Distributed Provenance Information Model for Sensitive Data in Life Sciences

Mgr. Wittner Wittner

Advanced ('rigorózní') thesis

Abstract:

Reprodukovateľnosť je základným pilierom vedeckého výskumu. Reprodukovateľnosť umožňuje ohodnotiť kvalitu a dôveryhodnosť štúdie porovnaním deklarovaných výsledkov s dokumentovanými informáciami o experimentoch, ktoré dané výsledky vyprodukovali. V poslednej dekáde sa ale objavilo mnoho správ o problémoch týkajúcich sa reprodukovateľnosti, ktoré majú významný dopad na ekonomiku alebo zdravie. Proveniencia je informácia o pôvode objektu popisujúca objekty a procesy, ktoré ovplyvnili súčasný stav popisovaného objektu, a tiež obsahuje popis histórie jeho vlastníctva. Hlavným využitím proveniencie je umožnenie ohodnotenia dôveryhodnosti a kvality popisovaného objektu a podpora jeho reprodukovateľnosti. Cieľom dizertačnej práce je návrh koncepčného základu pre distribuovanú nepopierateľnú provenienciu za účelom adresovania problémov reprodukovateľnosti v živých vedách. Distribuovaný charakter proveniencie vyplýva z toho, že je generovaná na rôznych miestach v prípade, kedy popisovaný objekt prechádza medzi organizáciami. Príkladom týchto organizácií sú nemocnice, biobanky, výskumné laboratóriá, dátové infraštruktúry alebo univerzity. Nepopierateľnosť proveniencie je kritickou vlastnosťou, pomocou ktorej je možné zvýšiť jej dôveryhodnosť a spoľahlivosť. Výskum v rámci tejto dizertačnej práce je zameraný hlavne na nasledujúce oblasti. Prvou je skúmanie možností jednotného vyjadrenia spoločnej sémantiky distribuovaných častí proveniencie. Spoločná sémantika bude následne využitá za účelom integrácie jednotlivých častí proveniencie do spoločného distribuovaného reťazca. Príkladom spoločnej sémantiky sú prepojenia medzi jednotlivými distribuovanými časťami alebo vzťahy pripojujúce doménovú sémantiku. Následne budú skúmané možnosti zaistenia dôvernosti, integrity, nepopierateľnosti a verzovania distribuovanej proveniencie s využitím jej predpísaných charakteristík. Distribuovaný reťazec proveniencie tiež umožní zaistenie anonymity pacientov a darcov biologického materiálu, ktorý je neskôr použitý ako vstup pre generovanie dát. Výsledné riešenie je predmetom štandardizácie proveniencie pre oblasť biotechnológií v rámci Medzinárodnej organizácie pre normalizáciu s cieľom jeho ďalšieho využitia v akadémií aj priemysle.

Abstract:

Reproducibility is a fundamental pillar of scientific research. Reproducibility enables us to assess the quality and trustworthiness of a study by verifying whether stated scientific results correspond to the documented information about the experiments that produced those results. However, a significant number of reproducibility issues of research results have been reported during the last decade, having an impact on health or economics. Provenance information is information about the origin of an object and contains information about who possessed the object and which processes affected its current state. The main purpose of provenance is to enable trustworthiness and quality assessment of described objects and to support their reproducibility by providing a sufficient amount of information. The aim of this thesis is to design a conceptual foundation for distributed non-repudiable provenance information to address the aforementioned reproducibility issues in life sciences. The distributed nature of provenance emerges from the fact that it is generated in different places as a described object traverse through different organizations, such as hospitals, biobanks, research laboratories, data infrastructures, or universities. Non-repudiation of provenance is a crucial property to support its trustworthiness and reliability. In particular, the research will focus on the following areas. The first is an exploration of how to uniformly express common semantic of distributed provenance parts so that they can be consequently put into the common distributed provenance chain. Examples of the common semantics include common interconnections between distributed parts or interconnections to attach additional domain-specific semantics. Building on top of that, methods for achieving provenance opaqueness, integrity, non-repudiation, versioning of distributed provenance will be explored and adapted to utilize prescribed characteristics of distributed provenance chain. The distributed provenance chain will also support the privacy of patients and donors of biological material, which is used as an input for data generation. The resulting provenance framework also forms a foundation for provenance standardization for biotechnology domain in the International Organization for Standardization and aims to be adopted by academia and industry.

Keywords

provenance, non-repudiation, data management, PROV, reproducibility

Language used: English

Date on which the thesis was submitted / produced: 1. 10. 2021

Thesis defence

• Date of defence: 26. 5. 2022
• Reader: prof. Carole Goble, Prof. Bertram Ludäscher

Masaryk University

Faculty of Informatics

Advanced ('rigorózní řízení') programme / field:
Computer systems, communication and security / Computer systems, communication and security