inglês).

Acesse a revista científica Nature Genetics (em inglês).

Mais Informações

Acesse a notícia original completa na página da Escola Politécnica Federal de Lausanne (em inglês).

Comunique um Erro

Notícias relacionadas

E-books relacionados

Rolar para cima