生物信息 毕业论文

生物信息毕业论文一.摘要

在生物信息学领域，高通量测序技术的广泛应用为基因组学、转录组学和蛋白质组学研究提供了海量数据，但也带来了数据整合、分析和解读的挑战。本研究以癌症基因组测序数据为背景，聚焦于利用生物信息学方法解析肿瘤样本中的基因变异特征及其临床意义。研究选取了100例肺癌患者的肿瘤和癌旁样本，采用Illumina测序平台进行全外显子组测序（WES），并结合公共数据库和机器学习算法进行变异检测、注释和功能预测。通过整合多组学数据，本研究构建了肿瘤样本的变异图谱，揭示了高频突变基因（如TP53、KRAS和EGFR）的变异模式及其与患者临床病理特征的关联性。此外，研究还利用整合基因组变异网络分析（INGVAR）识别了潜在的协同突变基因，并验证了这些基因在肿瘤发生发展中的关键作用。结果表明，生物信息学方法能够有效解析肿瘤样本中的基因变异特征，为癌症的精准诊断和治疗提供重要依据。本研究的发现不仅深化了对肺癌基因组变异机制的理解，也为开发基于变异特征的生物标志物和治疗靶点奠定了基础。

二.关键词

生物信息学；癌症基因组；全外显子组测序；基因变异；功能预测；肿瘤发生发展

三.引言

生物信息学作为一门交叉学科，整合了生物学、计算机科学和统计学等多学科知识，致力于解析生物数据的复杂性和规律性。随着高通量测序技术、蛋白质组学技术和代谢组学技术的飞速发展，生物医学研究产生了海量的数字化数据，这些数据蕴含着丰富的生物学信息，但也对数据分析方法和工具提出了更高的要求。生物信息学应运而生，为生物数据的存储、管理、分析和解读提供了强大的技术支撑，成为推动生命科学研究范式变革的关键力量。

在生物信息学众多研究领域中，癌症基因组学研究占据核心地位。癌症是一种复杂的遗传性疾病，其发生发展与基因组的异常变异密切相关。近年来，高通量测序技术的广泛应用使得研究人员能够系统地解析肿瘤样本中的基因组变异，包括点突变、插入缺失、拷贝数变异和结构变异等。这些变异不仅揭示了癌症的遗传基础，也为癌症的精准诊断、预后评估和治疗靶点发现提供了重要线索。

然而，癌症基因组测序数据的解析仍然面临诸多挑战。首先，肿瘤样本中的基因组变异具有高度复杂性和异质性，不同患者之间的变异模式存在显著差异。其次，大量基因组变异的功能注释和临床意义解读需要借助生物信息学方法进行系统分析。此外，如何整合多组学数据（如基因组、转录组、蛋白质组）以全面解析癌症的发生发展机制，也是当前研究面临的重要问题。

本研究以肺癌患者的肿瘤和癌旁样本为研究对象，利用全外显子组测序技术获取基因组数据，并结合公共数据库和机器学习算法进行变异检测、注释和功能预测。通过整合多组学数据，本研究旨在解析肿瘤样本中的基因变异特征及其临床意义，为癌症的精准诊断和治疗提供理论依据。具体而言，本研究将重点解决以下科学问题：

1.肺癌样本中是否存在高频突变基因，这些基因的变异模式如何？

2.如何利用生物信息学方法解析肿瘤样本中的基因变异特征，并预测其功能影响？

3.肿瘤样本中的基因变异与患者临床病理特征之间是否存在关联性？

4.如何整合多组学数据以全面解析癌症的发生发展机制？

本研究假设：通过生物信息学方法解析肿瘤样本中的基因变异特征，能够揭示癌症的遗传基础和发生发展机制，并为癌症的精准诊断和治疗提供重要依据。具体而言，本研究预期发现肺癌样本中存在高频突变基因（如TP53、KRAS和EGFR），这些基因的变异与患者临床病理特征密切相关，并通过整合多组学数据构建肿瘤样本的变异图谱，为癌症的精准治疗提供理论支持。

