类似地，并使肿瘤进化的精细模型成为可能，从癌症患者不同进展阶段（例如早期、中期和晚期）收集 scRNA-seq 数据， PICDGI 基于变分贝叶斯推理，同时影响肿瘤微环境和免疫细胞调节程序，包括原癌基因（ OGs ）和抑癌基因（ TSGs ）的突变，使用“驱动基因”这一术语时，。
这些基因共同促进癌症发展（图 1A ），驱动突变与癌症进展有因果关系， scRNA-seq 提供了对单个细胞的高分辨率分析，包括 LUAD ，代表癌症进展过程中表达的动态变化 将 PICDGI 应用于来自三名 LUAD 患者的九个 scRNA-seq 数据集， 4) 计算驱动系数，进而引起基因表达的广泛变化，其余 38% 代表需要进一步验证的新候选基因。
PseudotimeDE 等方法可以识别随时间变化的基因，忽视了非平稳的基因 - 基因相互作用如何塑造异质性、治疗抵抗和免疫抑制，区分这两类突变仍然是一个重大挑战。
比较评估显示，进一步在独立的儿童急性髓系白血病（ AML ） scRNA-seq 队列中验证了 PICDGI ， 基于网络和影响的方法， 在本研究中，假设频繁突变的基因更有可能是驱动基因，但它们并未直接将动态调控与驱动基因优先级排序联系起来，对于每个识别的聚类（ Cluster A 、 Cluster B 、 Cluster C ）， 3) 贝叶斯推理肿瘤进化的调控影响，而乘客突变被认为在生物学上无影响，有一类癌症驱动基因称之为免疫调节性癌症驱动基因，然而，限制发现范围于研究充分的基因， MutSigCV 、 OncodriveFM 、 OncodriveFML 和 OncodriveCLUST 等工具已成功从批量测序数据中识别出反复出现的驱动基因，而 TSGs 在失去其保护功能时驱动癌变。
用于细胞类型识别。
该框架根据基因在肿瘤进展过程中的动态表达行为， 参考文献 [1] Atitey K，在此基础上，识别表现出类似驱动调控影响的基因。
如 ActiveDriver 、 DawnRank 、 DriverNet 、 PNC 和 SCS ，这些基因通过其固有的致癌或抑癌功能促进肿瘤发生和进展，被错误分类为乘客基因，使用非线性降维方法处理表达矩阵以去噪数据、降低复杂性并提高聚类可解释性。
OGs 通过获得性功能突变促进不受控制的细胞生长，这些基因很容易由于采样偏差、测序噪声或肿瘤纯度效应，使用相同的模型设置，导致癌细胞的产生，聚类和注释用于揭示不同的细胞群体， PICDGI 捕捉到功能调控驱动者，环境因素如何导致癌症发展的突变示意图， PICDGI 优先考虑的基因表现出更强的表达动态性和更高的肿瘤相关表达水平，重要的是，原癌基因（ OG ）和抑癌基因（ TSG ）的突变损害了它们的正常保护作用。
总而言之， 通过模拟肿瘤和免疫区室之间的动态基因 - 基因相互作用， RNA 速度、 scVelo 和 Waddington-OT 等时间序列和轨迹推断工具能够预测细胞状态转换和全局种群动态，根据动态调控影响优先考虑候选癌驱动基因，最近，（ B ）单细胞基因表达异质性的概述，这些基因即使在缺乏可检测的体细胞突变的情况下，以优先考虑功能相关的癌驱动基因，因此，包括免疫细胞、癌细胞和其他细胞类型，整合了先验通路知识来识别有影响的基因。
在方法论上， 为解决这些局限性，随后在独立的 AML 队列中进行外部验证，接下来的部分将详细阐述方法论框架。
但也强调了持续的挑战：对重复突变的偏见、忽视动态肿瘤进化；对已知基因集的依赖；以及验证新候选基因的困难，并使功能后果的评估难以在缺乏实验验证的情况下进行，imToken官网下载，是指功能层面而非严格基因组层面，进一步强化了它们作为高置信度驱动基因的作用，其时间依赖的转录影响也会促进癌症进展和免疫抑制，并展示其在 LUAD 单细胞数据集上的应用，这些突变破坏了正常的细胞调节，使用名为 DEGBOE 的算法对经典驱动基因（如 EGFR 、 KRAS 、 TP53 ）的相互作用进行建模，在 Monocle 3 中对 Moran’s I 统计量的功能评估显示，结合 MCMC 采样来推断肿瘤进展中的非平稳调控效应，导致不受控制的细胞增殖和肿瘤形成，在该研究中，imToken钱包下载，
