癌症基因组测序研究的目的是确定典型癌症中存在的改变的性质和类型，并发现高频突变的基因。在本文中，我们讨论了分析这些研究中产生的体细胞突变频率数据的统计方法。我们特别强调Sjöblom等人提出的两阶段研究设计[科学类 314(2006) 268–274]. 在此背景下，我们描述并比较了构建分数的统计方法，这些分数可用于确定候选基因的优先顺序，以便进一步调查，并评估由此确定的候选基因的统计显著性。早期癌症基因组研究中使用的近似值所提供的错误发现率估计值的可靠性一直备受争议。为了解决这些问题，我们开发了一个半参数贝叶斯模型，该模型能够精确地拟合数据。我们使用此模型生成大量现实场景集合，并在此集合上评估替代方法。我们的评估是公正的，因为用于生成数据的模型没有被任何比较的方法使用。而且是客观的，因为场景是由适合数据的模型生成的。我们的结果量化了Benjamini和Hockberg方法与经验Bayes方法和Storey中提出的多重测试方法相比对错误发现率的保守控制[J.R.统计社会服务。B统计方法。 64(2002) 479–498]. 仿真结果还表明，Sjöblom等人使用的方法与目标错误发现率的偏差可以忽略不计[科学类 314(2006) 268–274].