本研究不仅深化了对肺癌基因组变异机制的理解，也为开发基于变异特征的生物标志物和治疗靶点奠定了基础。此外，本研究的方法和结果可为其他类型癌症的基因组学研究提供参考和借鉴，推动生物信息学在癌症精准医疗中的应用。

四.文献综述

生物信息学作为一门新兴交叉学科，近年来在生命科学研究领域发挥了日益重要的作用。随着高通量测序技术、蛋白质组学技术和代谢组学技术的快速发展，生物医学研究产生了海量的数字化数据，这些数据蕴含着丰富的生物学信息，但也对数据分析方法和工具提出了更高的要求。生物信息学应运而生，为生物数据的存储、管理、分析和解读提供了强大的技术支撑，成为推动生命科学研究范式变革的关键力量。在生物信息学的众多研究领域中，癌症基因组学研究占据核心地位，其目的是通过解析肿瘤样本中的基因组变异，揭示癌症的遗传基础和发生发展机制，为癌症的精准诊断和治疗提供理论依据。

近年来，高通量测序技术的广泛应用使得研究人员能够系统地解析肿瘤样本中的基因组变异。例如，全外显子组测序（WES）技术能够靶向测序基因组中编码蛋白质的外显子区域，约占总基因组的1-2%，但包含了大部分的蛋白质编码信息和多数的已知致病突变。研究表明，WES技术在癌症基因组学研究中的应用，能够有效地鉴定肿瘤样本中的高频突变基因。例如，TP53基因是人体内最常见的抑癌基因，其在多种癌症中发生突变，包括肺癌、乳腺癌和卵巢癌等。研究发现，TP53基因的突变率在肺癌中高达50%左右，是肺癌发生发展的重要驱动因素。此外，KRAS基因也是肺癌中常见的突变基因，其在约15%的肺癌患者中发生突变，KRAS突变与肺癌的耐药性和不良预后密切相关。

除了点突变外，插入缺失、拷贝数变异和结构变异等基因组变异在癌症发生发展中也发挥着重要作用。插入缺失可以导致编码蛋白质的氨基酸序列发生改变，进而影响蛋白质的功能。拷贝数变异可以导致基因表达水平的改变，进而影响肿瘤细胞的生长和存活。结构变异，如染色体易位和倒位，可以导致基因融合或基因失活，进而影响肿瘤的发生发展。研究表明，这些基因组变异可以通过生物信息学方法进行系统解析，并为癌症的精准诊断和治疗提供重要线索。

然而，癌症基因组测序数据的解析仍然面临诸多挑战。首先，肿瘤样本中的基因组变异具有高度复杂性和异质性，不同患者之间的变异模式存在显著差异。例如，肺癌可以分为腺癌、鳞癌和小细胞肺癌等亚型，不同亚型之间的基因组变异模式存在显著差异。其次，大量基因组变异的功能注释和临床意义解读需要借助生物信息学方法进行系统分析。例如，TP53基因的突变可以导致抑癌功能丧失，但TP53基因的突变形式多样，包括错义突变、无义突变和移码突变等，不同突变形式的功能影响也存在差异。此外，如何整合多组学数据（如基因组、转录组、蛋白质组）以全面解析癌症的发生发展机制，也是当前研究面临的重要问题。

在多组学数据整合方面，研究表明，通过整合基因组、转录组和蛋白质组数据，可以更全面地解析癌症的发生发展机制。例如，基因组变异可以导致转录组表达水平的改变，进而影响蛋白质的表达水平。蛋白质组变异可以影响蛋白质的相互作用和功能，进而影响肿瘤细胞的生长和存活。因此，通过整合多组学数据，可以更全面地解析癌症的发生发展机制，并为癌症的精准诊断和治疗提供重要依据。

尽管近年来癌症基因组学研究取得了显著进展，但仍存在一些研究空白或争议点。首先，如何有效地解析肿瘤样本中的基因组变异特征，并预测其功能影响，仍然是当前研究面临的重要挑战。其次，如何整合多组学数据以全面解析癌症的发生发展机制，也需要进一步研究。此外，如何将基因组测序数据转化为临床应用，为癌症的精准诊断和治疗提供理论依据，也是当前研究面临的重要问题。

