基因組學在技術革新的驅動下已從描述性科學轉變為預測性和工程性科學。理解當代基因組學需要整合定序技術原理、計算方法和生物學解釋。
定序化學的分子機制
Illumina SBS：DNA 片段化 → 接頭連接 → 橋式 PCR 在 flow cell 表面形成 cluster → 每輪加入四種螢光標記的可逆終止核苷酸，影像擷取後化學去保護 3'-OH，進行下一輪。讀長受累積 phasing/pre-phasing 錯誤限制。雙端定序（paired-end）和 mate-pair 策略提供結構資訊。
PacBio SMRT：DNA 聚合酶固定在零模波導（ZMW）底部，即時偵測每個核苷酸摻入時螢光標記的脈衝。CLR 模式讀長可達 100+ kb 但錯誤率 ~10-15%（隨機錯誤）；CCS/HiFi 模式透過環狀共識降低錯誤率至 <0.1%。表觀遺傳修飾（如 m6A、m5C）可從聚合酶動力學（IPD, pulse width）直接偵測。
ONT nanopore：單股 DNA/RNA 通過蛋白質孔道，由離子電流的特徵變化即時判讀鹼基。理論上無讀長限制（記錄 >4 Mb）。adaptive sampling 技術可即時選擇性定序目標區域。R10.4.1 孔道和 basecaller 改進使得共識準確度達到 Q30+。
多組學整合與系統生物學
現代基因組學的重心已從「讀」基因組轉向「理解」基因組的動態功能。多組學整合框架包括：基因組（DNA 變異）→ 表觀基因組（染色質狀態）→ 轉錄組（RNA 表現）→ 蛋白質組（蛋白質量）→ 代謝組（代謝物），形成從基因型到表型的因果推論鏈。空間轉錄組學（Visium, MERFISH, Slide-seq）保留了組織空間資訊，是 2023 年 Nature Methods 年度技術。單細胞多組學（SHARE-seq, 10x Multiome）可同時測量同一細胞的基因組、表觀基因組和轉錄組。
計算基因組學的前沿
深度學習模型正在基因組學中取得突破：DeepVariant（CNN 做 variant calling）、Enformer（預測基因表現的順式調控效應）、AlphaFold2/3（從序列預測蛋白質結構）、Evo（基因組語言模型，在全域序列上做生成式預訓練）。基因組基礎模型（genomic foundation models）如 Nucleotide Transformer 和 DNABERT-2 嘗試學習跨物種的 DNA 序列語法。然而，模型的可解釋性和生物學驗證仍是重大挑戰。
臨床基因組學
全外顯子定序（WES）和全基因組定序（WGS）已成為罕見遺傳病診斷的一線工具，診斷率約 25-40%。腫瘤基因組學（cancer genomics）透過體細胞突變特徵（mutational signatures）推斷致突變過程。液態切片（liquid biopsy）偵測循環腫瘤 DNA（ctDNA）實現非侵入性癌症監測。