癌症作为威胁人类生命健康的一种重大疾病,癌症相关领域的研究仍然是生物信息学方面的研究热点。大量研究证明,在癌症进程中,起到了决定性的作用的关键基因只有少数,因此癌症基因组研究的关键任务是识别驱动突变或驱动基因。基因组中功能相关的驱动突变的基因集,也被称为驱动模块或通路,激活癌症发生的机制,触发癌症,并使癌细胞具有选择性优势。因此,准确识别出癌症的驱动基因,能帮助临床医生对癌症更精确的诊断,对有效治疗癌症具有重要意义。本文基于癌症基因组数据对癌症驱动基因识别进行研究。对于癌症驱动基因的识别的研究方法根据所使用的输入数据类型,可以分为以下两类:1)“从头学习”的方法仅仅依靠基因数据作为输入数据,来发现新的基因相互作用,与癌症相关的驱动基因2)基于知识的方法,除基因组数据外,还以通路、网络和功能表现型的形式,结合先验知识来识别驱动基因。本文中主要研究的方法是后者。下面对本文的主要工作进行介绍:1)提出了一种基于社区检测的癌症驱动模块识别的方法（CMBCD）,该方法以蛋白质间相互作用（PPIs）、互斥性和覆盖性整合连接信息,递归的运用Louvain算法来识别癌症驱动模块。在识别已知癌症基因方面,CMBCD优于TCGA泛癌数据上的几种先进的计算方法,提供了能够对正常和肿瘤样本进行分类的模块,并富集在特定癌症类型突变上。CMBCD能识别了包含已知癌症基因和在泛癌症数据中罕见突变的基因的基因模块。2)提出了一种基于多任务学习的癌症驱动基因识别方法（CDGBML）,利用体细胞基因组数据,结合基因组信息和先前的生物知识,通过多任务学习模型准确地预测癌症驱动基因的优先级。通过对不同的数据集进行测试,实验结果表明,CDGBML的性能足够好,优于现有的几种方法,是一种准确且易于使用的癌症驱动基因排序方法,可以帮助提高癌症驱动基因预测和优先级的准确性,从而促进精确诊断、个性化治疗和更好的临床判断。综上所述,本文基于癌症基因组数据对驱动基因识别问题进行研究,提出两种有效的识别模型和算法。实验结果表明,本文提出的模型和算法,确实能够识别出一些具有生物学意义的驱动模块和基因。