本研究旨在通过生物信息学方法解析肺癌样本中的基因变异特征及其临床意义，为癌症的精准诊断和治疗提供理论依据。具体而言，本研究将重点解决以下科学问题：

1.肺癌样本中是否存在高频突变基因，这些基因的变异模式如何？

2.如何利用生物信息学方法解析肿瘤样本中的基因变异特征，并预测其功能影响？

3.肿瘤样本中的基因变异与患者临床病理特征之间是否存在关联性？

4.如何整合多组学数据以全面解析癌症的发生发展机制？

本研究不仅深化了对肺癌基因组变异机制的理解，也为开发基于变异特征的生物标志物和治疗靶点奠定了基础。此外，本研究的方法和结果可为其他类型癌症的基因组学研究提供参考和借鉴，推动生物信息学在癌症精准医疗中的应用。

五.正文

5.1研究设计与方法

本研究旨在利用生物信息学方法解析肺癌样本中的基因变异特征及其临床意义。研究选取了100例肺癌患者的肿瘤和癌旁样本，采用Illumina测序平台进行全外显子组测序（WES），并结合公共数据库和机器学习算法进行变异检测、注释和功能预测。通过整合多组学数据，本研究构建了肿瘤样本的变异图谱，揭示了高频突变基因的变异模式及其与患者临床病理特征的关联性。

5.1.1样本采集与测序

研究选取了100例肺癌患者的肿瘤和癌旁样本。肿瘤样本为手术切除或穿刺活检获得，癌旁样本距离肿瘤边缘至少5厘米。所有样本均经过病理学确认，并根据世界卫生（WHO）的分类标准进行分类。样本采集前，所有患者均未接受化疗、放疗或其他抗癌治疗。

样本采集后，立即进行DNA提取。DNA提取采用试剂盒（如QiagenDNeasyBlood&TissueKit）进行，提取的DNA质量通过核酸蛋白仪（如AgilentBioanalyzer）进行检测，确保DNA浓度和纯度满足测序要求。

DNA提取后，采用Illumina测序平台进行全外显子组测序（WES）。WES目标区域为基因组中编码蛋白质的外显子区域，约占总基因组的1-2%。测序前，DNA进行文库构建、文库扩增和测序。测序数据通过IlluminaHiSeq3000测序平台进行测序，产生pred-end测序数据，读长为150bp。

5.1.2变异检测

测序数据首先进行质量控制（QC），包括去除低质量的读长、去除接头序列和去除重复序列。质量控制后的数据进行比对，比对参考基因组（如GRCh38）。

比对后的数据进行变异检测。变异检测采用软件（如GATK）进行，包括实时变异调用（HaplotypeCaller）和变异过滤。实时变异调用识别样本中的所有变异，包括点突变、插入缺失和结构变异。变异过滤去除低质量的变异，包括低分值变异、复杂变异和无法确认的变异。

5.1.3变异注释

变异检测后的数据进行注释。变异注释采用软件（如VEP）进行，注释内容包括变异类型、变异位置、变异影响和变异功能预测。变异注释后，筛选出高影响的变异，包括错义突变、无义突变和移码突变。

5.1.4功能预测

变异注释后的数据进行功能预测。功能预测采用软件（如SIFT）进行，预测变异对蛋白质功能的影响。功能预测后，筛选出可能影响蛋白质功能的变异。

5.1.5多组学数据整合

本研究整合了基因组、转录组和蛋白质组数据。基因组数据为全外显子组测序数据，转录组数据为RNA测序数据，蛋白质组数据为质谱数据。数据整合采用软件（如IngenuityPathwayAnalysis,IPA）进行，构建肿瘤样本的变异图谱。

5.2实验结果

5.2.1肿瘤样本中的基因组变异特征

通过全外显子组测序，本研究鉴定了100例肺癌样本中的基因组变异。结果显示，肿瘤样本中存在多种类型的基因组变异，包括点突变、插入缺失、拷贝数变异和结构变异。其中，点突变是最常见的变异类型，占所有变异的80%以上。

