علم الجينوم

الموجز

علم الجينوم أو الجينوميات أو الجينومكس (Genomics) هو العلم الذي يختص بدراسة الجينوم الكامل للكائنات الحية، أي مجموع المادة الوراثية المتمثلة في الحمض النووي الريبي منقوص الأكسجين، الدنا (Deoxyribonucleic acid, DNA) ويشمل ذلك جينات وتسلسلات تنظيمية وغير مشفرة. 

نشأ هذا التخصص بوصفه مجالًا مستقلًا في أواخر القرن العشرين، وتطوّر بالتوازي مع التقدم في تقنيات تسلسل الحمض النووي والمعلوماتية الحيوية، مما أتاح تحليل الجينومات على نطاق واسع وبدقة عالية. ويتضمن هذا العلم مجالات متعددة، منها: الجينوميات البنيوية، والوظيفية، والمقارنة، والنظمية، كما يدرس الجينومات في بدائيات النوى وحقيقيات النوى، وآليات تنظيمها الجزيئي وتطورها.

أسهمت التقنيات الحديثة، مثل تسلسل الجيل التالي، والتسلسل طويل القراءة، والجينوميات أحادية الخلية، وتقنيات ما فوق الجينوم، وأدوات التحرير الجيني، في توسيع البحث الجينومي وتعميق فهم الأنظمة الحيوية المعقدة. كما ترتكز الجينوميات المعاصرة على المعلوماتية الحيوية وتحليل البيانات الضخمة، بما يشمل تجميع الجينومات، واكتشاف المتغيرات الوراثية، وتحليل المنسوخات، وتكامل بيانات الأوميكس المتعددة، وتوظيف الذكاء الاصطناعي والتعلم الآلي في التنبؤ بالوظائف الحيوية. وتبرز تطبيقات هذا العلم في الطب الدقيق، وعلم الأدوية الجينومي، وتشخيص الأمراض وتتبع مسبباتها، وتحسين المحاصيل والثروة الحيوانية، ودراسة المجتمعات الميكروبية والنظم البيئية، فضلًا عن دوره في الوبائيات الجينومية ورصد مقاومة الجراثيم للمضادات الحيوية. 

ومع استمرار تطور التقنيات الحاسوبية والحيوية، يتجه علم الجينوم نحو بناء نماذج أكثر تكاملًا لفهم الوظائف الحيوية والتنبؤ بها، مع تزايد الاهتمام بالقضايا الأخلاقية والتنظيمية المرتبطة بالبيانات الجينية وتطبيقاتها المستقبلية.

الأسس المفاهيمية

يمثل علم الجينوم إطارًا معرفيًا شاملًا لدراسة المحتوى الوراثي على مستوى الجينوم الكامل، ويرتكز على التحليل المنهجي للمادة الوراثية داخل الكائنات الحية وبينها. يتسع نطاق هذا العلم ليشمل: تحديد تسلسل الجينومات، وتوصيف وظائفها، وفهم تنظيمها البنيوي وتغايراتها، وتتبع ديناميكياتها التطورية، بالإضافة إلى دمج البيانات الجينومية مع الصفات الظاهرية والعوامل البيئية. وقد منح التحول من التركيز على المواضع الجينية (Genetic loci) المنفردة إلى تبني مقارباتٍ شمولية، الباحثينَ أدواتٍ جوهريةً لفك شفرة التعقيد في الأنظمة الحيوية، وربط الآليات الجزيئية بسمات الكائن الحي بمنظور تكامليّ[1].

يتفرع علم الجينوم إلى مجالات تخصصية مترابطة تعكس اتساع أبعاده المفاهيمية والمنهجية، إذ تُعنى الجينوميات الأساسية (Fundamental genomics) بإرساء الجينومات المرجعية عالية الدقة، وتحديد مواقع الجينات والعناصر التنظيمية (Regulatory elements)، واستقصاء المبادئ العامة الحاكمة لتركيب الجينوم واستقراره وآليات تنظيمه. وفي المقابل، تختص الجينومات البنيوية (Structural genomics) بتحليل الخصائص الفيزيائية والهندسية للجينوم، بما يشمل: التنظيم الكروموسومي، وتوصيف العناصر المتكررة، والمتغيرات البنيوية، وإعادة الترتيب الجينومي واسع النطاق؛ وهي عناصر تؤدي أدوارًا رئيسة في المسارات التطورية، والقدرة على التكيف، والآليات المرضية[2].

من جهة أخرى، يختص علم الجينوم المقارن (Comparative genomics) بتحليل الجينومات عبر الأنواع المتباينة للكشف عن العناصر الجينومية المحفوظة والمتغيرة، وإعادة رسم المسارات التطورية، واستنباط وظائف الجينات استنادًا إلى الحفظ التسلسلي والتناظر الجينومي (Genomic homology)[3]. في حين تبرز الجينوميات النظمية (Systems genomics) بوصفها نموذجًا معرفيًا متطورًا، يسعى إلى تكامل البيانات الجينومية مع البيانات النسخية، والبروتينية، والأيضية، وصولًا إلى الأنماط الظاهرية. ويهدف هذا التكامل إلى صياغة نماذج شبكية ديناميكية للعمليات الحيوية، وهو ما يفضي إلى فهم أعمق للأنظمة البيولوجية ويعزز القدرة التنبؤية بالصفات الوراثية المعقدة[4]. تكمن أهمية الجينومكس في علم الأحياء الحديث في قدرته على توحيد الفروع البيولوجية المتباينة ضمن إطار تحليلي شامل، إذ أتاحت المقاربات الجينومية الشمولية تعميق فهم العمليات الحيوية الجوهرية، مثل التطور الجنيني، والتمايز الخلوي (Differentiation)، وديناميكيات التكيف، كما أتاحت تفسيرًا أدق للعلاقات المعقدة بين الطراز الجيني (Genotype) والطراز الشكلي (Phenotype). وفي المجال الطبي، أصبح علم الجينوم أساسًا لاستكشاف الأسس الجزيئية للأمراض المعقدة، وتوصيف عوامل الخطورة الوراثية، مما أدّى إلى تطوّر في التشخيص الجزيئي وظهور الاستراتيجيات العلاجية الموجهة ضمن إطار الطب الدقيق (Precision medicine) والصيدلة الجينومية (Pharmacogenomics)[5].

أما في المجال الزراعي، فقد أسهمت التقنيات الجينومية في إحداث تحوّل في استدامة المحاصيل والثروة الحيوانية وتحسينها عبر تسريع برامج التربية والانتخاب الجينومي[6]. كما مكّنت من تحديد الجينات المرتبطة بالإنتاجية والمقاومة الحيوية والقدرة على تحمل الإجهادات البيئية، مثل الجفاف والملوحة. وتكتسب هذه التطبيقات أهمية استراتيجية متزايدة في مواجهة تحديات الأمن الغذائي والتغير المناخي[7].

تاريخ علم الجينوم 

يعود تاريخ نشأة علم الجينوم بوصفه تخصصًا مستقلًا إلى عام 1986، عندما صاغ عالم الوراثة الأميركي توماس رودريك (Thomas Roderick، 1930-2013) مصطلح الجينوميات (Genomics) لوصف علم رسم الخرائط الجينية وتحليل تسلسلات الدنا[8].
يُعنى علم الجينوم باستقصاء المحتوى الوراثي المتكامل للكائن الحي، بدءًا من تحديد تسلسل الدنا، وصولًا إلى فحص البنية الجينومية، والعناصر التنظيمية، وديناميكياتها الوظيفية والتطورية. ويجاوز هذا العلمُ دراسةَ الجينات منفردة ليشمل تحليل الشبكات الجينية المعقدة، والتفاعلات البينية على امتداد الجينوم، فضلًا عن رصد تأثيرات العوامل البيئية والآليات فوق الجينية (Epigenetics) في تشكيل الأنظمة البيولوجية[9].

 ويختلف هذا العلم عن علم الوراثة التقليدي (Genetics) في نطاق الدراسة؛ فبينما يرتكز الأخير على دراسة جينات أو نطاقات جينية محدودة، يعتمد علم الجينوم مقاربة شمولية تتيح تحليل آلاف الجينات وتفاعلاتها ضمن السياق الكامل للجينوم[10]. وقد أدّى هذا التحول المفاهيمي إلى إعادة صياغة البحث البيولوجي، لينتقل من النماذج الاختزالية الضيقة إلى أطر تكاملية قادرة على محاكاة التعقيد الحيوي وتمثيله.

اقترن تطور علم الجينوم بالتقدم المتسارع في تقنيات تسلسل الحمض النووي. ويُعد مشروع الجينوم البشري ركيزة أساسية في هذا المجال، ولم يقتصر دوره على تقديم أول تسلسل مرجعي عالي الدقة للجينوم البشري فحسب، بل امتد ليتضمن أيضًا تأسيس القواعد التقنية، والمستودعات المعلوماتية، والأطر الأخلاقية التي ما زالت تحكم مسار البحوث الجينومية المعاصرة[11].

ارتكزت جهود فك شفرات الجينومات على تقنية سانغر (Sanger sequencing)، التي امتازت بدقة عالية رغم محدودية طاقتها الإنتاجية وكثافة زمنها التشغيلي. ومع ظهور تقنيات تسلسل الجيل التالي (Next generation sequencing) في منتصف العقد الأول من القرن الحادي والعشرين، تحول المجال نحو السلسلة المتوازية واسعة النطاق؛ مما أدى إلى انخفاض تكلفة الفحوصات، وإتاحة إجراء تحليلات شاملة للمحتوى الوراثي لمختلف الكائنات الحية بكفاية وسرعة عاليتين (الشكل 1)[12].

