Google ドライブの片隅には、以前ダウンロードしたまま眠っている私の全ゲノム（WGS, Whole-Genome Sequencing）データがある。このデータをどこか公開の場に載せてみようかと思ったが、いまだにためらっている。そのためらいの理由が、まさにこの話である。

研究用に公開されるゲノムデータには名前が付いていない。IDは NA12878 のような匿名コードで、個人情報は消されているとされる。ところが2013年に Science に掲載された Gymrek らの論文 は、その匿名性が見た目より薄いことを示した。ゲノム配列と、その傍らに何気なく添えられていたわずかなメタデータだけで、参加者の実際の姓と身元を復元できたのだ。

鍵：父系で一緒に流れる二つのもの

核心となるアイデアは驚くほど単純だ。二つのものが父から息子へ一緒に受け渡される、という点である。

  • Y染色体 — 男性だけが持ち、父系に沿ってほぼそのまま受け継がれる。
  • 姓 — 多くの文化圏で、やはり父 → 息子へと継がれる。

そのため、Y染色体上の短い反復配列マーカーである Y-STR（Y-chromosome Short Tandem Repeat）のパターンと姓との間には統計的な相関が生じる。同じ姓を持つ男性は、父系の祖先を共有する分だけ、Y-STR ハプロタイプも似ている確率が高い。

📝 Y-STR ハプロタイプとは？ STR とは GATA GATA GATA … のように短い DNA 単位が何度も繰り返される区間で、繰り返し回数は人によって異なる。Y染色体上の複数の STR 位置でこの繰り返し回数を一つずつ数えて並べた数値の組み合わせ（例：DYS391=10, DYS389=13, …）が、まさに Y-STR ハプロタイプである。指紋のように父系を識別する目印で、検査するマーカー数が多いほど解像度が高くなる。

さらに決定的な材料がもう一つあった。趣味で家系を辿る人々が、自分の Y-STR プロファイルと姓を自発的にアップロードしている遺伝子系譜（genetic genealogy）データベース（Ysearch、SMGF など）だ。つまり「この Y-STR パターン → この姓」を結ぶ公開の照合テーブルが、すでにインターネット上に存在していた。

📝 Ysearch と SMGF どちらも論文の当時、実際に公開されていた Y-STR 系譜データベースだ。

  • SMGF（Sorenson Molecular Genealogy Foundation）：1999年頃、実業家 James LeVoy Sorenson と BYU の Scott Woodward が始めた非営利プロジェクト。世界中から10万件以上の DNA サンプルを家系図（pedigree）とともに集め、公開・検索可能にした。のちに Ancestry.com が買収し、公開データベースは2015年頃に閉鎖された。
  • Ysearch：遺伝子検査会社 FamilyTreeDNA が運営していた無料公開の Y-STR データベースで、利用者が自分のプロファイルと姓を自らアップロードしていた。2018年、プライバシー上の懸念のなかでサービスが終了した。

興味深い皮肉は、この論文が明らかにしたまさにその危険性ゆえに、両データベースとも後に閉鎖されたという点である。

追跡の方法

論文が示した再識別のプロセスは三段階だ。

  1. Y-STR プロファイルの抽出 — 公開された男性ゲノム配列から Y-STR マーカーのパターンを計算する。
  2. 姓の照会 — このパターンを遺伝子系譜 DB に問い合わせ、最も近い共通祖先までの時間を推定し、最も可能性の高い姓の候補を得る。
  3. 三角測量（triangulation） — 復元した姓に、データと一緒に公開されていた年齢・居住州などのメタデータを加える。姓 + 年齢 + 州さえあれば、人口記録や検索エンジンで個人を絞り込んで特定できる。

注目すべき点：この一連の流れがすべて無料でアクセスできる公開インターネット資源だけで成り立っていた。特別な内部アクセス権限も、ハッキングも必要なかった。

結果

研究チームはこの方法で、匿名ゲノムの参加者とその家族を実際に追跡し、身元を突き止めた。911人の Y-STR を出発点にしたとき、米国内での姓の復元**成功率は約12%**と推定された。一つのゲノムが破られれば、同じ父系の親族まで一緒に露出するという点で、影響範囲は個人を超える。

そして身元を確定させる最後の一片が、ゲノム配列そのものではなく、その傍らに何気なく添えられていた年齢と地域の情報だったという事実は、とりわけ痛烈だった。

余波

論文が出た直後、米国 NIH は dbGaP のような公開リポジトリで、年齢などの準識別メタデータを制限アクセス（controlled access）へ移した。「匿名化されたゲノムは安全だ」という通念は崩れ、ゲノムデータ共有における同意（consent）とガバナンスを設計し直すきっかけとなった。以降この論文は、ゲノムプライバシー研究の標準的な参考文献となっている。

参考文献: Gymrek, M., McGuire, A. L., Golan, D., Halperin, E., & Erlich, Y. (2013). Identifying Personal Genomes by Surname Inference. Science, 339(6117), 321–324. doi:10.1126/science.1229566