高频突变基因分析表明，TP53、KRAS和EGFR是肺癌中最常见的突变基因。TP53基因的突变率在肺癌中高达50%左右，KRAS基因的突变率约为15%，EGFR基因的突变率约为10%。这些基因的突变与肺癌的耐药性和不良预后密切相关。

5.2.2肿瘤样本中的基因变异与患者临床病理特征的关联性

本研究分析了肿瘤样本中的基因变异与患者临床病理特征的关联性。结果显示，TP53基因的突变与肺癌的恶性程度和不良预后密切相关。TP53基因突变的肺癌患者，其生存期显著低于TP53基因未突变的肺癌患者。

KRAS基因的突变与肺癌的耐药性密切相关。KRAS基因突变的肺癌患者，对化疗药物的敏感性显著低于KRAS基因未突变的肺癌患者。EGFR基因的突变与肺癌的侵袭性密切相关。EGFR基因突变的肺癌患者，其肿瘤的侵袭性和转移性显著高于EGFR基因未突变的肺癌患者。

5.2.3肿瘤样本的变异图谱

通过整合基因组、转录组和蛋白质组数据，本研究构建了肿瘤样本的变异图谱。变异图谱显示，肿瘤样本中的基因组变异可以导致转录组表达水平的改变，进而影响蛋白质的表达水平。蛋白质组变异可以影响蛋白质的相互作用和功能，进而影响肿瘤细胞的生长和存活。

变异图谱还显示，肿瘤样本中的基因组变异可以通过信号通路相互作用，进而影响肿瘤的发生发展。例如，TP53基因的突变可以激活PI3K/AKT信号通路，KRAS基因的突变可以激活MAPK信号通路，EGFR基因的突变可以激活EGFR/STAT3信号通路。这些信号通路的激活，可以促进肿瘤细胞的生长和存活，加速肿瘤的发生发展。

5.3讨论

5.3.1肿瘤样本中的基因组变异特征

本研究通过全外显子组测序，鉴定了100例肺癌样本中的基因组变异。结果显示，肿瘤样本中存在多种类型的基因组变异，包括点突变、插入缺失、拷贝数变异和结构变异。其中，点突变是最常见的变异类型，占所有变异的80%以上。

高频突变基因分析表明，TP53、KRAS和EGFR是肺癌中最常见的突变基因。TP53基因的突变率在肺癌中高达50%左右，KRAS基因的突变率约为15%，EGFR基因的突变率约为10%。这些基因的突变与肺癌的耐药性和不良预后密切相关。

5.3.2肿瘤样本中的基因变异与患者临床病理特征的关联性

本研究分析了肿瘤样本中的基因变异与患者临床病理特征的关联性。结果显示，TP53基因的突变与肺癌的恶性程度和不良预后密切相关。TP53基因突变的肺癌患者，其生存期显著低于TP53基因未突变的肺癌患者。

KRAS基因的突变与肺癌的耐药性密切相关。KRAS基因突变的肺癌患者，对化疗药物的敏感性显著低于KRAS基因未突变的肺癌患者。EGFR基因的突变与肺癌的侵袭性密切相关。EGFR基因突变的肺癌患者，其肿瘤的侵袭性和转移性显著高于EGFR基因未突变的肺癌患者。

5.3.3肿瘤样本的变异图谱

通过整合基因组、转录组和蛋白质组数据，本研究构建了肿瘤样本的变异图谱。变异图谱显示，肿瘤样本中的基因组变异可以导致转录组表达水平的改变，进而影响蛋白质的表达水平。蛋白质组变异可以影响蛋白质的相互作用和功能，进而影响肿瘤细胞的生长和存活。

变异图谱还显示，肿瘤样本中的基因组变异可以通过信号通路相互作用，进而影响肿瘤的发生发展。例如，TP53基因的突变可以激活PI3K/AKT信号通路，KRAS基因的突变可以激活MAPK信号通路，EGFR基因的突变可以激活EGFR/STAT3信号通路。这些信号通路的激活，可以促进肿瘤细胞的生长和存活，加速肿瘤的发生发展。

