肿瘤驱动基因分析策略简介

肿瘤的发生可以看做是体细胞基因组变异不断累积之后爆发的结果，这里的基因组变异包含了突变，CNV等等，详细列表如下

1. single nucleotide variants(SNVs)
2. small insertions or deletions(indels)
3. gene fusions
4. copy-number variations(CNVs)
5. large chromosomal rearrangements(SV)

在肿瘤样本中，基因组变异的数量是非常多的, 以ICGC为例，第28版数据库库中收录了81782588个体细胞突变位点

根据这些突变对于癌症发生与发展的影响程度，提出了驱动突变和乘客突变的概念

1. driver mutations, 这些突变位点对于肿瘤细胞的生成有直接的驱动作用
2. passenger mutations, 突变位点对于肿瘤细胞的生成没有直接的影响，或者只有间接的影响

驱动突变所在的基因也称之为driver gene, cancidate cancer genes等等，不同文献中有不同的叫法。从定义也可以看出，驱动突变是肿瘤发生与发展的关键因素，鉴定肿瘤相关的驱动突变，对于了解肿瘤发生的机制与肿瘤的预防和治疗有重大意义。

WES,WGS等组学技术可以快速鉴定肿瘤样本的体细胞突变位点，在此基础上，进一步发展出很多的软件来识别驱动驱动，下列综述中详细解释和归纳了各种驱动突变识别的算法和软件

https://academic.oup.com/bib/article/17/4/642/2240387

从上述示意图可以看出，可以分为以下5类

1. Mutation frequence-based approaches

将体细胞突变位点在肿瘤样本中的频率当做背景，驱动突变在肿瘤样本中的频率应该是相对较高的，基于这一基本思想，有很多的软件被开发出来识别驱动突变，部分软件列表如下

1. MuSiC
2. MutSigCV
3. OncodriveCLUST
4. ContrastRank

该算法对样本量要求较大，而且考虑到肿瘤样本的异质性等因素，在实际应用中，推荐采用队列样本来进行研究。

2. Function impact based

通过预测突变位点对功能的影响程度来识别驱动突变，部分软件列表如下

1. SIFT
2. PolyPhen-2
3. MutationTaster
4. MutationAssessor
5. Condel

3. Structural genomics based

结合突变位点对蛋白质的三维结构的影响来识别驱动突变，部分软件列表如下

1. iPAC
2. ActiveDriver
3. CanBind
4. MSEA
5. eDriver

4. Network or pathway based

结合基因参与的pathway通路和蛋白质相互作用网络信息来识别驱动突变，部分软件列表如下

1. PARADIGM
2. DriverNet
3. TieDIE

5. Data Intergation based

结合基因组，转录组， 甲基化，蛋白质组等多组学的数据来识别驱动突变，部分软件列表如下

1. CONEXIC
2. CAERUC
3. MAXDRIVER
4. Helios
5. OncodrivrROLE
6. OncoIMPACT

每种算法都有其优势和局限性，对于驱动突变的识别而言，结合多种软件的结果综合考虑，是一个常用的方法，可以一定程度上避免单一算法的不足。