‫(الشكل 1)‬

حذف الصورة؟

سيؤدي هذا إلى نقل الصورة إلى سلة المهملات.

حذف إلغاء

وواجهت تقنيات القراءة القصيرة لسلسلة الدنا تحديات بنيوية عند التعامل مع المناطق المتكررة والمتغيرات البنيوية المعقدة، وتحديد الأطوار الوراثية. وهي قيود جرى تجاوزها عبر تطوير تقنيات التسلسل طويل القراءة، وفي مقدمتها منصات باسيفيك بيوساينسز (Pacific biosciences) وأكسفورد نانوبور (Oxford nanopore)، إذ وفرت هذه المنصات أطوال قراءة ممتدة مكّنت من سد الفجوات الجينومية وتوصيف البنية الوراثية بدقة عالية[13]، مما أدّى إلى رفع جودة تجميع الجينومات وكفاية الكشف عن المتغيرات البنيوية الكبيرة التي كان يصعب رصدها سابقًا[14].

ويُعد فك رموز التنظيم الجينومي ركيزة أساسية في هذا العلم، إذ يجاوز المحتوى الوراثي في مفهومه الحديث الجيناتِ المُرمِّزةَ للبروتينات، ليستوعب مساحات شاسعة من المناطق غير المشفرة لبروتيناتٍ تؤدي أدوارًا تنظيمية حاسمة[15]. وتتكامل في هذا السياق عناصر متنوعة شاملةً لهذه المناطق، مثل: المحضضات (Promoters)، والمعززات (Enhancers)، والعناصر الكابحة (Silencers)، فضلًا عن جزيئات الحمض النووي الريبي غير المشفر (Non-coding RNA). ويؤدي تفاعل هذه العناصر معًا مع التعديلات فوق الجينية، مثل مثيلة الدنا وتعديلات الهستونات، إلى ضبط إيقاع التعبير الجيني وصياغة التنوع الظاهري[16] (الشكل 2).

‫(الشكل 2)‬

حذف الصورة؟

سيؤدي هذا إلى نقل الصورة إلى سلة المهملات.

حذف إلغاء

يُعدّ التنظيم الفراغي للكروماتين والبنية ثلاثية الأبعاد للجينوم من المحددات الرئيسة للتحكم الوظيفي؛ إذ تعكس هذه البنية الفراغية طبيعة المنظومة الجينومية بوصفها كيانًا ديناميكيًا يجاوز حدود التسلسل الخطي للدنا[17].
يستعرض الشكل الهيكلية الهرمية لتنظيم الجينوم، مبرزًا العناصر الآتية: المستوى الخطي، والمستوى ما فوق الجيني.

تمثل الجينوميات البنيوية والوظيفية مسارين متكاملين في علم الجينوم. إذ تعنى الجينوميات البنيوية باستقصاء الهوية التركيبية للجينوم، ورصد التغايرات التسلسلية، وتحليل المتغيرات البنيوية، مثل: التغير في عدد النسخ، وإعادة الترتيب الجيني واسع النطاق[18].

وفي المقابل، تُعنى الجينوميات الوظيفية بفهم كيفية فك الرموز الحيوية للجينات والعناصر التنظيمية عبر مقاربات عالية الإنتاجية، مثل: دراسة المنسوخات (Transcriptomics)، والبروتينات (Proteomics)، والتمثيل الغذائي (Metabolomics)، والمؤشرات فوق الجينية. ويهدف هذا النهج إلى تحويل المعلومات الخام إلى فهم عميق للعمليات البيولوجية النشطة في الخلايا والكائنات الحية[19].

وأدى تكامل هذه المسارات إلى تطوير استراتيجيات "الأوميكس المتعددة"، التي تدمج طبقات متباينة من البيانات الجزيئية لصياغة فهم شمولي للمنظومات الحيوية. وتسهم هذه الأطر التكاملية في فك شفرات الصفات المعقدة، واستجلاء الآليات المرضية المتشابكة، وتتبع مسارات التكيف البيولوجي، مما يجعل الجينوم ركيزة منهجية ودعامة تحليلية أساسية في علوم الحياة المعاصرة[20].

الجينوميات في بدائيات النواة

ترتكز الجينوميات في بدائيات النواة (Prokaryotes) على تحليل المحتوى الوراثي للبكتيريا والعتائق (Archaea)، إذ تتسم عادة بضآلة حجم الجينوم وكثافة توزيع الجينات (Genes density)[21]، وتُنظم غالبًا في كروموسوم دائري واحد مدعوم ببلازميدات مستقلة. وقد أسهمت الخصائص البنيوية النسبية لهذه الكائنات، المتمثلة في غياب الإنترونات (Introns)، وندرة المناطق غير المشفرة، وانتظام الجينات ضمن مشغلات (Operons) وظيفية، في جعلها نموذجًا أساسيًا لتطوير تقنيات تسلسل الجينوم الكامل (Whole genome sequencing) والدراسات المقارنة[22].

وتؤدي الجينومات دورًا أساسيًا في فهم المسارات الأيضية والآليات الإمراضية وسمات التكيف، من خلال تتبع مرونة الجينوم الناتجة من الطفرات، والتأشيب (Recombination)، والنقل الجيني الأفقي (Horizontal gene transfer)[23]. كما أتاحت تقنيات السلسلة عالية الإنتاجية صياغة مفهوم الجينوم الشامل الذي يفصل بين الجينوم المركزي المشترك، والجينوم الملحق (Accessory genome) المسؤول عن التكيف البيئي ومقاومة المضادات الحيوية[24].

وتُمثّل الجينوميات في بدائيات النواة ركيزة أساسية لتعزيز الصحة العامة وفهم البيئة الجرثومية ضمن إطار نهج الصحة الواحدة، وهو ما يمنح الباحثين أدوات دقيقة لتقصي الأوبئة ورصد تطور المقاومة الجرثومية ودراسة تطور الكائنات الدقيقة في البيئات المختلفة[25].

الجينوميات في حقيقيات النواة

تختص الجينوميات في حقيقيات النواة (Eukaryotes) باستقصاء بنية الجينومات ووظائفها وتطورها عبر طيف بيولوجي يمتد من الطلائعيات وحيدة الخلية إلى النباتات والحيوانات[26]. وتتميز جينوميات حقيقيات النواة من بدائيات النواة بضخامة حجمها وتعدد مستوياتها التنظيمية، إذ تتوزع المادة الوراثية على كروموسومات خطية متعددة[27]. تحتوي هذه الجينومات على نسب مرتفعة من الحمض النووي الريبي غير المشفر، والإنترونات، والتسلسلات المتكررة، بالإضافة إلى منظومة معقدة من التعديلات فوق الجينية التي تضبط وتيرة التعبير الجيني (الشكل 2)[28].

يفرض هذا التعقيد البنيوي تحديات في مراحل تجميع الجينوم، وتوصيف العناصر التنظيمية، وفك شفرات التضفير البديل (Alternative splicing)[29]. وقد أسهمت التطورات الحديثة في تقنيات سلسلة الدنا طويلة القراءة، مدعومة بأساليب التقاط البنية ثلاثية الأبعاد للكروموسومات، في رفع جودة تجميع الجينومات، وتيسير توصيف المتغيرات البنيوية وتنظيم الجينوم الفراغي[30].

وتُمثّل جينوميات حقيقيات النواة ركيزة لتطبيقات الطب الحيوي، والزراعة، وبيولوجيا التطور، إذ تسهم في تحديد المتغيرات الوراثية المرتبطة بالأمراض، وتحسين المحاصيل عبر الانتخاب الجينومي، وفهم آليات نشوء الأنواع[31]. ومن ثم، تتطلب دراسة الجينوميات في حقيقيات النواة تبني أطر تحليلية تكاملية تدمج بين بيانات التسلسل مع علوم المنسوخات وما فوق الجينوم والبيانات الظاهرية، لصياغة رؤية شمولية للديناميكيات الوظيفية للجينوم[32].

التقنيات الجينومية

أتاحت التطورات في التقنيات الجينومية توسيع نطاق تحليلات الجينوم ودقتها، مما مكن الباحثين من استكشاف الخصائص الوراثية والتنظيمية في الأنظمة البيولوجية المختلفة[33]. وتعتمد منصات تسلسل الجيل اللاحق، وفي مقدمتها تقنيات إيلومينا (Illumina)، على مبدأ التسلسل عبر التخليق (Sequencing-by-synthesis) الذي يمكن من التسلسل الموازي لأعداد كثيرة من الشرائح في حجرة التدفق الواحدة[34]. تتميز هذه المنصات بدقتها العالية، وقابليتها للتوسع، وكفايتها الاقتصادية.

تطبيقات تقنيات الجيل الثاني وقيوده

تشمل تطبيقات هذه التقنيات تسلسل الجينوم الكامل، وتسلسل الإكسوم الكامل، ودراسات المنسوخات، بالإضافة إلى رصد المتغيرات الجينية وإجراء الدراسات السكانية واسعة النطاق. ومع ذلك، يشكّل اعتماد هذه المنصات على القراءات القصيرة محدوديّة تقنيّة تؤثر في كفايتها عند فك رموز المناطق المتكررة، ورصد المتغيرات البنيوية المعقدة، وتحديد الأطوار الوراثية [35].

تقنيات الجيل الثالث: السلسلة ذات القراءات الطويلة

أدت قيود الجيل الثاني إلى تطوير تقنيات الجيل الثالث ذات القراءات الطويلة، وتشمل: تقنية السلسلة بالزمن الحقيقي للجزيء المفرد (Single-molecule real-time, SMRT sequencing) من شركة باسيفيك بيوساينسز (Pacific Biosciences)[36]، وتقنية سلسلة أكسفورد نانوبور (Oxford nanopore sequencing)[37].