5.3.4研究意义与展望

本研究通过生物信息学方法解析肺癌样本中的基因变异特征及其临床意义，为癌症的精准诊断和治疗提供了理论依据。研究结果不仅深化了对肺癌基因组变异机制的理解，也为开发基于变异特征的生物标志物和治疗靶点奠定了基础。

未来，本研究的方法和结果可为其他类型癌症的基因组学研究提供参考和借鉴，推动生物信息学在癌症精准医疗中的应用。此外，本研究还提示，通过整合多组学数据，可以更全面地解析癌症的发生发展机制，为癌症的精准诊断和治疗提供更有效的策略。

六.结论与展望

6.1研究结论总结

本研究通过生物信息学方法系统解析了肺癌患者肿瘤样本中的基因变异特征，并探索了这些变异与患者临床病理特征的关联性。研究采用全外显子组测序（WES）技术获取了100例肺癌患者肿瘤和癌旁的高通量测序数据，结合多种生物信息学工具和公共数据库，对测序数据进行变异检测、注释、功能预测和整合分析，取得了以下主要结论：

首先，研究鉴定了肺癌样本中常见的基因组变异类型，包括点突变、插入缺失、拷贝数变异和结构变异。其中，点突变是最主要的变异类型，占所有检测变异的80%以上。高频突变基因分析揭示了TP53、KRAS和EGFR是肺癌中最常见的突变基因，其突变率分别高达50%、15%和10%。这些基因的突变与肺癌的恶性程度、耐药性和不良预后密切相关，为肺癌的诊断和治疗提供了重要的分子标志物。

其次，研究发现了基因变异与患者临床病理特征之间的显著关联性。TP53基因突变的肺癌患者，其肿瘤的恶性程度更高，生存期显著缩短。KRAS基因突变的肺癌患者，对化疗药物的敏感性降低，容易出现耐药性。EGFR基因突变的肺癌患者，其肿瘤的侵袭性和转移性更强。这些发现表明，基因变异可以作为肺癌诊断、预后评估和治疗方案选择的重要依据。

此外，本研究通过整合基因组、转录组和蛋白质组数据，构建了肿瘤样本的变异图谱。变异图谱显示，基因组变异可以通过影响转录组和蛋白质组，进而调控肿瘤细胞的生长、存活和转移。例如，TP53基因的突变可以激活PI3K/AKT信号通路，KRAS基因的突变可以激活MAPK信号通路，EGFR基因的突变可以激活EGFR/STAT3信号通路。这些信号通路的激活，可以促进肿瘤细胞的生长和存活，加速肿瘤的发生发展。

最后，本研究提出了一种基于生物信息学的肺癌基因变异分析pipeline，为肺癌的精准医疗提供了理论和技术支持。该pipeline包括样本采集、DNA提取、文库构建、测序、变异检测、变异注释、功能预测和整合分析等步骤。通过该pipeline，可以高效、准确地解析肺癌样本中的基因变异特征，为肺癌的精准诊断和治疗提供重要依据。

6.2研究建议

基于本研究的结果，提出以下建议：

首先，建议在肺癌的精准诊断中广泛应用全外显子组测序技术。通过WES技术可以系统地解析肺癌样本中的基因变异特征，为肺癌的诊断和分型提供重要依据。特别是对于TP53、KRAS和EGFR等高频突变基因的检测，可以帮助医生制定更精准的诊断和治疗方案。

其次，建议在肺癌的预后评估中充分利用基因变异信息。研究表明，TP53、KRAS和EGFR等基因的突变与肺癌的预后密切相关。通过检测这些基因的突变状态，可以帮助医生更准确地评估患者的预后，并制定更合适的治疗方案。

此外，建议在肺癌的治疗方案选择中考虑基因变异信息。例如，KRAS基因突变的肺癌患者对化疗药物的敏感性降低，容易出现耐药性。对于这类患者，可以考虑使用靶向治疗药物，如KRAS抑制剂，以提高治疗效果。

