Federated hierarchical clustering for RNA sequencing data
2025 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE credits
Student thesisAlternative title
Federerad hierarkisk klustring för RNA-sekvenseringsdata (Swedish)
Abstract [en]
Genetic data, and in particular RNA sequencing data analysis is crucial in our understanding of cancer, helping us prevent, diagnose and treat it. However, it is usually not easily accessible; because of its high sensitivity with regards to patient confidentiality, medical centers cannot often share it with research institutions. As a consequence, researchers are not able to leverage the power of big data in their models. Federated computations have been introduced to find a trade-off between privacy and model quality. Federated algorithms are executed over distributed datasets, without the medical centers ever sharing their raw data directly, by communicating locally aggregated quantities instead. While this is rather straightforward for gradient-based methods, it is more challenging to apply to many unsupervised algorithms, especially those involving pairwise distances between points located in different data centers. Yet, genetic data analysis pipelines – and notably the quality control or exploratory steps – rely on hierarchical agglomerative clustering, which crucially depends on such distances. We develop two approaches for federated agglomerative clustering of genetic data, and investigate their privacy properties, performance and complexity. We find the best quality for single and average linkage when testing them on bulk RNA sequencing data. The first approach closely follows the classic agglomerative procedure; it approximates local point groups as their centroid once they reach a critical size in order to share them. We empirically observe that the critical size can be as much as 10% of the total data size while maintaining a great performance. The second approach is based on computing the distance matrix centrally using random projections, a technique that can be employed for many other algorithms. It experimentally leads to satisfactory results for a significant dimensionality reduction. Privacy-wise, we attempt several attack models against this approach, which do not succeed on genetic data, indicating that collusion is the biggest threat for this method.
Abstract [sv]
Genetiska data, och i synnerhet analys av RNA-sekvenseringsdata, är avgörande för vår förståelse av cancer och hjälper oss att förebygga, diagnostisera och behandla sjukdomen. Dessa data är dock vanligtvis inte lättillgängliga; på grund av deras höga känslighet när det gäller patientsekretess kan vårdcentraler ofta inte dela dem med forskningsinstitutioner. Följden blir att forskarna inte kan utnyttja kraften i stordata i sina modeller. Federerade beräkningar har introducerats för att hitta en avvägning mellan integritet och modellkvalitet. Federerade algoritmer körs över distribuerade dataset utan att vårdcentralerna någonsin delar med sig av sina rådata direkt, utan kommunicerar istället lokalt aggregerade mängder. Även om detta är ganska enkelt för gradientbaserade metoder är det mer utmanande att tillämpa på många oövervakade algoritmer, särskilt de som involverar parvisa avstånd mellan punkter som ligger i olika datacenter. Ändå förlitar sig pipelines för analys av genetiska data - och särskilt kvalitetskontrollen eller de utforskande stegen - på hierarkisk agglomerativ klustring, som i hög grad beror på sådana avstånd. Vi utvecklar två metoder för federerad agglomerativ klustring av genetiska data och undersöker deras integritetsegenskaper, prestanda och komplexitet. Vi finner den bästa kvaliteten för enkel och genomsnittlig koppling när vi testar dem på bulk RNA-sekvenseringsdata. Den första metoden följer nära den klassiska agglomerativa proceduren; den approximerar lokala punktgrupper som deras centroid när de når en kritisk storlek för att kunna dela dem. Vi observerar empiriskt att den kritiska storleken kan vara så mycket som 10% av den totala datastorleken med bibehållen hög prestanda. Det andra tillvägagångssättet bygger på att avståndsmatrisen beräknas centralt med hjälp av slumpmässiga projektioner, en teknik som kan användas för många andra algoritmer. Den leder experimentellt till tillfredsställande resultat för en betydande dimensionalitetsreduktion. När det gäller integritetsskydd försöker vi oss på flera modeller för att attackera denna metod, men dessa lyckas inte med genetiska data, vilket tyder på att hemliga överenskommelser är det största hotet mot den metoden.
Abstract [fr]
L’analyse de données génétiques, et en particulier de données de séquençage d’ARN, est cruciale pour notre compréhension du cancer, nous aidant à le prévenir, le diagnostiquer et le traiter. Cependant, ces données ne sont pas toujours facilement accessibles ; étant hautement sensibles et confidentielles, les centres médicaux peuvent rarement les partager avec des instituts de recherche. Par conséquent, les chercheurs ne peuvent pas tirer parti du potentiel des données massives pour créer leurs modèles. Les calculs fédérés ont été introduits afin de trouver un compromis entre confidentialité et qualité des modèles. Les algorithmes fédérés sont exécutés sur des bases de données distribuées, sans que les centres médicaux aient à partager leurs données brutes directement, ceux-ci communicant plutôt des quantités agrégées localement. Si cela est relativement simple pour les méthodes de gradient, c’est plus difficile à appliquer à bon nombre d’algorithmes non-supervisés, notamment ceux impliquant des distances entre des points localisés dans des centres de données distincts. Or, l’analyse de données génétiques – particulièrement les étapes exploratoires ou de contrôle de qualité – repose généralement sur le regroupement hiérarchique agglomératif, qui dépend crucialement de telles distances. Nous développons deux approches pour le regroupement agglomératif fédéré des données génétiques, et examinons leur degré de confidentialité, performance et complexité. Nous trouvons la meilleure qualité de regroupement pour les liens simple et moyen lors de tests sur des données de séquençage en masse d’ARN. La première approche suit étroitement la procédure agglomérative classique ; elle remplace des groupes de points par leur centroïde lorsqu’ils dépassent une taille critique pour les partager. Nous observons empiriquement que la performance est maintenue pour une taille critique de 10% de la taille totale des données. La seconde approche est basée sur le calcul de la matrice de distance via des projections aléatoires, une technique utile pour bien d’autres algorithmes. Expérimentalement, les résultats sont satisfaisants pour une réduction de dimension significative. En terme de confidentialité, nous tentons plusieurs attaques contre cette stratégie, qui échouent sur les données génétiques, indiquant que la collusion reste la principale menace pour cette méthode.
Place, publisher, year, edition, pages
2025. , p. 98
Series
TRITA-EECS-EX ; 2025:253
Keywords [en]
Federated analytics, Hierarchical clustering, Transcriptomics
Keywords [fr]
Analyse fédérée, Regroupement hiérarchique, Transcriptomique
Keywords [sv]
Federerade analyser, Hierarkisk klustring, Transkriptomik
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-364923OAI: oai:DiVA.org:kth-364923DiVA, id: diva2:1971431
External cooperation
Owkin
Supervisors
Examiners
2025-07-292025-06-172025-07-29Bibliographically approved