تعتمد هذه المنصات على قراءة جزيئات الدنا المفردة مباشرة من دون الحاجة إلى تضخيم مخبري، مما يحد من الانحيازات التقنية المرتبطة بالنسخ[38]. وتسهم هذه التقنيات في تحسين تجميع الجينومات، ورصد المتغيرات البنيوية الكبيرة، وتحليل المناطق المتكررة وعالية التغاير؛ ومع ذلك، تواجه هذه التقنيات تحديات تتعلق بارتفاع معدلات الخطأ في القراءة الأولية لكل قاعدة مقارنة بسابقاتها، فضلًا عن المتطلبات الحسابية والمالية المتزايدة لمعالجة البيانات الناتجة منها[39].

الجينوميات أحادية الخلية

تتيح الجينوميات أحادية الخلية (Single-cell genomics) استقصاء المحتوى الجينومي، والمنسوخات، والتعديلات فوق الجينية على مستوى الخلية الفردية، مما يكشف التغاير الخلوي الكامن الذي لا تظهره التحليلات الجماعية غالبًا[40]. وتُعد تقنيات مثل تسلسل الرنا أحادي الخلية (scRNA-seq) أداة رئيسة في تشريح الأنسجة المعقدة، وتتبع مسارات التمايز الخلوي، وفهم تعقيدات البيئة الورمية الدقيقة (Tumor microenvironment)[41].

ورغم هذا التقدم، يواجه المجال تحديات تقنية تتمثل في الضوضاء الناتجة من شح المادة الوراثية الابتدائية، وفقدان البيانات، والصعوبات اللوجستية المرتبطة بالتكامل التحليلي للبيانات ضخمة الأبعاد[42].

التقنيات ما فوق الجينومية والتفسير الوظيفي

أسهمت التقنيات ما فوق الجينومية (Epigenomics) في تفسير الآليات الوظيفية للمعلومات الوراثية عبر توصيف الحالات التنظيمية للجينوم بمعزل عن التغيرات في تسلسل الدنا الخطي[43]. وتشمل هذه المنهجيات اختبارات متقدمة، مثل:

1. اختبار إمكانية الوصول إلى الكروماتين باستخدام تسلسل أتاك (ATAC-seq)، الذي يوفر خرائط دقيقة وحساسة لدرجة انفتاح الكروماتين داخل الجينوم[44].
2. تسلسل البيسلفيت (Bisulfite sequencing) المستخدم لتحليل مثيلة الدنا بدقة تصل إلى مستوى القاعدة الواحدة[45].

وعلى الرغم من القيمة التفسيرية العالية لأساليب التوصيف ما فوق الجيني، فإنها تتسم بحساسية عالية تجاه جودة العينات الحيوية، وتتطلب بروتوكولات معالجة تحليلية دقيقة وتطبيعًا إحصائيًا صارمًا لضمان موثوقية النتائج[46].

تقنية كرسبر والمسح الوظيفي المنهجي

دُمجت أنظمة كرسبر (Clustered regularly interspaced short palindromic repeats, CRISPR)، وهي التكرارات القصيرة المتناوبة المنتظمة والمتباعدة، ضمن المنصات الجينومية لإجراء المسح الوظيفي المنهجي للجينات والعناصر التنظيمية. وترتكز هذه المقاربات على توجيه بروتينات كاس (Cas)، وبروتينات كاس المرتبطة بكرسبر، بوصفها أدوات تجريبية قوية في المسح والفحص الوظيفي المنهجي للجينات والعناصر التنظيمية، لإحداث تعطيل جيني موجه، أو كبت للجينات، أو تنشيط لها، مما يتيح إجراء غربلة وظيفية عالية الإنتاجية لتقييم أدوار الجينات في سياقات بيولوجية متباينة، مثل: نمذجة الأمراض والاستجابة الدوائية[47].

ورغم ما توفره هذه التقنيات من دقة ومرونة، فإنها تواجه تحديات تقنية، أبرزها التأثيرات خارج الهدف، وتفاوت كفاية التحرير بين المواقع الجينية المختلفة، والاعتماد السياقي للأنماط الظاهرية الناتجة، مما يتطلب بروتوكولات تحقق صارمة ونماذج إحصائية متطورة[48].

البنية الجينومية والرؤى البيولوجية على مستوى النظم

يُقدّم علم الجينوم منظورًا تكامليًا يرتكز على دراسة الأنظمة الحيوية على مستوى الجينوم الكامل[49]؛ إذ يسهم هذا المنظور في تفسير آليات تنظيم المعلومات الوراثية، وبنيتها، وحفظها، وتحولاتها عبر أبعاد الزمان والمكان ومستويات التنظيم الحيوي المتباينة[50]. ويرتبط التعقيد البيولوجي في هذا السياق بنمط التنظيم الجيني وآليات عمله، وليس بمجرد الإحصاء العددي للجينات الموجودة في الكائن الحي.

آلية التحكم بعملية النسخ

تُدار عملية التحكم في النسخ عبر شبكات تنظيمية جينية تتألف من عناصر تنظيمية مرتبطة بجزيء الدنا، كالمحضضات، والمعززات، والمثبطات، والعوازل، إذ تتفاعل هذه العناصر ديناميكيًا مع عوامل النسخ وجزيئات الرنا غير المشفرة لإنتاج أنماط تعبير جيني محددة تتوافق مع السياق الخلوي والمتطلبات الزمنية للكائن الحي[51].

ديناميكية الكروماتين والتنظيم ثلاثي الأبعاد للجينوم

تندمج هذه الآليات التنظيمية ضمن البنية الديناميكية للكروماتين، إذ تؤثر التعديلات ما فوق الجينية، ولا سيما تعديلات الهستونات ومثيلة الدنا، في ضبط إتاحة الكروماتين والتحكم في المخرجات النسخية بمعزل عن أي تغيير في التسلسل الأساسي للدنا[52]. علاوة على ذلك، يظهر تحليل البنية الفراغية للجينوم تنظيمًا مكانيًا دقيقًا يعتمد على النطاقات المرتبطة طوبولوجيًا وعلى البنى الهيكلية العليا؛ مما يسهل التفاعلات التنظيمية بعيدة المدى. ويؤدي هذا الربط بين التنظيم ثلاثي الأبعاد للجينوم والتحكم الوظيفي إلى صياغة فهم أعمق لكيفية تلاقي العناصر التنظيمية البعيدة مع جيناتها المستهدفة في بيئة النواة المزدحمة[53].

المنظور التطوري: المحافظة والابتكار الجينومي

تؤطر الجينوميات المقارنة بنية الجينوم ووظيفته ضمن سياق تطوري، إذ كشفت التحليلات الدقيقة للعناصر غير المشفِّرة المحفوظة والشبكات التنظيمية الجينية المشتركة، أن السمات الجينومية الأكثر ثباتًا هي التي تدير العمليات الفيزيولوجية الأساسية. وفي المقابل، أظهرت الدراسات أن الابتكار التطوري ينشأ في الغالب عن إعادة تشكيل التباين التنظيمي أكثر من نشوئه عن استحداث جينات جديدة كليًا[54]. وتُعد أحداث تضاعف الجينات محركًا استراتيجيًا للتنوع الظاهري، متبوعة بعمليات التخصص الوظيفي الجزئي أو اكتساب وظائف مبتكرة، مما أسهم في توسع العائلات الجينية وتطور الصفات المعقدة[55].

الجينوم والمنطق النمائي

تتقاطع هذه العمليات التطورية بشكل وثيق مع علم الأحياء التطوري، إذ أتاح تحليل الجينومات إعادة بناء الشبكات التنظيمية التي تدير التكوين الجنيني وتمايز الأنسجة وتحديد أنماط الجسم، وهو ما يوضح كيفية تشفير المنطق الزماني والمكاني للتطور داخل البنية الجينومية. كذلك كشفت هذه الدراسات أن التحولات في هندسة هذه الشبكات وترابطها يمكن أن تؤدي إلى نشوء تنوع بيولوجي جديد، أو تفرض في المقابل قيودًا تطورية (Evolutionary constraints) تحافظ على استقرار الأنماط الحيوية عبر الزمن[56].

الجينوميات الطبية: صياغة جديدة لفهم الأمراض

في مجال الصحة والمرض، أتاحت دراسة الجينومات فهم الأسس الجزيئية للعمليات المرضية، إذ كشفت تحليلات التسلسل الجينومي واسعة النطاق أن التباين المرتبط بالأمراض يجاوز المناطق المشفرة للبروتينات ليشمل: العناصر التنظيمية، والآليات ما فوق الجينية، مما أفضى إلى إعادة صياغة النماذج التقليدية للعلاقة بين النمط الجيني والنمط الظاهري[57]، ففي سياق بيولوجيا السرطان، كشفت التحليلات الجينومية عن مشاهد طفرية مميزة تتشكل بفعل الضغوط الانتقائية وعدم الاستقرار الجينومي واضطراب الشبكات التنظيمية، وهو ما يعزز الرؤية العلمية الحديثة التي تُصنف السرطان عملية تطورية ديناميكية تحدث داخل تجمعات الخلايا الجسدية[58].

وبالمثل، تظهر المقاربات الجينومية التكاملية أن اختلال بنية الكروماتين وتفكك الشبكات التنظيمية يؤديان إلى نشوء الأمراض المعقدة والمتعددة العوامل[59]. كذلك أوضحت الدراسات أن تفكك الشبكات التنظيمية يسهم في اضطرابات وظيفية داخل البرامج التنظيمية والتطورية الأساسية للكائن الحي[60]. وتدعم هذه النتائج الرؤية العلمية القائلة بأن العديد من الآليات المرضية تتمحور حول اضطرابات في تنظيم الجينوم وليس في تسلسل الجينات فقط[61].