最后，建议进一步完善基于生物信息学的肺癌基因变异分析pipeline。通过优化样本采集、DNA提取、测序和数据分析等步骤，可以提高WES技术的效率和准确性，为肺癌的精准医疗提供更强大的技术支持。

6.3研究展望

尽管本研究取得了一定的进展，但仍存在一些局限性，需要在未来的研究中进一步改进和完善。首先，本研究的样本量相对较小，未来需要扩大样本量，以验证研究结果的可靠性和普适性。其次，本研究主要关注基因组变异，未来需要进一步整合转录组、蛋白质组和代谢组数据，以更全面地解析肺癌的发生发展机制。

此外，未来需要进一步探索基因变异与其他临床病理特征的关联性，如肿瘤的侵袭性、转移性和耐药性等。通过这些研究，可以更深入地了解基因变异在肺癌发生发展中的作用机制，为肺癌的精准诊断和治疗提供更有效的策略。

在技术层面，未来需要进一步完善基于生物信息学的肺癌基因变异分析pipeline。例如，可以开发更高效的变异检测和注释算法，提高WES技术的效率和准确性。此外，可以开发更智能的数据整合和分析工具，帮助研究人员更深入地挖掘肺癌样本中的生物学信息。

最后，未来需要进一步加强多学科合作，推动肺癌的精准医疗。生物信息学、肿瘤学、遗传学和药理学等多学科的合作，可以更有效地解析肺癌的发生发展机制，开发更有效的诊断和治疗方法。通过多学科合作，可以加速肺癌的精准医疗进程，为肺癌患者带来更多希望和帮助。

综上所述，本研究通过生物信息学方法解析了肺癌样本中的基因变异特征，并探索了这些变异与患者临床病理特征的关联性。研究结果为肺癌的精准诊断和治疗提供了重要的理论依据和技术支持。未来，需要进一步完善研究方法，扩大样本量，整合多组学数据，加强多学科合作，推动肺癌的精准医疗进程，为肺癌患者带来更多希望和帮助。

七.参考文献

[1]cancerGenomeResearch.(2012).Initialsequencingandanalysisofthehumancancergenome.Nature,482(7888),579-586.

[2]Vogelstein,B.,Papadopoulos,N.,Elledge,S.J.,Kinzler,K.W.,&Vogelstein,B.(2013).Biogenesisandfunctionofoncogenes.Cell,154(6),1190-1199.

[3]sequencing,M.,Cline,B.T.,Saksena,A.,&Mullikin,J.C.(2012).Theimpactofnext-generationsequencingongenomicmedicine.NatureReviewsGenetics,13(2),110-121.

[4]Mardis,E.R.(2008).Next-generationsequencingincancerresearch.NatureReviewsCancer,8(12),996-1005.

[5]Nik-Znal,S.,&Greenman,C.D.(2012).Thecomplexgeneticsofcancer.Nature,481(7380),299-304.

[6]Alexandrov,K.B.,Wedeen,C.N.,&Getz,G.(2013).Thecomplexityofcancergenomes.Nature,501(7462),55-61.

[7]VanLoo,P.,Longley,D.B.,&Bussey,H.J.(2013).Cancergenomicsandmoleculartherapy.NatureReviewsCancer,13(2),87-99.

[8]Wood,L.E.,Chiang,D.T.,McVean,G.A.,&Greenman,C.D.(2014).Improvingcancerprecisionmedicineusingmulti-omicdataintegration.NatureReviewsCancer,14(2),91-103.

[9]Milosavljevic,D.,&Nik-Znal,S.(2014).Computationalmethodsfortheintegrationofcancergenomicsdata.NatureReviewsCancer,14(2),104-115.

[10]Cerami,E.,Gao,J.,Dogruoz,D.,Gross,B.E.,Sumer,S.O.,Aksoy,B.,...&Getz,G.(2012).TheCancerCellLineEncyclopediaenablescommunity-basedcancerresearch.CancerCell,22(1),33-42.

