构建真实bulk RNA-seq基准数据集
建立可比较的真实数据基准与隐私攻击候选集。
从GDC门户经TCGABiolinks获取TCGA STAR counts,构建TCGA-BRCA(1094例,含LumA、LumB、Basal、Her2、Normal亚型)与TCGA-COMBINED(5222例原发肿瘤,12种癌症类型、10种组织)两个预处理数据集,并划分训练/测试集。
Community benchmarking of generative models for privacy-preserving synthetic bulk RNA-seq data generation
基于两个TCGA队列的978个标志基因开展计算基准评测,含11种生成模型、五折交叉验证、分布保真/下游效用/差异表达与共表达/通路的生物合理性/七种成员推断攻击评估,无湿实验验证。
TCGA-BRCA乳腺癌分子亚型队列(1094例) TCGA-COMBINED多组织泛癌队列(5222例原发肿瘤样本) 978个LINCS L1000标志基因的VST变换表达谱 11种生成模型(含DP与非DP方法)
两个队列的分层五折交叉验证与固定随机种子,合成数据规模与训练集形状匹配 下游任务:TCGA-BRCA分子亚型预测、TCGA-COMBINED癌症类型预测,one-vs-rest逻辑回归,train-on-synthetic/test-on-real相对AUC-ROC与F1 差异表达恢复:Wilcoxon检验,效应量阈值ΔVST>0.5(消融0.0/0.2/0.5/1.0),FPR≤0.05 共表达恢复:hCoCena,Pearson相关阈值r>0.0/0.3/0.5;通路恢复:ssGSEA评估50个MSigDB Hallmark基因集 隐私评估:黑盒成员推断攻击,最佳攻击的AUC-ROC与TPR@FPR=0.1,参考锚定攻击仅在TCGA-COMBINED使用824例参考队列
提炼研究问题、关键发现与证据,快速把握文章的核心贡献。
按研究推进顺序梳理实验设计、验证步骤与关键观察。
建立可比较的真实数据基准与隐私攻击候选集。
从GDC门户经TCGABiolinks获取TCGA STAR counts,构建TCGA-BRCA(1094例,含LumA、LumB、Basal、Her2、Normal亚型)与TCGA-COMBINED(5222例原发肿瘤,12种癌症类型、10种组织)两个预处理数据集,并划分训练/测试集。
在统一数据划分与随机种子下生成与训练集形状匹配的合成表达谱。
在VST空间内训练8种生成架构共11种方法(含DP版本),对每折由训练分区生成合成数据,保留测试分区用于评估。
衡量合成数据对真实数据全局与局部结构的复现程度。
计算MMD、基因级KL散度、密度与覆盖度(k=5)、相对最近记录距离及基于逻辑回归分类器的判别分数,分别参照真实训练集与留出测试集。
评估合成数据训练的分类器能否在真实留出数据上保持预测性能。
采用train-on-synthetic/test-on-real方案训练one-vs-rest逻辑回归,与真实训练的TRTR参照比较,并统计各类top-10预测基因的重叠比例。
检验合成数据是否保留基因级、网络级与通路级生物信号。
开展差异表达恢复、共表达网络恢复与ssGSEA通路评分比较。
在仅可访问发布合成数据和候选记录的威胁模型下量化成员身份泄漏风险。
采用距离类(MC、GAN-leaks、GAN-leaks calibrated)、密度类(DOMIAS-KDE)与分类器类(LOGAN-D1、Confidence LR、Confidence RF)攻击,取每个模型最强攻击结果作为隐私风险。
分析效用、保真度、生物学合理性与隐私之间的相关关系与权衡模式。
对11种方法的指标五折均值计算Spearman秩相关,并在FDR校正后叠加LOESS趋势线。
按研究目的归类文中使用的方法,便于定位所需技术。
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据获取与预处理 | TCGABiolinks R包 | -- | -- |
| 数据预处理 | DESeq2方差稳定变换 | -- | -- |
| 合成数据生成 | MiniBatchNMF(Scikit-learn) | Scikit-learn | -- |
| PyTorch 2.4.0 | -- | 2.4.0 | |
| 差分隐私训练 | Opacus v1.5.2 | -- | v1.5.2 |
| SmartNoise-Synth | SmartNoise | -- | |
| 成员推断攻击评估 | DOMIAS软件包 | -- | -- |
| 共表达网络分析 | hCoCena R包 | -- | -- |
| 通路分析 | GSVA R包 | -- | -- |
| 差异表达分析 | scran R包 | -- | -- |
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据集构建与预处理 | TCGA-BRCA为1094例含已知亚型样本;TCGA-COMBINED为5222例12种癌型;低表达过滤阈值为至少10%样本counts≥1;VST blind=FALSE;限定978个LINCS L1000标志基因;TCGA-COMBINED划分4398/824例 阅读提示:Methods-Datasets and pre-processing小节 |
| 交叉验证与合成数据生成 | 分层五折交叉验证及固定随机种子;合成数据与各折训练集样本量、特征维度匹配;DP-CVAE与DP-PGM用ε=4、DP-CTGAN用ε=50、P-NMF用ε=4且无形式化DP保证 阅读提示:Methods-Experiment design与Generative models各小节 |
| 各生成模型的超参数 | MVN加性噪声尺度α=0.5;NMF秩k=50、随机森林ntree=100;CVAE β=0.001、三隐藏层;CVAE-GMM混合成分数3;DP-CVAE梯度裁剪0.1、batch size 64;WGAN-GP λ=10、ncritic=5;CTGAN pac=10、10,000次迭代、batch size 64;DP-CTGAN preprocessor-eps-multiplier=0.1;Embedded Diffusion max-grad-norm=1.0、dp-noise-multiplier=0.00001;DP-PGM四等分位分箱 阅读提示:Methods-Generative models各方法Implementation细节 |
| 下游效用评估 | 下游任务定义(分子亚型预测、癌症类型预测);one-vs-rest逻辑回归;每类top-10特征;相对AUC-ROC与相对F1计算方式perf_synthetic/perf_real 阅读提示:Methods-Evaluation framework的Utility小节 |
| 生物学合理性评估 | DE效应量阈值ΔVST=0.5(消融0.0/0.2/0.5/1.0)与adj.p≤0.05;共表达相关阈值r>0.0/0.3/0.5;50个MSigDB Hallmark基因集;KS检验BH校正 阅读提示:Methods-Biological plausibility小节及Fig. 2、Fig. 3与Table 3图注 |
| 成员推断攻击隐私评估 | 黑盒无查询威胁模型;成员/非成员划分与0.8成员比例;TCGA-COMBINED 824例参考队列;四种特征表示各保留top-100维;最佳攻击的AUC-ROC与TPR@FPR=0.1;MC攻击不纳入跨模型比较 阅读提示:Methods-Privacy小节(Threat model、Membership inference attacks、Metrics) |