癌症是一种由体细胞突变引起的复杂疾病。识别驱动癌症形成的突变是癌症基因组研究的重要目标,驱动突变的识别有利于癌症精准医学的发展。高通量测序技术和体细胞突变检测工具的飞速发展产生了大规模的癌症体细胞突变数据,然而,在体细胞突变数据中,大量随机产生的乘客突变掩盖了与癌症有因果关系的驱动突变,区分乘客突变和驱动突变是癌症基因组研究的一个重要挑战。目前,研究者们开发了多种识别驱动突变的计算方法,其主要原理是识别非沉默突变频率显著高于背景突变频率的基因组区域,但已有方法难以兼容体细胞突变的异质性,导致没有足够的检验功效区分乘客突变与驱动突变。同时,我们比较缺乏将体细胞突变数据与临床数据关联在一起的综合性工具,而这些综合性工具对癌症患者个体化治疗策略的开发是必不可少的。有效识别驱动突变的关键在于建立一个准确的背景突变模型。为此,本文提出Pro BMR模型对背景突变进行建模,Pro BMR模型是一种利用基因协变量估计背景突变速率的泊松线性混合效应模型。相比于一些经典的背景突变速率模型,如Mut Sig CV,Pro BMR模型以数据自适应方式在癌症基因组之间借用信息,更细致地解释了肿瘤突变频率的异质性。显著突变基因和互斥基因对的分析是癌症基因组研究的两大热门话题,其中背景突变的干扰导致许多方法无法成功识别驱动突变或产生假阳性结果。针对目前存在的问题,基于Pro BMR模型,本文分别提出SMGCT算法和MEHAT算法。一方面,SMGCT算法是一种采用卷积检验识别驱动基因的统计方法,在更准确的背景突变速率下,SMGCT算法比Mut Sig CV算法具有更高的检验功效,并且检测出了一些低频突变的驱动基因。另一方面,MEHAT算法是一种基于泊松多项分布识别互斥基因对的统计方法,该算法考虑了互斥特征的不对称分布,成功地避免了许多由高频突变基因主导的假阳性结果。除了一些复发性突变,目前我们比较缺乏方法系统研究癌症体细胞突变与患者生存期之间的关系。为此,我们提出SPA-Cancer算法,该算法基于Pro BMR模型将体细胞突变的影响效应累积在信号通路中,成功识别出与患者生存期显著相关的信号通路,确定了具有癌症生物学意义的稳定关联通路。