Cómo preservar la privacidad de sus datos genómicos

Puede salvar una vida, descubrir la predisposición de alguien a desarrollar cáncer, resolver un crimen de hace mucho tiempo o encontrar a familiares perdidos hace mucho tiempo: la secuenciación del genoma ha recorrido un largo camino desde que se secuenció el genoma humano por primera vez a principios de la década de 2000. Avance rápido hasta hoy, y este proceso de determinar el código genético completo de alguien se está volviendo cada vez más rutinario. Miles de sobrevivientes de COVID-19, por ejemplo, ahora están mapeando su genoma, en un intento por ayudar a los investigadores a comprender cómo la composición genética específica podría afectar la susceptibilidad de una persona al coronavirus.

Pero mientras que echar un vistazo al ADN de alguien a menudo ayuda a prevenir, diagnosticar y tratar muchas enfermedades, obtener la huella genética también expone la información personal de ese individuo codificada en el genoma. Este es el enigma en torno al futuro de la medicina de precisión. De repente, estás compartiendo los seis mil millones de pares de bases de genes con las personas que secuencian tu genoma. Cualquiera que sea el objetivo, el mapeo y la secuenciación del genoma ponen en peligro nuestra privacidad.

Pero no tiene por qué ser así. Hay una manera de ocultar por completo los registros de ADN de alguien (y, para ser claros, los conjuntos de datos confidenciales en general) sin dejar de mantener la utilidad de los datos: encriptándolos. Saluda al cifrado totalmente homomórfico (FHE). Tal vez sea un bocado, pero en realidad es un tipo bastante simple de criptografía de próxima generación que es tan segura que ni siquiera las futuras computadoras cuánticas podrán descifrarla.

El cifrado que usamos comúnmente hoy en día no hace que nuestros datos estén totalmente seguros. Cada vez que se necesita ejecutar cualquier cálculo, por ejemplo, para llevar a cabo las pruebas genéticas médicas necesarias en un genoma secuenciado, los datos deben descifrarse. Aunque sea brevemente, los datos se vuelven susceptibles de robo y fugas.

Sin embargo, con FHE, los datos nunca se descifran. La información se codifica de tal manera que permanece encriptada todo el tiempo, cuando se transmite o cuando se almacena, y también durante cualquier cálculo. Los datos permanecen mezclados criptográficamente para preservar la privacidad mientras se procesan, y para que incluso las personas que manejan los datos no puedan conocer el contenido. Entonces, incluso si los datos son robados o filtrados, permanecerán encriptados de manera segura. El destinatario simplemente tiene que descifrar los resultados con una clave secreta especial, y ese movimiento no revela ninguna información sobre la fuente.

Incluso cuando las computadoras cuánticas se vuelvan lo suficientemente potentes como para descifrar la criptografía moderna, descifrando fácilmente los algoritmos de cifrado típicos, no podrán descifrar el cifrado homomórfico. Esto se debe a que FHE se basa en las matemáticas de las redes: colecciones de puntos repetitivas y multidimensionales en forma de cuadrícula. Los esquemas de encriptación basados ​​en entramados ocultan datos dentro de dicha colección, a cierta distancia de un punto. Calcular qué tan lejos está un mensaje encriptado de un punto de red es extremadamente difícil tanto para una computadora cuántica como para una tradicional.

Los científicos comenzaron a trabajar en el cifrado homomórfico en la década de 1970, pero se mantuvo como pura investigación hasta hace una década. En 2009, el informático Craig Gentry desarrolló el primer esquema FHE como parte de su tesis doctoral. Los años siguientes, mientras trabajaba con colaboradores en IBM Research, la técnica siguió refinándose, haciéndose más rápida y precisa. Preservar la privacidad genómica es solo uno de los posibles usos de FHE. Se puede utilizar para conservar cualquier dato confidencial, ya sean registros médicos o información financiera.

El cifrado homomórfico también aborda el problema de compartir datos, que es fundamental debido a las regulaciones de GDPR de Europa, las leyes de privacidad específicas de un país o incluso las propias regulaciones de una empresa. Por ejemplo, toma un banco. Si dos departamentos compartieran sus datos, uno relacionado con seguros y otro con inversiones, habría agregación de datos, dando a los analistas de datos acceso a todos los datos. Con FHE, los analistas no tendrían ni idea de qué se tratan los datos.

El año pasado, un banco brasileño, Banco Bradesco, se asoció con IBM para una prueba de la tecnología FHE en datos financieros reales. Los investigadores demostraron que era posible realizar predicciones sobre datos encriptados, ocultando los datos durante el procesamiento. Primero, cifraron el modelo de predicción existente basado en el aprendizaje automático y ejecutaron las predicciones con la misma precisión que sin el cifrado. Luego volvieron a entrenar el modelo usando nuevos datos cifrados y demostraron que era posible usar el cifrado homomórfico para preservar la privacidad de los datos, sin exponer nunca la información del cliente.

Actualmente, los requisitos computacionales de FHE son mucho mayores que con el cifrado moderno típico, lo que hace que el proceso sea mucho, mucho más largo. Pero la tecnología sigue mejorando, y en un futuro próximo es probable que sea lo suficientemente rápido para muchas aplicaciones diferentes. Cuando eso suceda, debería convertirse en la opción criptográfica predeterminada para datos confidenciales, especialmente médicos y genómicos. Porque al final del día, no hay nada más importante que los datos sobre nuestra composición genética y la de nuestros hijos, la información sobre lo que nos hace “nosotros”.