1.一种识别癌症驱动通路的方法，其特征在于，包括如下步骤：

1)构造加权的非二进制突变矩阵：

现有某个癌症的体细胞突变矩阵 拷贝数变异矩阵 和基因表达矩阵在体细胞突变矩阵 拷贝数变异矩阵 和基因表达矩阵 三个矩阵中行表示该癌症的相同样本集p，列分别表示基因集GS、GC和GE，在矩阵 中，sij∈{0,

1}(i＝1,2,…,|p|,j＝1,2,…,|GS|)，i样本中j基因突变，sij值为1，反之值为0；矩阵中每个元素cij∈{‑2,‑1,0,1,2}(i＝1,2,…,|p|,j＝1,2,…,|GC|)，表示i样本中j基因拷贝数变异值；在矩阵 中eij∈R(i＝1,2,…,|p|,j＝1,2,…,|GE|)，表示i样本中j基因表达量；令矩阵 中的基因集为GA＝GS∪GC，样本集为p，令 aij∈{0,1}(i＝1,2,…,|p|,j＝1,2,…,|GA|)，其中 为突变矩阵，当sij取值为1或i样本中j基因处于统计显著变异区域时，aij值为1，反之值为0，为了进一步整合突变矩阵 和表达矩阵 在突变矩阵 和表达矩阵 中取基因集G＝GA∩GE，重新得到两个矩阵A|p|×|G|和E|p|×|G|，对于基因表达数据，存在正常样本表达矩阵N|n|×|G|，n表示正常样本，在矩阵N|n|×|G|中，nij∈R(i＝1,2,…,|p|,j＝1,2,…,|G|)，表示i样本中j基因表达量，令差异倍数矩阵D|p|×|G|，dij∈R(i＝1,2,…,|p|,j＝1,2,…,|G|)，表示i样本中j基因表达量相比j基因在正常样本中表达量的差异倍数用 表示，其中 则dij值为否则dij值为0，处理好差异倍数矩阵D|p|×|G|，进一步对突变矩阵A|p|×|G|进行加权处理，整合成加权突变矩阵，对于A|p|×|G|，如果aij＝1，并且dij≥λ1，则aij＝1.5，如果‑1

aij＝0，并且dij≥λ2，则aij＝(2·l) ·dij，其中λ1和λ2是截取差异倍数的阈值，l是j基因对应所有样本中差异倍数的最大值，针对突变基因，λ1取较低值，使aij∈{1,1.5}，以提高该突变基因的突变可信值；针对不突变基因，λ2取较高值，使aij∈[0,0.5]，以提高该不突变基因的突变可信值，使其可能成为潜在基因，经过加权重新得到加权突变矩阵A|p|×|G|，aij∈[0,

1.5](i＝1,2,…,|p|,j＝1,2,…,|G|)；

2)设定识别模型：

针对加权突变矩阵A|p|×|G|，基于高覆盖和高互斥两个特性，重新构建新的整合模型，假设M|p|×k为矩阵A|p|×|G|的任一子矩阵，令Γ(m)＝{mi|mi＝max{aim|m∈M},i＝1,2,…,|p|}记录矩阵M|p|×k每行中最大权值，令矩阵M|p|×k的覆盖度 对于矩阵M|p|×k中一行的互斥度，考虑这一行的离散程度，用变异系数计算每行的互斥度，每行互斥度之和为整个M|p|×k的互斥度，具体表示如公式(1)所示：其中 当 趋近于0值时，对于变异

系数值影响很大，所以如果M|p|×k中一行的最大权值mi≤0.5，则令该行的互斥度为放缩该行互斥度，避免该行互斥度过高对通路识别造成影响，根据和公式(1)，对整合数据后的最大权重子矩阵问题重新定义模型：给定突变加权矩阵A|p|×|G|和正整数k(k＜|G|)，在矩阵A|p|×|G|中确定矩阵M|p|×k，使函数值W(M)最大，如公式(2)所示：