المعلوماتية الحيوية وتحليل البيانات الجينومية

تجميع الجينوم والتعليقات الوظيفية

يمثل تجميع الجينوم والتعليق الوظيفي (Annotation) الركيزة الأساسية في علم المعلوماتية الحيوية لتحويل سلاسل البيانات الخام إلى خرائط بيولوجية مفهومة. تشمل عملية تجميع الجينوم إعادة بناء المتواليات المتجاورة والسقالات الكروموسومية عبر دمج البيانات المستمدة من تقنيات القراءة القصيرة والطويلة، سواء باستخدام منهجيات التجميع الابتكاري (De novo assembly) أو التجميع المعتمد على المرجع[62].

وتستخدم خوارزميات، مثل: ڤيلڤت (Velvet) وسبيدس (SPAdes)، في تجميع الجينومات الصغيرة والمتوسطة، في حين تساعد برامج، مثل كانو (Canu) وفلاي (Flye)، في فك شفرات المناطق المكررة والمعقدة بنيويًا بفضل قدرات القراءات الطويلة[63]. وبعد اكتمال التجميع، تبدأ مرحلة التعليق الوظيفي بهدف تحديد مواقع الجينات والعناصر التنظيمية والرنا غير المشفر، وذلك عبر تكامل التنبؤات الحاسوبية، المعتمدة على المبادئ الأولية: آب إينيشيو (Ab initio)[64]، والمقارنة التطورية (Comparative annotation)[65]، والأدلة المستمدة من بيانات المنسوخات (RNA-seq)[66].

وتُشكّل مخرجات هذه المرحلة أساسًا للتحليلات المتقدمة، مثل: تفسير المتغيرات الجينية، وتوقع وظائف الجينات، والدراسات المقارنة للجينومات[67].

اكتشاف المتغيرات وتفسيرها

تُشكّل عملية اكتشاف المتغيرات (Variant calling) الإجراء الحاسوبي الأساسي لتحديد الفروق الوراثية بين عينة الاختبار والجينوم المرجعي، وتشمل هذه الفروق: الطفرات أحادية النيوكليوتيد، والإزاحات الناتجة من الإدخال والحذف، والمتغيرات البنيوية الكبيرة. وتعتمد خطوط التحليل على محاذاة القراءات مع التسلسل المرجعي، وتنقيتها من الضجيج، ثم تطبيق النمذجة الإحصائية للتمييز بين المتغيرات الحقيقية والأخطاء التقنية الناتجة من السلسلة.

وتُستخدم حزم برمجية، مثل: مجموعة أدوات تحليل الجينوم، جي أيه تي كي (Genome analysis Toolkit, GATK)، وكاشف المتغيرات، فري بايز (Bayesian genetic variant detector, FreeBayes)، بالإضافة إلى ديب ڤارينت (DeepVariant) المعتمد على الذكاء الاصطناعي، في تحقيق الدقة عند الكشف عن هذه المتغيرات. وتتكامل هذه الأدوات مع منصات التعليق الوظيفي، مثل: أنوڤار (ANNOVAR)، وسنيب إيف (SnpEff) لتحديد أولوية المتغيرات بناء على تأثيرها البيولوجي المتوقع، وتكرارها في المجموعات السكانية، وعلاقتها بالأمراض. ويمثل هذا التحليل الركيزة الأساسية للجينوميات السكانية، ودراسات الارتباط الجينومي الكامل، والطب السريري، لربط التباين الجيني بالصفات أو القابلية للإصابة بالأمراض[68].

 تحليل المنسوخات وخطوط سلسلة الرنا

يتيح تحليل المنسوخات عبر تقنية سلسلة الرنا قياس التعبير الجيني الكمي، ورصد أحداث التضفير البديل، وتحديد الأشكال المختلفة للنسخ بدقة عالية. وتمر مسارات التحليل بمعالجة أولية تشمل: مراقبة الجودة وتشذيب المهيئات، تليها مرحلة المحاذاة الجينومية باستخدام برامج، مثل: ستار(STAR)، وهاي سات 2 (HISAT 2)، أو المحاذاة الكاذبة (Pseudo-alignment) فائقة السرعة باستخدام برنامج سلمون (Salmon).

وعقب ذلك، تُقدر مستويات التعبير وتُجرى عملية التطبيع (Normalization) للمقارنة بين العينات، ثم يُنفّذ التحليل الإحصائي للتعبير الجيني المتمايز باستخدام برامج، مثل: ديسيك 2 (DESeq 2)، أو إيدج آر (edgeR)[69].

تتيح تقنيات سلسلة الرنا أحادية الخلية استكشاف التغاير الخلوي ضمن أنسجة معقدة[70]، واكتشاف أنواع الخلايا النادرة التي لا تظهر ضمن متوسطات تحليلات المجتمعات الخلوية[71]، ويمكّن تسلسل الحمض النووي الريبي أحادي الخلية (Single cell RNA sequencing, ScRNA-seq) من رسم مسارات التمايز الديناميكية ومتابعة التغيرات التعبيرية عبر الزمن. ومع ذلك، يواجه تحليل هذه البيانات تحديات تقنية تتعلق بالبيانات المتفرقة وظاهرة الفقدان، مما يستوجب استخدام خوارزميات متطورة لاستكمال البيانات وتطبيعها إحصائيًا لضمان دقة الاستنتاجات الحيوية[72].

التكامل متعدد الأوميكس

يعد التكامل متعدد الأوميكس (Multi-omics integration) نهجًا تحليليًا لفهم الأنظمة البيولوجية بمنظور شمولي بالاعتماد على البيانات الجزيئية الناتجة من التقنيات عالية الإنتاجية. ويتيح هذا النهج دمج البيانات الجينومية، والنسخية، وفوق الجينومية، والبروتينية، والأيضية، بهدف استجلاء الشبكات التنظيمية، واستنتاج العلاقات السببية، وتحديد الوحدات الوظيفية التي تشكل أساس الصفات المعقدة.

وتعتمد أطر التكامل الحسابية على مجموعة من الأدوات، تشمل: التحليلات القائمة على الارتباط، ونمذجة الشبكات، والأساليب البايزية (Bayesian)[73]، وتقنيات تحليل المصفوفات (Matrix factorization)[74]، وهو ما يسمح بصهر أنواع البيانات المختلفة ضمن نماذج رياضية متماسكة تحاكي وظائف الخلايا.

وتتعدد تطبيقات هذا التكامل لتشمل: فك شفرات الأمراض المستعصية، وتسريع برامج التحسين الوراثي للمحاصيل، وفهم آليات التكيف البيئي الديناميكية[75].

التعلم الآلي في علم الجينوم

يوظّف التعلم الآلي (Machine learning) والذكاء الاصطناعي المعلوماتية الحيوية المعاصرة لبناء نماذج تنبؤية قادرة على استنباط الأنماط المعقدة ضمن البيانات الجينومية الضخمة. وتُوظف خوارزميات التعلم الآلي في مهمات استراتيجية، تشمل: تقييم التأثير الوظيفي للمتغيرات الوراثية، وتوصيف الأدوار الحيوية للمناطق غير المشفرة للجينوم، وتصنيف الحالات ما فوق الجينية، واستنتاج ديناميكيات الشبكات التنظيمية الجينية، فضلًا عن بناء نماذج دقيقة لتقدير المخاطر المرضية[76].

وتوظّف منهجيات التعلم العميق (Deep learning)، ولا سيما الشبكات العصبية التلافيفية (Convolutional neural network) والمتكررة، في التنبؤ بمواقع المعزازات، وفك شفرات التضفير البديل، ودمج بيانات الأوميكس المتعددة ضمن أطر تحليلية موحدة[77]. ورغم ذلك، يواجه هذا المجال تحديًا قائمًا يتعلق بضمان القابلية للتفسير البيولوجي لهذه النماذج، إلى جانب ضرورة التحقق المخبري من موثوقيتها وصلاحيتها العلمية.

تطبيقاته في الطب والزراعة والبيئة

أسهم التطور التقني في علم الجينوم في نقل المعرفة الحيوية إلى حلول تطبيقية مبتكرة في مجالات الطب، والزراعة، والبيئة.

في المجال الطبي

1. أرسى الجينوم القواعد التشغيلية للطب الدقيق من خلال ربط التباين الجيني الفردي بالاستجابة للعلاج وقابلية الإصابة بالأمراض، وهو الأمر الذي أتاح تطوير استراتيجيات تشخيصية وعلاجية أكثر تخصصًا وفعالية[78].
2. أتاح التسلسل الجينومي الشامل الكشف المبكر عن الطفرات المسببة للأمراض الوراثية والسرطانات، وتتبع التطور النسيلي للأورام، وهو ما عزز من قدرة فهم آليات المرض ودعم اتخاذ القرار العلاجي القائم على الأدلة الجينومية[79].
3. فتحت تقنيات التحرير الجيني، وفي مقدمتها منظومة كرسبر/ كاس، تعديل الجينوم بدقة، بهدف تصحيح الطفرات المسببة للأمراض في سياق العلاج الجيني، أو لفهم الوظائف الحيوية المعقدة، وسط نقاشات أخلاقية وتنظيمية عالمية، لضمان الاستخدام المسؤول لهذه التقنيات[80].

