基因组学是生物信息学最经典、最核心的应用领域之一。它专注于研究生物体整个基因组的结构、功能、进化及编辑，是理解生命遗传蓝图的基础。随着高通量测序技术的飞速发展，基因组学已从单一物种的序列解析扩展到跨物种比较、表观调控和微生物群落研究，成为现代生命科学的核心驱动力。
以下从几个核心层面，为你梳理基因组学的主要研究内容及其与生物信息学的交叉应用。
核心研究内容
基因组学的研究可以大致分为以下几个层面：
| 研究方向 | 核心任务 | 关键方法与技术 | 应用实例 |
|---|---|---|---|
| 结构基因组学 | 绘制高精度基因组图谱，确定基因和调控元件的物理位置与结构。 | 1. 全基因组测序与组装 2. 序列比对 (BLAST等) 3. 基因预测 (Glimmer等) 4. 重复序列注释 (RepeatMasker) | 人类基因组计划、水稻基因组计划。 |
| 功能基因组学 | 研究基因组各部分（尤其是非编码区）的功能，以及基因间的调控网络。 | 1. 转录组分析 (RNA-seq) 2. 表观组分析 (ChIP-seq, ATAC-seq) 3. 基因敲除/干扰 (CRISPR) 4. 功能富集分析 (GO, KEGG) | 定位疾病易感基因（如通过GWAS），研究癌症中关键信号通路的变化。 |
| 比较基因组学 | 通过比较不同物种的基因组，揭示基因的保守性、变异和物种演化规律。 | 1. 全基因组比对 (MUMmer) 2. 系统发育分析 (构建进化树) 3. 共线性分析 (MCScanX) | 追溯病毒起源、研究人类特有基因的演化。 |
| 表观基因组学 | 研究不改变DNA序列的、可遗传的基因表达调控机制。 | 1. ChIP-seq (组蛋白修饰、转录因子结合) 2. 全基因组甲基化测序 (WGBS) 3. ATAC-seq (染色质可及性) | 绘制细胞分化过程中的表观动态图谱，发现新的疾病表观标志物。 |
| 宏基因组学 | 直接研究环境样本（如肠道、土壤）中全部微生物的基因组。 | 1. 16S rRNA测序 (物种鉴定) 2. 鸟枪法宏基因组测序 (功能分析) | 分析肠道菌群与肥胖、糖尿病等疾病的关系。 |
关键技术方法
上述研究都依赖于强大的生物信息学工具和算法作为支撑：
- 序列比对：这是基因组分析的基石。BLAST用于局部相似性搜索，Bowtie2、BWA等工具则用于将测序reads比对到参考基因组，是变异检测和转录组定量的前提。
- 基因组组装：针对de novo测序，需使用SOAPdenovo、Canu、Flye等组装软件，结合三代测序数据（如PacBio、ONT）提高组装连续性。
- 变异检测：通过GATK、Samtools等工具识别单核苷酸多态性（SNP）、插入缺失（Indel）和结构变异（SV），用于群体遗传学和疾病关联研究。
- 功能注释：利用InterProScan、Pfam等数据库预测基因功能，并通过GO、KEGG富集分析揭示生物学意义。
- 机器学习与深度学习：近年来，AlphaFold用于蛋白质结构预测，DeepVariant用于变异检测，卷积神经网络用于识别调控元件，极大提升了分析精度。
前沿趋势与挑战
当前基因组学正朝着单细胞分辨率和多组学整合方向发展。单细胞测序技术（如scRNA-seq、scATAC-seq）使得在细胞层面解析基因组异质性成为可能；而多组学整合（基因组、转录组、表观组、蛋白组）则能全面揭示基因调控的复杂网络。此外，泛基因组概念（如人类泛基因组参考）正在取代单一参考基因组，以更全面地代表物种遗传多样性。然而，数据存储、计算资源和分析流程的标准化仍是主要挑战。