揭示复杂疾病研究的遗传学见解
一旦确定遗传变异与特定的复杂疾病相关，就必须弄清楚它如何参与中以及其生物学效应。某一变异可能对蛋白质结构、基因表达和调控产生多种影响，也可能根本没有影响。使用基因组学、转录组学和表观遗传学方法进行数量性状基因位点（QTL）分析，可以注释与疾病相关的变异及其对疾病差异表达基因的功能影响，阐明疾病机制，对基因和通路进行优先排序，以供进一步研究。
差异表达分析可识别和测量不同条件下或针对特定刺激的基因表达变化。了解哪些基因在疾病表型中过度表达或表达不足，是确定哪些基因和通路受到影响或可能与疾病有关的重要步骤。尽管芯片是最早应用于大规模表达研究的技术，但它们在很大程度上已被新兴的RNA测序（RNA-Seq）取代了。RNA-Seq不仅能提供有关转录本亚型、基因融合、剪接变异和其他特征的信息，还能提供有关基因表达的信息，而且无需先验知识。
差异基因表达分析的RNA-Seq工作流程始于RNA提取、文库制备和测序。数据分析包括read后处理、单个基因表达水平的估计、差异表达基因的归一化和鉴定。以下方法可用于深入了解转录组及其在复杂疾病中的潜在作用：
表观遗传学研究的是在不改变DNA序列的情况下通过调控机制改变基因活性的生物学机制。该学科可识别基因调控机制的状态，例如开放染色质、甲基化、启动子与转录因子的结合，可了解为什么基因能在特定水平上表达。除了在正常生物学过程中具有重要功能外，表观遗传过程还与各种复杂疾病存在联系，包括癌症、自身免疫性疾病、神经系统疾病和精神疾病。以下方法可用于深入了解表观基因组及其在复杂疾病中的潜在作用。
全基因组测序是鉴定与复杂疾病相关的罕见变异的常用方法。它是唯一可以在整个基因组中寻找常见变异和罕见变异的方法，包括可能导致疾病的结构变异。
CNV通常由结构重排引起，是一种可导致一个或多个基因拷贝数异常的基因组改变现象。像SNP一样，某些拷贝数变异与疾病易感性有关。基于芯片的方法对于新发CNV（父母基因中不存在或不是遗传自父母）的检测十分有效，可提供可靠的大规模分析。芯片可用于分析扩增、缺失、重排和拷贝数中性的杂合性缺失等基因组变异。然而，常见CNV的作用（结果）目前基本未知。
基因分型芯片虽然对于大规模的CNV检测非常有效，但其在检测小片段CNV（＜5万碱基对）时灵敏度欠佳。NGS可提供碱基对级别的分辨率，能够检测芯片技术无法检出的小CNV片段。该优势可用于复杂疾病的遗传性缺失研究。高分辨率测序和高通量芯片为实现研究目标提供了有效的全基因组选项。
数量性状基因位点（QTL）是与特定表型或性状相关的DNA区域，在同一人群中有所不同。通常情况下，QTL与连续型变化的性状（例如身高或肤色）有关，而与离散型变化的性状（例如头发或眼睛的颜色）无关。QTL定位是一种统计分析，可识别哪些分子标记会导致特定性状的定量变化。
将所有组学结合起来
Global Genomics Group（G3）CEO Szilard Voros博士分享了他和他的研究团队如何利用大数据改变药物发现的过程。
耶鲁大学的一个实验室正在研究与发育性疾病相关的遗传变异。
利用整合基因组学数据推动神经生物学研究
了解如何利用遗传信息研究大脑中分子变异的原因。
高效、快速、集成的文库制备工作流程，为灵敏的测序应用生成高度准确的数据。
简化的RNA-Seq解决方案，用于对编码和非编码转录组进行清晰、全面的分析，具有出色的研究灵活性。
一项检测即可全面探索5-碱基基因组（A、T、G、C与5mC），为全基因组与甲基化组提供双重见解。