في القطاع الزراعي

1. يعد علم الجينوم الركيزة الأساسية لتسريع برامج التحسين الوراثي، عبر توظيف الانتخاب الجينومي لربط الصفات الإنتاجية ومقاومة الإجهادات الحيوية كالآفات، واللاحيوية كالجفاف والملوحة بعلامات جزيئية دقيقة. وقد أسهم ذلك في تطوير أصناف نباتية تمتاز بكفاية إنتاجية عالية وقدرة على التكيف مع التغيرات المناخية[81].
2. أتاح فهم الجينوم الجرثومي استكشاف العلاقات التكافلية بين النباتات والمجتمعات الميكروبية في المحيط الجذري، مما أسهم في تطوير استراتيجيات لتعزيز صحة المحاصيل وتقليل الاعتماد على الأسمدة والمبيدات الكيميائية[82].

في العلوم البيئية

يتيح علم الجينوم البيئي (Ecogenomics) والميتاجينوميات تحليل وظائف المجتمعات الجرثومية في نظمها الطبيعية مباشرة، مما يسهم في مراقبة التغيرات في النظم البيئية، وتقييم تأثير الأنشطة البشرية، ودعم جهود الحفاظ على التنوع الحيوي.

وتمثّل هذه التطبيقات أداة لربط الاكتشافات الجزيئية بالحلول العملية، لمعالجة التحدّيات الصحية، والغذائية والبيئية[83].

الوبائيات الجينومية وفحص مقاومة الجراثيم للصادات الحيوية

تعتمد الوبائيات الجينومية وفحص مقاومة الجراثيم للمضادات الحيوية (الصادات) على أدوات المعلوماتية الحيوية المؤتمتة، من خلال دمج خطوات التحليل ضمن مسارات عمل موحدة وقابلة للتكرار. تتبع هذه العملية مسارًا تحليليًا متكاملًا يتلخص في الخطوات الآتية:

1. ضبط الجودة والمعالجة الأولية: تبدأ هذه العملية بضبط جودة بيانات التسلسل الكامل للجينوم ومعالجتها الأولية من الضجيج التقني لضمان دقة النتائج.
2. تجميع الجينوم أو المواءمة: يُبنى تسلسل الجينوم إما بشكل مستقل وإما بمواءمته مع مرجع قياسي موجود.
3. اكتشاف المتغيرات الجينية: تُحدد الاختلافات والجزيئات الدقيقة في التسلسل بدقة عالية.
4. التحليل الوراثي العِرقي: يُعاد بناء العلاقات التطورية بين العينات المدروسة.
5. الاستنتاج وتتبع المسارات: تُستنبط الأنماط التطورية وتُتبع مسارات انتقال العدوى بين العزلات الجرثومية بدقة متناهية[84].

وبالتوازي مع ذلك، تسعى وحدات الفحص المتخصصة إلى مطابقة التسلسلات الجينومية مع قواعد بيانات عالمية منسقة لتحديد جينات المقاومة والطفرات النقطية، والتنبؤ بأنماط الحساسية الدوائية[85].

وتسهم الأتمتة (Automation) في إتاحة تحليلات واسعة النطاق وعالية الإنتاجية مع تقليل التدخل اليدوي، مما يسرع من وتيرة المراقبة الوبائية والكشف الاستباقي عن الفاشيات، وإجراء المقارنات بين المختبرات على فترات زمنية[86].

ومع ذلك، تعتمد دقة النتائج وقابليتها للتفسير على جودة البيانات الأولية، واكتمال قواعد البيانات المرجعية، وقدرة النماذج الحاسوبية على تفسير الأنماط الظاهرية المعقدة للمقاومة التي قد تنتج من تفاعلات جينية متعددة وليس مجرد وجود جين واحد[87].

آفاقه المستقبلية

التحول نحو الجينوميات الوظيفية والديناميكية

يتجه علم الجينوم نحو الانتقال من الجينوميات الساكنة إلى الجينوميات الوظيفية والديناميكية، استنادًا إلى تقنيات السلسلة عالية الإنتاجية، والقدرات الحوسبية، ونهج بيولوجيا الأنظمة. ويتيح هذا المسار دمج بيانات المنسوخات، وحالة الكروماتين، والتفاعلات الجزيئية ضمن نماذج رباعية الأبعاد تحاكي استجابة الجينوم للمتغيرات البيئية والتطورية عبر الزمن[88].

ثورة الخلية الواحدة والتصوير الجينومي المكاني

تتيح تقنيات الخلية الواحدة والتصوير الجينومي المكاني رسم خرائط للتنوع الخلوي، من خلال تحديد المواقع الدقيقة للتعبير الجيني داخل بنية الأنسجة المعقدة، مما يسهم في فهم آليات التمايز الخلوي، والمرونة النمائية، وأنماط التواصل الخلوي في سياقاتها الصحية والمرضية[89].

الطب الدقيق والجينوميات التنبؤية

على الصعيد التطبيقي، تُسهم الجينوميات التنبؤية والطب الدقيق في الانتقال من النماذج العلاجية التقليدية الموحدة إلى استراتيجيات وقائية مخصصة ترتكز على درجات المخاطر الجينية والبصمات الجزيئية الفردية. ويتزامن ذلك مع توسع نطاق استخدام أدوات التحرير الجيني، ولا سيما الجيل المتطور من تقنيات كرسبر، لتصبح بروتوكولات علاجية قياسية قادرة على تصحيح العيوب الوراثية. وتؤدّي الأطر التنظيمية وأخلاقيات البيولوجيا (Bioethics) دورًا في ضمان عدالة الوصول إلى هذه التقنيات، وحماية الخصوصية الجينية، وإدارة النقاشات المجتمعية حول التعديلات الجينية، وهو ما يضمن أن يظل التطور العلمي متسقًا مع القيم الإنسانية[90].

الجينوميات البيئية والزراعة المستدامة

يُتوقع أن تسهم الجينوميات البيئية والزراعية المستقبليّة في تطوير نظم إنتاج أكثر استدامة عبر تعزيز مقاومة المحاصيل للإجهادات الحيوية واللاحيوية، وتحديد الديناميكيات الميكروبية في المحيط الجذري بدقة أعلى، بالإضافة إلى التنوع الجيني بالوظائف البيئية ضمن النظم البيئية الشاملة[91].

الذكاء الاصطناعي وتحليل البيانات الضخمة

يُتوقع أن يؤدي التكامل بين الجينوميات والذكاء الاصطناعي والتعلم الآلي إلى بناء نماذج تنبؤية قادرة على استخلاص الأنماط الكامنة في مجموعات البيانات الضخمة متعددة الأبعاد. ويسهم هذا المسار في تعزيز القدرة على التنبؤ بالوظائف الجينية، وفك شفرات الشبكات التنظيمية المعقدة، واستكشاف آليات نشوء الأمراض، مما يمهد الطريق لظهور مفاهيم البيولوجيا التنبؤية التي تمزج بين الدقة الرقمية والحيوية الطبيعية[92].

يرتبط التطور المستقبلي لعلم الجينوم بالقدرة على معالجة تحديات تقنية وأخلاقية؛ تتصدرها إدارة البيانات الضخمة واستدامتها، وتحقيق التكامل المنهجي بين مستويات البيانات الحيوية المتباينة[93]. إضافة إلى ذلك، تبرز القضايا الأخلاقية والاجتماعية التي تقتضي صياغة أطر تنظيمية تضمن الخصوصية الجينية، وتحقق العدالة في الوصول إلى التقنيات الجينومية وتطبيقات الطب الدقيق بين مختلف المجتمعات[94].

المراجع

Alberts, Bruce et al. Molecular Biology of the Cell. 7^th ed. New York: Garland Science, 2022.

Alkan, Can, Bradley P. Coe & Evan E. Eichler. “Genome Structural Variation Discovery and Genotyping.” Nature Reviews Genetics. vol. 12, no. 5 (2011). pp. 363–376. doi: 10.1038/nrg2958

Allis, C. David & Thomas Jenuwein. “The Molecular Hallmarks of Epigenetic Control.” Nature Reviews Genetics. vol. 17, no. 8 (2016). pp. 487–500. doi: 10.1038/nrg.2016.59

Armstrong, Gregory L. et al. “Pathogen Genomics in Public Health.” The New England Journal of Medicine. vol. 381, no. 26 (2019). pp. 2569–2580. doi: 10.1056/NEJMsr1813907

Bonev, Boyan & Giacomo Cavalli. “Organization and Function of the 3D Genome.” Nature Reviews Genetics. vol. 17, no. 11 (2016). pp. 661–678. doi: 10.1038/nrg.2016.112

Brown, T. A., J. Genomes & S. Smith. Genomes 5. 5th ed. New York: Garland Science, 2020.

Buenrostro, Jason D. et al. “Transposition of Native Chromatin for Fast and Sensitive Epigenomic Profiling of Open Chromatin, DNA-Binding Proteins and Nucleosome Position.” Nature Methods. vol. 10 (2013). pp. 1213–1218. doi: 10.1038/nmeth.2688

Carroll, Sean B. Endless Forms Most Beautiful: The New Science of Evo Devo. New York: W. W. Norton & Company, 2005.

Chang, X., Y. Zheng & K. Xu. “Single-Cell RNA Sequencing: Technological Progress and Biomedical Application in Cancer Research.” Molecular Biotechnology. vol. 66, no. 7 (2024). pp. 1497–1519. doi: 10.1007/s12033-023-00777-0

Collins, Francis S. & Harold Varmus. “A New Initiative on Precision Medicine.” The New England Journal of Medicine. vol. 372, no. 9 (2015). pp. 793–795. doi: 10.1056/NEJMp1500523

Davidson, Eric H. The Regulatory Genome: Gene Regulatory Networks in Development and Evolution. San Diego: Academic Press, 2006.

________ & Douglas H. Erwin. “Gene Regulatory Networks and the Evolution of Animal Body Plans.” Science. vol. 311, no. 5762 (2006). pp. 796–800. doi: 10.1126/science.1113832

Didelot, Xavier et al. “Inference of Bacterial Microevolution Using Whole-Genome Sequences.” Genetics. vol. 175, no. 3 (2012). pp. 1251–1266.