W(M)＝α(M)+ω(M) (2)，其中α(M)表示矩阵M|p|×k的覆盖度，α(M)由矩阵M|p|×k中每行最大突变权值相加所得，α(M)越大表示覆盖样本越多，并且突变可信值也越大；ω(M)表示矩阵M|p|×k的互斥度，ω(M)由M中每行变异系数值相加所得，变异系数越大，则离散程度越高，其互斥度就越大；

3)设定适应度函数：

每个染色体对应一个问题解，因此需要对该解进行评估，给定染色体Xi(i＝1,2,…P)，P为种群大小，适应度函数Fitness(Xi)的定义如公式(3)所示：其中， 表示染色体Xi对应的子矩阵；

4)设定交叉算子：

按照染色体适应度从大到小，给染色体Xi一个排名Ri，则每个染色体被选中的概率如公式(4)所示：

为了保证染色体的可行性，采用轮盘赌随机从父种群选取两条染色体，重复基因分别给子代的两条染色体，剩余基因放在一个集合，采用均匀交叉的方式，对于剩余基因的集合中连续的每对基因，随机生成一个二值数据，如果该二值数据为1，则这对基因的第一个基因放入第一条子染色体，第二个基因放入第二条子染色体，反之，第一个基因放入第二条子染色体，第二个基因放入第一条子染色体，经过一次交叉，生成两个子染色体；

5)设定变异算子：

给定一条子染色体X＝{x1,x2,…,xk}(xi＝1,2,…,|G|)，确定候选基因集合从子染色体中随机删除一个基因，得到基因集X′，将HX中基因顺序打乱，遍历前 个基因，选出基因g，使适应值Fitness(MX′∪{g})最大，对应于子矩阵MX′∪{g}的基因集X′∪{g}为新子染色体，即X＝X′∪{g}；

6)设定合作策略：

采用种群间相互合作策略，在种群交叉、变异和选择操作后，比较两个种群适应度最好的染色体和对方适应度最差的染色体，如果最好适应度高于对方最差适应度，则将该条染色体替换对方适应度最差的染色体；

7)设定参数：

输入加权的非二进制突变矩阵A|p|×|G|和公式(2)中的模型，参数k用于限制找到的驱动通路大小，然后输入CGA‑MWS相关参数：种群规模P、变异概率Pm、最大演化代数maxstep、最优值保持恒定的阈值maxt；

8)构造初始种群：

染色体编码采用十进制编码方式，一个解为k个基因构成的集合，即X＝{x1,x2,…,xk}(xi＝1,2,…,|G|)，将|G|个基因顺序随机打乱，然后取前k个基因构成初始染色体，生成两个初始种群pop0和pop1，每个种群大小为P/2，计算两个种群各自染色体的适应值，将pop0和pop1中各自最优的染色体相比较，保存最好的个体到变量best中，初始迭代次数step＝0，最优值保持恒定的代数t＝0；

9)执行迭代操作：

(1)若step＞maxstep或t＞maxt，转入步骤9)的(4)，得到大小为k的驱动通路，否则转入步骤9)的(2)；

(2)种群pop0和pop1各自通过基于排名的概率，采用轮盘赌随机选两条父代染色体，通过交叉算子进行交叉，生成两条子染色体，并各自放入子种群pop0′和pop1′中，重复P/4次，针对子种群pop0′和pop1′，对每条染色体随机一个突变概率Pm′，如果Pm′＜Pm，则对该条染色体进行变异操作，将变异操作中得到的适应值最高的染色体替换该条染色体，将pop0和pop0′里所有染色体按适应值从高到低排序，取前P/2条染色体放入下一代种群popstep+1中，pop1和pop1′进行相同操作得到下一代种群popstep+2；

(3)对种群popstep+1和popstep+2进行合作策略操作，比较两个种群的最优适应值，取两者中适应值最高的染色体，若该染色体适应值大于best染色体的适应值，则更新best染色体，t＝0；否则t＝t+1，step＝step+1，返回步骤9)的(1)；

(4)将best染色体转换为基因集，由此得到子矩阵M，并子矩阵M其输出，输出的子矩阵M即为大小为k的驱动通路。