桑福德伯翰醫學研究所(Sanford Burnham Prebys Medical Discovery Institute,SBP)承擔了前所未有的對一個新興算法類別的比較分析，該算法通過聚焦內部基因結構，在癌癥數據庫中挖掘遺傳信息（即亞基因像素算法），這與專注于基因視其為單個單元的經典方法形成對照。這些強大的數據篩選工具正在幫助人們解決癌癥的復雜性，并且發現以前未知的基因突變，這些突變對癌細胞生成起到重要作用。
這項研究發表在《自然-方法》(Nature Methods)雜志上，該研究對各種獨立研究小組開發的20多種算法的優缺點進行了評論、歸類和描述。
“盡管高分辨率基因組序列的日益普及，一個通常的假設是把一個基因作為一個單元來考慮，”SBP生物信息學和結構生物學項目主任和該研究的資深作者Adam Godzik博士解釋說，“然而，有一些事件，如單一位置DNA替換和剪接變異，可以在亞基因水平發生在一個基因上。亞基因算法提供了一種高分辨率的視圖，來解釋為什么在同一基因上的不同突變可以導致不同的表型，這取決于基因突變如何影響特定的蛋白質區域。” “關于不同的亞基因突變對癌癥有怎樣的影響，NOTCH1 基因是個很好的例子，”Godzik說。“NOTCH1在某些區域的基因突變會造成它充當肺部，皮膚和頭頸部腫瘤的腫瘤抑制器。但是，NOTCH1在另一個不同區域的突變，則會促進慢性淋巴細胞白血病和T細胞急性淋巴細胞白血病。
因此，無論其位置如何，都假設一個基因突變會產生同樣的后果，是不正確的。” 研究人員將每種亞基因算法應用于“癌癥基因組圖集”(The Cancer Genome Atlas,TCGA)這樣的大規模數據集合，其中基因組數據包括來自超過11000個患者的33個不同類型的腫瘤。 “我們的目標不是要判定一種算法比另一種更好，因為這將取決于提出的問題，”Eduard Porta Pardo博士說，他以前是Godzik 實驗室的博士后，現在是巴塞羅那超級計算機中心的一名科學家以及該論文的第一作者。“相反地，我們想告訴潛在用戶，每個亞基因算法背后的不同假設是如何影響計算結果的，以及，全基因水平的工作方法會給計算結果帶來怎樣的差異。”
“我們發現了兩件重要的事情，”Porta Pardo說。“首先，我們發現，該算法能夠再現已知的癌癥研究人員已經確定的癌基因列表------驗證亞基因方法以及這些基因與癌癥之間的聯系。第二，我們發現了許多新的癌癥驅動基因——這些基因與腫瘤形成過程有關——而這些基因是全基因方法所忽略的。” “發現新的癌癥驅動基因是癌癥基因組分析的一個重要目標，”Porta Pardo說。“這項研究將幫助研究人員理解亞基因算法的優勢和缺陷，并應用該算法來尋找治療癌癥的新的潛在的藥物靶點。”