癌症基因组重测序分析是通过高通量测序技术对肿瘤组织与正常组织进行全基因组或目标区域测序，以识别驱动突变、结构变异等关键分子特征，为精准诊疗提供依据。以下是其核心要点：
一、技术流程
1. 样本准备：需同时采集肿瘤组织（T）和配对正常组织（N，如癌旁或血液）以区分体细胞突变与胚系突变。
2. 测序策略：
全基因组重测序（WGS）：覆盖全基因组变异（SNP、InDel、SV等），尤其适合检测非编码区突变和复杂结构变异。推荐肿瘤样本测序≥50×，正常样本≥30×。
靶向测序：如外显子组测序（WES）或定制Panel，聚焦特定基因区域，成本更低且更高。
3. 数据分析：
初级分析：包括数据质控、序列比对、SNP/InDel/SV检测及功能注释。
高级分析：驱动基因筛选（如DriverML算法）、突变特征分析、分子分型及耐药机制研究。
二、应用场景
1. 靶向治疗：
识别EGFR、ALK、PIK3CA等驱动基因突变，指导靶向药物选择（如奥希替尼用于EGFR突变肺癌）。
KRAS G12C抑制剂（如Sotorasib）的突破性应用即基于突变检测。
2. 免疫治疗：
通过TMB（肿瘤突变负荷）和MSI-H（微卫星高度不稳定）筛选免疫治疗获益人群。
3. 预后评估：
高频突变基因（如TP53）与不良预后相关，可动态监测耐药突变（如EGFR T790M）。
三、挑战与优化
1. 技术难点：
肿瘤异质性需通过多区域测序或液体活检（ctDNA）解决。
高同源区段（如HLA基因）的准确分析需特殊算法或长读长测序。
2. 临床实践：
组织样本仍是“金标准”，但血液/体液样本在无法活检时可作为补充。
需结合病理评估（如肿瘤细胞比例≥10%）以提高检测灵敏度。
四、未来趋势
多组学整合：结合表观基因组（甲基化）和转录组数据提升分析维度。
AI辅助：通过机器学习优化驱动基因预测和个体化治疗方案。
如需具体案例（如肺癌或癌分析），可进一步补充说明。