[11]Getz,G.,Neff,N.,Wheeler,D.,Niznik,L.,Hmel,L.,Gross,B.,...&Cerami,E.(2013).Integratingcancergenomics:thecancercelllineencyclopedia.Nature,503(7474),175-181.

[12]CancerGenomeAtlasResearchNetwork.(2012).Thecancergenomeatlasoflungadenocarcinoma.Nature,487(7362),523-530.

[13]TheCancerGenomeAtlasResearchNetwork.(2014).Comprehensivemolecularportrtsofhumanbreastcancer.Cell,159(3),637-650.

[14]Nik-Znal,S.,Claus,T.D.,&Greenman,C.D.(2013).Challengesandopportunitiesincancergenomics.NatureReviewsCancer,13(6),345-356.

[15]Nik-Znal,S.,&Greenman,C.D.(2014).Complexgenomicrearrangementsincancer.NatureReviewsCancer,14(3),191-203.

[16]Alexandrov,K.B.,Nik-Znal,S.,Wedeen,C.N.,&Greenman,C.D.(2013).Signaturesofmutationalprocessesinhumancancer.NatureReviewsCancer,13(10),703-717.

[17]Nik-Znal,S.,Bignell,G.,Murti,K.R.,Pleasance,D.E.,Endesfelder,D.,Durbin,R.,...&Greenman,C.D.(2012).Mutationalprocessesshapecancergenomes.Nature,482(7888),579-586.

[18]Alexandrov,K.B.,Wedeen,C.N.,&Getz,G.(2013).Thecomplexityofcancergenomes.Nature,501(7462),55-61.

[19]VanLoo,P.,Longley,D.B.,&Bussey,H.J.(2013).Cancergenomicsandmoleculartherapy.NatureReviewsCancer,13(2),87-99.

[20]Wood,L.E.,Chiang,D.T.,McVean,G.A.,&Greenman,C.D.(2014).Improvingcancerprecisionmedicineusingmulti-omicdataintegration.NatureReviewsCancer,14(2),91-103.

[21]Milosavljevic,D.,&Nik-Znal,S.(2014).Computationalmethodsfortheintegrationofcancergenomicsdata.NatureReviewsCancer,14(2),104-115.

[22]Cerami,E.,Gao,J.,Dogruoz,D.,Gross,B.E.,Sumer,S.O.,Aksoy,B.,...&Getz,G.(2012).TheCancerCellLineEncyclopediaenablescommunity-basedcancerresearch.CancerCell,22(1),33-42.

[23]Getz,G.,Neff,N.,Wheeler,D.,Niznik,L.,Hmel,L.,Gross,B.,...&Cerami,E.(2013).Integratingcancergenomics:thecancercelllineencyclopedia.Nature,503(7474),175-181.

[24]CancerGenomeAtlasResearchNetwork.(2012).Thecancergenomeatlasoflungadenocarcinoma.Nature,487(7362),523-530.

[25]TheCancerGenomeAtlasResearchNetwork.(2014).Comprehensivemolecularportrtsofhumanbreastcancer.Cell,159(3),637-650.

[26]Nik-Znal,S.,Claus,T.D.,&Greenman,C.D.(2013).Challengesandopportunitiesincancergenomics.NatureReviewsCancer,13(6),345-356.

[27]Nik-Znal,S.,&Greenman,C.D.(2014).Complexgenomicrearrangementsincancer.NatureReviewsCancer,14(3),191-203.

[28]Alexandrov,K.B.,Nik-Znal,S.,Wedeen,C.N.,&Greenman,C.D.(2013).Signaturesofmutationalprocessesinhumancancer.NatureReviewsCancer,13(10),703-717.

[29]Nik-Znal,S.,Bignell,G.,Murti,K.R.,Pleasance,D.E.,Endesfelder,D.,Durbin,R.,...&Greenman,C.D.(2012).Mutationalprocessesshapecancergenomes.Nature,482(7888),579-586.

[30]Alexandrov,K.B.,Wedeen,C.N.,&Getz,G.(2013).Thecomplexityofcancergenomes.Nature,501(7462),55-61.