Doudna, Jennifer A. & Emmanuelle Charpentier. “The New Frontier of Genome Engineering with CRISPR-Cas9.” Science. vol. 346, no. 6213 (2014). doi: 10.1126/science.1258096

Eid, J. et al. “Real-Time DNA Sequencing from Single Polymerase Molecules.” Science. vol. 323. no. 5910 (2009). pp. 133–138. doi: 10.1126/science.1162986

ENCODE Project Consortium. “Expanded Encyclopaedias of DNA Elements in the Human and Mouse Genomes.” Nature. vol. 583, no. 7818 (2020). pp. 699–710. doi: 10.1038/s41586-020-2493-4

________. “An Integrated Encyclopedia of DNA Elements in the Human Genome.” Nature. vol. 489. no. 7414 (2012). pp. 57–74. doi: https://acr.ps/hBy0MrT

Feldgarden, Michael et al. “Validating the AMRFinder Tool and Resistance Gene Database by Using Antimicrobial Resistance Genotype–Phenotype Correlations in a Collection of Isolates.” Antimicrobial Agents and Chemotherapy. vol. 63, no. 11 (2019). doi: 10.1128/AAC.00483-19

Friedman, Nir et al. “Using Bayesian Networks to Analyze Expression Data.” Journal of Computational Biology. vol. 7, no. 3–4 (2000). pp. 601–620. doi: 10.1089/106652700750050961

Gibson, Greg “Population Genetics and Genomics: Concepts, Methods, and Challenges.” Nature Reviews Genetics. vol. 19, no. 11 (2018). pp. 701–710. doi: 10.1038/s41576-018-0045-7

Girardini, Kaitlin N. Anouk M. Olthof & Rahul N. Kanadia. “Introns: The 'Dark Matter' of the Eukaryotic Genome.” Frontiers in Genetics. vol. 14 (2023). doi: 10.3389/fgene.2023.1150212

Goodwin, Sara. John D. McPherson & W. McCombie. “Coming of Age: Ten Years of Next-Generation Sequencing Technologies.” Nature Reviews Genetics. vol. 17. no. 6 (2016). pp. 333–351. doi: 10.1038/nrg.2016.49

Hardcastle, Faranak et al. “The Ethical Challenges of Diversifying Genomic Data: A Qualitative Evidence Synthesis.” Cambridge Prisms: Precision Medicine. vol. 2 (2023). doi: 10.1017/pcm.2023.20

Hasin, Yehudit, Marcus Seldin & Aldons J. Lusis. “Multi-Omics Approaches to Disease.” Genome Biology. vol. 18, no. 1 (2017). p. 83. doi: 10.1186/s13059-017-1215-1

He, Karen Y. Dongliang Ge & Max M. He. “Big Data Analytics for Genomic Medicine.” International Journal of Molecular Sciences. vol. 18, no. 2 (2017). p. 412. doi: 10.3390/ijms18020412

Jain, M. et al. “The Oxford Nanopore MinION: Delivery of Nanopore Sequencing to the Genomics Community” Genome Biology. vol. 17, no. 1 (2016). p. 239. doi: 10.1186/s13059-016-1103-0

Keilwagen, Jens et al. “Combining RNA-seq Data and Homology-Based Gene Prediction for Plants, Animals and Fungi.” BMC Bioinformatics. vol. 19 (2018). article number 189. doi: 10.1186/s12859-018-2203-5

Koonin, Eugene V. & Yuri I. Wolf. “Genomics of Bacteria and Archaea: The Emerging Dynamic View of the Prokaryotic World.” Nucleic Acids Research. vol. 36, no. 21 (2008). pp. 6688–6719. doi: 10.1093/nar/gkn668

Köser, Claudio U. et al. “Whole-Genome Sequencing for Rapid Susceptibility Testing of M. tuberculosis.” New England Journal of Medicine. vol. 369, no. 3 (2013). doi: 10.1056/NEJMc1215305

Lang, Dandan et al. “Comparison of the Two Up to Date Sequencing Technologies for Genome Assembly: HiFi Reads of Pacific Biosciences Sequel II System and Ultralong Reads of Oxford Nanopore.” GigaScience. vol. 9, no. 12 (2020). doi: 10.1093/gigascience/giaa123

Lander, Eric S. et al. “Initial Sequencing and Analysis of the Human Genome.” Nature. vol. 409. no. 6822 (2001). pp. 860–921. doi: 10.1038/35057062

Libbrecht, Maxwell W. & William Stafford Noble. “Machine Learning Applications in Genetics and Genomics.” Nature Reviews Genetics. vol. 16, no. 6 (2015). pp. 321–332. doi: 10.1038/nrg3920

Lister, Ryan et al. “Human DNA Methylomes at Base Resolution Show Widespread Epigenomic Differences.” Nature. vol. 462 (2009). pp. 315–322. doi: 10.1038/nature08514

Liu, Jian et al. “Progress and Clinical Application of Single-Cell Transcriptional Sequencing Technology in Cancer Research.” Frontiers in Oncology. vol. 10 (2020). 593085. doi: 10.3389/fonc.2020.593085

Li, Zhen et al. “RNA-Seq Improves Annotation of Protein-Coding Genes in the Cucumber Genome.” BMC Genomics. vol. 12 (2011). article number 540. doi: 10.1186/1471-2164-12-540

Logsdon, Glennis A., Mitchell R. Vollger & Evan E. Eichler. “Long-Read Human Genome Sequencing and Its Applications.” Nature Reviews Genetics. vol. 21, no. 10 (2020). pp. 597–614. doi: 10.1038/s41576-020-0236-x

Love, Michael I., Wolfgang Huber & Simon Anders. “Moderated Estimation of Fold Change and Dispersion for RNA-Seq Data with DESeq2.” Genome Biology. vol. 15, no. 12 (2014). 550. doi: 10.1186/s13059-014-0550-8

Luecken, Malte D. & Fabian J. Theis. “Current Best Practices in Single-Cell RNA-Seq Analysis: A Tutorial.” Molecular Systems Biology. vol. 15 (2019). doi: 10.15252/msb.20188746

Madigan, Michael T. et al. Brock Biology of Microorganisms. 16^th ed. New York: Pearson, 2021.

Macosko, Evan Z. et al. “Highly Parallel Genome-Wide Expression Profiling of Individual Cells Using Nanoliter Droplets.” Cell. vol. 161, no. 5 (2015). pp. 1202–1214. doi: 10.1016/j.cell.2015.05.002

Maurano, Matthew T. et al. “Systematic Localization of Common Disease-Associated Variation in Regulatory DNA.” Science. vol. 337, no. 6099 (2012). pp. 1190–1195. doi: 10.1126/science.1222794

McLysaght, Aoife, Karsten Hokamp & Kenneth H. Wolfe. “Extensive Genomic Duplication during Early Chordate Evolution.” Nature Genetics. vol. 31, no. 2 (2002). pp. 200–204. doi: 10.1038/ng884

Medline Plus Genetics. “What Is Noncoding DNA?” U.S. National Library of Medicine. At: https://acr.ps/hBy0My1

Metzker, Michael L. “Sequencing Technologies—The Next Generation.” Nature Reviews Genetics. vol. 11, no. 1 (2010). pp. 31–46. doi: 10.1038/nrg2626

Michael, Todd P. & Robert VanBuren. “Progress, Challenges and the Future of Crop Genomes.” Current Opinion in Plant Biology. vol. 54 (2020). pp. 71-81.

Miga, Karen H. & Ting Wang. “The Need for a Human Pangenome Reference Sequence.” Annual Review of Genomics and Human Genetics. vol. 22 (2021). pp. 81–102. doi: 10.1146/annurev-genom-120120-081921

Ochman, Howard, Jeffrey G. Lawrence & Eduardo A. Groisman. “Lateral Gene Transfer and the Nature of Bacterial Innovation.” Nature. vol. 405. no. 6784 (2000). pp. 299–304. doi: 10.1038/35012500

Regev, Aviv et al. “Science Forum: The Human Cell Atlas.” eLife 6 (2017). doi: 10.7554/eLife.27041

Roadmap Epigenomics Consortium. “Integrative Analysis of 111 Reference Human Epigenomes.” Nature. vol. 518, no. 7539 (2015). pp. 317–330. doi: 10.1038/nature14248

Saitou, Naruya. “Eukaryote Genomes.” Introduction to Evolutionary Genomics. vol. 17 (2013). pp. 193-222. doi: 10.1007/978-1-4471-5304-7_8

Satam, Heena et al. “Next Generation Sequencing Technology: Current Trends and Advancements.” Biology. vol. 12, no. 7 (2023). doi: 10.3390/biology12070997

Sedlazeck, Fritz J. et al. “Piercing the Dark Matter: Bioinformatics of Long-Range Sequencing and Mapping.” Nature Reviews Genetics. vol. 19, no. 6 (2018). pp. 329–346. doi: https://acr.ps/hBy0Mwu

Scalzitti, Nicolas et al. “A Benchmark Study of Ab Initio Gene Prediction Methods in Diverse Eukaryotic Organisms.” BMC Genomics. vol. 21 (2020). doi: 10.1186/s12864-020-6707-9

Shalem, Ophir et al. “Genome-Scale CRISPR-Cas9 Knockout Screening in Human Cells.” Science. vol. 343. no. 6166 (2014). pp. 84–87. doi: 10.1126/science.1247005

Sherry, Norelle L. et al. “Genomics for Antimicrobial Resistance-Progress and Future Directions.” Antimicrobial Agents and Chemotherapy. vol. 69, no. 5 (2025). doi: 10.1128/aac.01082-24

Sinha, Dwaipayan et al. “Integrated Genomic Selection for Accelerating Breeding Programs of Climate Smart Cereals.” Genes. vol. 14, no. 7 (2023). doi: 10.3390/genes14071484

Stuart, Tim & Rahul Satija. “Integrative Single-Cell Analysis.” Nature Reviews Genetics. vol. 20, no. 5 (2019). pp. 257–272. doi: 10.1038/s41576-019-0093-7

Supriya, P. “Genomics and proteomics ppt.” slideshare. at: https://acr.ps/hBy0MoP

Taroni, Jaclyn N. et al. “MultiPLIER: A Transfer Learning Framework for Transcriptomics Reveals Systemic Features of Rare Disease.” Cell Systems. vol. 8, no. 5 (2019). pp. 380–394. doi: 10.1016/j.cels.2019.04.003

Tanay, Amos & Aviv Regev. “Scaling Single Cell Genomics from Phenomenology to Mechanism." Nature. vol. 541, no. 7637 (2017). pp. 331–338. doi: 10.1038/nature21350

Tang, Fuchou et al. “mRNA-Seq Whole-Transcriptome Analysis of a Single Cell.” Nature Methods. vol. 6 (2009). pp. 377–382. doi: 10.1038/nmeth.1315

Tettelin, Hervé et al. “Genome Analysis of Multiple Pathogenic Isolates of Streptococcus agalactiae: Implications for the Microbial 'Pan-Genome.” Proceedings of the National Academy of Sciences. vol. 102, no. 39 (2005). pp. 13950–13955. doi: 10.1073/pnas.0506758102

Thompson, Luke R. et al. “A Communal Catalogue Reveals Earth's Multiscale Microbial Diversity” Nature. vol. 551, no. 7681 (2017). pp. 457–463. doi: 10.1038/nature24621

Treangen, Todd J. & Steven L. Salzberg. “Repetitive DNA and Next-Generation Sequencing: Computational Challenges and Solutions.” Nature Reviews Genetics. vol. 13, no. 1 (2011). pp. 36–46. doi: 10.1038/nrg3117

Trivedi, Pankaj et al. “Plant–microbiome interactions: from community assembly to plant health.” Nature Reviews Microbiology. vol. 18, no. 11 (2020). pp. 607–621. doi: 10.1038/s41579-020-0412-1

Uhlen, Mathias & Stephen R. Quake. “Sequential Sequencing by Synthesis and the Next Generation Sequencing Revolution.” Trends in Biotechnology. vol. 41. no. 12 (2023). pp. 1565–1572. doi: 10.1016/j.tibtech.2023.06.007

Venter, J. Craig et al. “The Sequence of the Human Genome.” Science. vol. 291, no. 5507 (2001). pp. 1304–1351. doi: 10.1126/science.1058040

Visscher, Peter M. et al. “10 Years of GWAS Discovery: Biology, Function, and Translation.” American Journal of Human Genetics. vol. 101. no. 1 (2017). pp. 5–22. doi: 10.1016/j.ajhg.2017.06.005

Vogelstein, Bert et al. “Cancer Genome Landscapes.” Science. vol. 339, no. 6127 (2013). pp. 1546–1558. doi: 10.1126/science.1235122

Ward, Luke D. & Manolis Kellis. “Interpreting Noncoding Genetic Variation in Complex Traits and Human Disease.” Nature Biotechnology. vol. 30, no. 11 (2012). pp. 1095–1106. doi: 10.1038/nbt.2422

Wang, Qian, Peter ten Dijke & Chuannan Fan, “Deciphering the Regulatory Landscape of Enhancer RNAs in Health and Disease.” Signal Transduction and Targeted Therapy. vol. 11 (2026). doi: https://acr.ps/hBy0MuX

[1] Glennis A. Logsdon, Mitchell R. Vollger & Evan E. Eichler “Long-read human genome sequencing and its applications,” Nature Reviews Genetics, vol. 21 (2020), pp. 597–614

[2] Glennis A. Logsdon, Mitchell R. Vollger & Evan E. Eichler, “Long-Read Human Genome Sequencing and Its Applications,” Nature Reviews Genetics, vol. 21, no. 10 (2020), pp. 597–614, doi: 10.1038/s41576-020-0236-x

[3] T. A. Brown, J. Genomes & S. Smith, Genomes 5, 5th ed. (New York: Garland Science, 2020).

[4] Yehudit Hasin, Marcus Seldin & Aldons J. Lusis, “Multi-Omics Approaches to Disease,” Genome Biology, vol. 18, no. 1 (2017), p. 83, doi: 10.1186/s13059-017-1215-1

[5] ENCODE Project Consortium, “Expanded Encyclopaedias of DNA Elements in the Human and Mouse Genomes,” Nature, vol. 583, no. 7818 (2020), pp. 699–710, doi: 10.1038/s41586-020-2493-4

[6] Brown, Genomes & Smith, op. cit.

[7] Ibid.

[8] P.Supriya, “Genomics and proteomics ppt,” slideshare, accessed on 11/6/2026, at: https://acr.ps/hBy0MoP

[9] Brown, Genomes & Smith, op. cit.

[10] Gibson, op. cit.

[11] ENCODE Project Consortium, “An Integrated Encyclopedia of DNA Elements in the Human Genome,” Nature, vol. 489, no. 7414 (2012), pp. 57–74, doi: https://acr.ps/hBy0MrT

[12] Michael L. Metzker, “Sequencing Technologies—The Next Generation,” Nature Reviews Genetics, vol. 11, no. 1 (2010), pp. 31–46, doi: 10.1038/nrg2626

[13] Dandan Lang et al., “Comparison of the Two Up to Date Sequencing Technologies for Genome Assembly: HiFi Reads of Pacific Biosciences Sequel II System and Ultralong Reads of Oxford Nanopore,” GigaScience, vol. 9, no. 12 (2020), doi: 10.1093/gigascience/giaa123

[14] Logsdon, Vollger & Eichler, op. cit.

[15] Medline Plus Genetics, “What Is Noncoding DNA?” U.S. National Library of Medicine, accessed on 27/4/2026, at: https://acr.ps/hBy0My1

[16] Qian Wang, Peter ten Dijke & Chuannan Fan, “Deciphering the Regulatory Landscape of Enhancer RNAs in Health and Disease,” Signal Transduction and Targeted Therapy, vol. 11 (2026), p. 29, doi: https://acr.ps/hBy0MuX

[17] ENCODE Project Consortium, “Expanded Encyclopaedias of DNA Elements,” op. cit.

[18] Can Alkan, Bradley P. Coe & Evan E. Eichler, “Genome Structural Variation Discovery and Genotyping,” Nature Reviews Genetics, vol. 12, no. 5 (2011), pp. 363–376, doi: 10.1038/nrg2958

[19] Hasin, Seldin & Lusis, op. cit.

[20] Bruce Alberts et al., Molecular Biology of the Cell, 7th ed. (New York: Garland Science, 2022).

[21] Eugene V. Koonin & Yuri I. Wolf, “Genomics of Bacteria and Archaea: The Emerging Dynamic View of the Prokaryotic World,” Nucleic Acids Research, vol. 36, no. 21 (2008), pp. 6688–6719, doi: 10.1093/nar/gkn668

[22] Michael T. Madigan et al., Brock Biology of Microorganisms, 16th ed. (New York: Pearson, 2021).

[23] Howard Ochman, Jeffrey G. Lawrence & Eduardo A. Groisman, “Lateral Gene Transfer and the Nature of Bacterial Innovation,” Nature, vol. 405, no. 6784 (2000), pp. 299–304, doi: 10.1038/35012500

[24] Hervé Tettelin et al., “Genome Analysis of Multiple Pathogenic Isolates of Streptococcus agalactiae: Implications for the Microbial Pan-Genome,” Proceedings of the National Academy of Sciences, vol. 102, no. 39 (2005), pp. 13950–13955, doi: 10.1073/pnas.0506758102

[25] Xavier Didelot et al., “Inference of Bacterial Microevolution Using Whole-Genome Sequences,” Genetics, vol. 175, no. 3 (2012), pp. 1251–1266.

[26] Kaitlin N. Girardini, Anouk M. Olthof & Rahul N. Kanadia, “Introns: The 'Dark Matter' of the Eukaryotic Genome,” Frontiers in Genetics, vol. 14 (2023), doi: 10.3389/fgene.2023.1150212

[27] Naruya Saitou, “Eukaryote Genomes,” Introduction to Evolutionary Genomics, vol. 17 (2013), pp. 193–222, doi: 10.1007/978-1-4471-5304-7_8

[28] Alberts et al., op. cit.

[29] Todd J. Treangen & Steven L. Salzberg, “Repetitive DNA and Next-Generation Sequencing: Computational Challenges and Solutions,” Nature Reviews Genetics, vol. 13, no. 1 (2011), pp. 36–46, doi: 10.1038/nrg3117

[30] Fritz J. Sedlazeck et al., “Piercing the Dark Matter: Bioinformatics of Long-Range Sequencing and Mapping,” Nature Reviews Genetics, vol. 19, no. 6 (2018), pp. 329–346, doi: https://acr.ps/hBy0Mwu

[31] Eric S. Lander et al., “Initial Sequencing and Analysis of the Human Genome,” Nature, vol. 409, no. 6822 (2001), pp. 860–921, doi: 10.1038/35057062

[32] Todd P. Michael & Robert VanBuren, “Progress, Challenges and the Future of Crop Genomes,” Current Opinion in Plant Biology, vol. 54 (2020), pp. 71–81.