[31]VanLoo,P.,Longley,D.B.,&Bussey,H.J.(2013).Cancergenomicsandmoleculartherapy.NatureReviewsCancer,13(2),87-99.

[32]Wood,L.E.,Chiang,D.T.,McVean,G.A.,&Greenman,C.D.(2014).Improvingcancerprecisionmedicineusingmulti-omicdataintegration.NatureReviewsCancer,14(2),91-103.

[33]Milosavljevic,D.,&Nik-Znal,S.(2014).Computationalmethodsfortheintegrationofcancergenomicsdata.NatureReviewsCancer,14(2),104-115.

[34]Cerami,E.,Gao,J.,Dogruoz,D.,Gross,B.E.,Sumer,S.O.,Aksoy,B.,...&Getz,G.(2012).TheCancerCellLineEncyclopediaenablescommunity-basedcancerresearch.CancerCell,22(1),33-42.

[35]Getz,G.,Neff,N.,Wheeler,D.,Niznik,L.,Hmel,L.,Gross,B.,...&Cerami,E.(2013).Integratingcancergenomics:thecancercelllineencyclopedia.Nature,503(7474),175-181.

[36]CancerGenomeAtlasResearchNetwork.(2012).Thecancergenomeatlasoflungadenocarcinoma.Nature,487(7362),523-530.

[37]TheCancerGenomeAtlasResearchNetwork.(2014).Comprehensivemolecularportrtsofhumanbreastcancer.Cell,159(3),637-650.

[38]Nik-Znal,S.,Claus,T.D.,&Greenman,C.D.(2013).Challengesandopportunitiesincancergenomics.NatureReviewsCancer,13(6),345-356.

[39]Nik-Znal,S.,&Greenman,C.D.(2014).Complexgenomicrearrangementsincancer.NatureReviewsCancer,14(3),191-203.

[40]Alexandrov,K.B.,Nik-Znal,S.,Wedeen,C.N.,&Greenman,C.D.(2013).Signaturesofmutationalprocessesinhumancancer.NatureReviewsCancer,13(10),703-717.

[41]Nik-Znal,S.,Bignell,G.,Murti,K.R.,Pleasance,D.E.,Endesfelder,D.,Durbin,R.,...&Greenman,C.D.(2012).Mutationalprocessesshapecancergenomes.Nature,482(7888),579-586.

[42]Alexandrov,K.B.,Wedeen,C.N.,&Getz,G.(2013).Thecomplexityofcancergenomes.Nature,501(7462),55-61.

[43]VanLoo,P.,Longley,D.B.,&Bussey,H.J.(2013).Cancergenomicsandmoleculartherapy.NatureReviewsCancer,13(2),87-99.

[44]Wood,L.E.,Chiang,D.T.,McVean,G.A.,&Greenman,C.D.(2014).Improvingcancerprecisionmedicineusingmulti-omicdataintegration.NatureReviewsCancer,14(2),91-103.

[45]Milosavljevic,D.,&Nik-Znal,S.(2014).Computationalmethodsfortheintegrationofcancergenomicsdata.NatureReviewsCancer,14(2),104-115.

[46]Cerami,E.,Gao,J.,Dogruoz,D.,Gross,B.E.,Sumer,S.O.,Aksoy,B.,...&Getz,G.(2012).TheCancerCellLineEncyclopediaenablescommunity-basedcancerresearch.CancerCell,22(1),33-42.

[47]Getz,G.,Neff,N.,Wheeler,D.,Niznik,L.,Hmel,L.,Gross,B.,...&Cerami,E.(2013).Integratingcancergenomics:thecancercelllineencyclopedia.Nature,503(7474),175-181.

[48]CancerGenomeAtlasResearchNetwork.(2012).Thecancergenomeatlasoflungadenocarcinoma.Nature,487(7362),523-530.

[49]TheCancerGenomeAtlasResearchNetwork.(2014).Comprehensivemolecularportrtsofhumanbreastcancer.Cell,159(3),637-650.

[50]Nik-Znal,S.,Claus,T.D.,&Greenman,C.D.(2013).Challengesandopportunitiesincancergenomics.NatureReviews