[33] Heena Satam et al., “Next Generation Sequencing Technology: Current Trends and Advancements,” Biology, vol. 12, no. 7 (2023), doi: 10.3390/biology12070997

[34] Mathias Uhlen & Stephen R. Quake, “Sequential Sequencing by Synthesis and the Next Generation Sequencing Revolution,” Trends in Biotechnology, vol. 41, no. 12 (2023), pp. 1565–1572, doi: 10.1016/j.tibtech.2023.06.007

[35] Metzker, op. cit.

[36] J. Eid et al., “Real-Time DNA Sequencing from Single Polymerase Molecules,” Science, vol. 323, no. 5910 (2009), pp. 133–138, doi: 10.1126/science.1162986

[37] M. Jain et al., “The Oxford Nanopore MinION: Delivery of Nanopore Sequencing to the Genomics Community,” Genome Biology, vol. 17, no. 1 (2016), p. 239, doi: 10.1186/s13059-016-1103-0

[38] Sara Goodwin, John D. McPherson & W. McCombie, “Coming of Age: Ten Years of Next-Generation Sequencing Technologies,” Nature Reviews Genetics, vol. 17, no. 6 (2016), pp. 333–351, doi: 10.1038/nrg.2016.49

[39] Logsdon, Vollger & Eichler, op. cit.

[40] Amos Tanay & Aviv Regev, “Scaling Single Cell Genomics from Phenomenology to Mechanism," Nature, vol. 541 (2017), pp. 331–338, doi: 10.1038/nature21350

[41] Jian Liu et al., “Progress and Clinical Application of Single-Cell Transcriptional Sequencing Technology in Cancer Research,” Frontiers in Oncology, vol. 10 (2020), doi: 10.3389/fonc.2020.593085

[42] X. Chang, Y. Zheng & K. Xu, “Single-Cell RNA Sequencing: Technological Progress and Biomedical Application in Cancer Research,” Molecular Biotechnology, vol. 66, no. 7 (2024), pp. 1497–1519, doi: 10.1007/s12033-023-00777-0

[43] Roadmap Epigenomics Consortium, “Integrative Analysis of 111 Reference Human Epigenomes,” Nature, vol. 518 (2015), pp. 317–330, doi: 10.1038/nature14248

[44] Jason D. Buenrostro et al., “Transposition of Native Chromatin for Fast and Sensitive Epigenomic Profiling of Open Chromatin, DNA-Binding Proteins and Nucleosome Position,” Nature Methods, vol. 10 (2013), pp. 1213–1218, doi: 10.1038/nmeth.2688

[45] Ryan Lister et al., “Human DNA Methylomes at Base Resolution Show Widespread Epigenomic Differences,” Nature, vol. 462 (2009), pp. 315–322, doi: 10.1038/nature08514

[46] ENCODE Project Consortium, “Expanded Encyclopaedias of DNA Elements,” op. cit.

[47] Jennifer A. Doudna & Emmanuelle Charpentier, “The New Frontier of Genome Engineering with CRISPR-Cas9,” Science, vol. 346, no. 6213 (2014), doi: 10.1126/science.1258096

[48] Ophir Shalem et al., “Genome-Scale CRISPR-Cas9 Knockout Screening in Human Cells,” Science, vol. 343, no. 6166 (2014), pp. 84–87, doi: 10.1126/science.1247005

[49] ENCODE Project Consortium, “An Integrated Encyclopedia of DNA Elements in the Human Genome,” op. cit. 

[50] J. Craig Venter et al., “The Sequence of the Human Genome,” Science, vol. 291, no. 5507 (2001), pp. 1304–1351, doi: 10.1126/science.1058040

[51] Eric H. Davidson, The Regulatory Genome: Gene Regulatory Networks in Development and Evolution (San Diego: Academic Press, 2006).

[52] C. David Allis & Thomas Jenuwein, “The Molecular Hallmarks of Epigenetic Control,” Nature Reviews Genetics, vol. 17, no. 8 (2016), pp. 487–500, doi: 10.1038/nrg.2016.59

[53] Boyan Bonev & Giacomo Cavalli, “Organization and Function of the 3D Genome,” Nature Reviews Genetics, vol. 17, no. 11 (2016), pp. 661–678, doi: 10.1038/nrg.2016.112

[54] Sean B. Carroll, Endless Forms Most Beautiful: The New Science of Evo Devo (New York: W. W. Norton & Company, 2005).

[55] Aoife McLysaght, Karsten Hokamp & Kenneth H. Wolfe, “Extensive Genomic Duplication during Early Chordate Evolution,” Nature Genetics, vol. 31, no. 2 (2002), pp. 200–204, doi: 10.1038/ng884

[56] Eric H. Davidson & Douglas H. Erwin, “Gene Regulatory Networks and the Evolution of Animal Body Plans,” Science, vol. 311, no. 5762 (2006), pp. 796–800, doi: 10.1126/science.1113832

[57] Peter M. Visscher et al., “10 Years of GWAS Discovery: Biology, Function, and Translation,” American Journal of Human Genetics, vol. 101, no. 1 (2017), pp. 5–22, doi: 10.1016/j.ajhg.2017.06.005

[58] Bert Vogelstein et al., “Cancer Genome Landscapes,” Science, vol. 339, no. 6127 (2013), pp. 1546–1558, doi: 10.1126/science.1235122

[59] Luke D. Ward & Manolis Kellis, “Interpreting Noncoding Genetic Variation in Complex Traits and Human Disease,” Nature Biotechnology, vol. 30, no. 11 (2012), pp. 1095–1106, doi: 10.1038/nbt.2422

[60] The ENCODE Project Consortium, “An Integrated Encyclopedia of DNA Elements in the Human Genome,” op. cit.

[61] Matthew T. Maurano et al., “Systematic Localization of Common Disease-Associated Variation in Regulatory DNA,” Science, vol. 337, no. 6099 (2012), pp. 1190–1195, doi: 10.1126/science.1222794

[62] Alkan, Coe & Eichler, op. cit.

[63] Logsdon, Vollger & Eichler, op. cit.

[64] Nicolas Scalzitti et al., “A Benchmark Study of Ab Initio Gene Prediction Methods in Diverse Eukaryotic Organisms,” BMC Genomics, vol. 21 (2020), article number 293, doi: 10.1186/s12864-020-6707-9

[65] Jens Keilwagen et al., “Combining RNA-seq Data and Homology-Based Gene Prediction for Plants, Animals and Fungi,” BMC Bioinformatics, vol. 19 (2018), article number 189, doi: 10.1186/s12859-018-2203-5

[66] Zhen Li et al., “RNA-Seq Improves Annotation of Protein-Coding Genes in the Cucumber Genome,” BMC Genomics, vol. 12 (2011), article number 540, doi: 10.1186/1471-2164-12-540

[67] Brown, Genomes & Smith, op. cit.

[68] Gibson, op. cit.

[69] Michael I. Love, Wolfgang Huber & Simon Anders, “Moderated Estimation of Fold Change and Dispersion for RNA-Seq Data with DESeq2,” Genome Biology, vol. 15, no. 12 (2014), article number 550, doi: 10.1186/s13059-014-0550-8

[70] Fuchou Tang et al., “mRNA-Seq Whole-Transcriptome Analysis of a Single Cell,” Nature Methods, vol. 6 (2009), pp. 377–382, doi: 10.1038/nmeth.1315

[71] Evan Z. Macosko et al., “"Highly Parallel Genome-Wide Expression Profiling of Individual Cells Using Nanoliter Droplets,”" Cell, vol. 161, no. 5 (2015), pp.: 1202–1214, doi: 10.1016/j.cell.2015.05.002 .

[72] Malte D. Luecken & Fabian J. Theis, “Current Best Practices in Single-Cell RNA-Seq Analysis: A Tutorial,” Molecular Systems Biology, vol. 15 (2019), doi: 10.15252/msb.20188746

[73] Nir Friedman et al., “Using Bayesian Networks to Analyze Expression Data,” Journal of Computational Biology, vol. 7, no. 3–4 (2000), pp. 601–620, doi: 10.1089/106652700750050961

[74] Jaclyn N. Taroni et al., “MultiPLIER: A Transfer Learning Framework for Transcriptomics Reveals Systemic Features of Rare Disease,” Cell Systems, vol. 8, no. 5 (2019), pp. 380–394, doi: 10.1016/j.cels.2019.04.003

[75] Hasin, Seldin & Lusis, op. cit.

[76] Maxwell W. Libbrecht & William Stafford Noble, “Machine Learning Applications in Genetics and Genomics,” Nature Reviews Genetics, vol. 16, no. 6 (2015), pp. 321–332, doi: 10.1038/nrg3920

[77] Ibid.

[78] Francis S. Collins & Harold Varmus, “A New Initiative on Precision Medicine,” The New England Journal of Medicine, vol. 372, no. 9 (2015), pp. 793–795, doi: 10.1056/NEJMp1500523

[79] Vogelstein et al., op. cit.

[80] Doudna & Charpentier, op. cit.

[81] Dwaipayan Sinha et al., “Integrated Genomic Selection for Accelerating Breeding Programs of Climate Smart Cereals,” Genes, vol. 14, no. 7 (2023), doi: 10.3390/genes14071484

[82] Pankaj Trivedi et al., “Plant–microbiome interactions: from community assembly to plant health,” Nature Reviews Microbiology, vol. 18, no. 11 (2020), pp. 607–621, doi: 10.1038/s41579-020-0412-1

[83] Luke R. Thompson et al., “A Communal Catalogue Reveals Earth's Multiscale Microbial Diversity,” Nature, vol. 551, no. 7681 (2017), pp. 457–463, doi: 10.1038/nature24621

[84] Gregory L. Armstrong et al., “Pathogen Genomics in Public Health,” The New England Journal of Medicine, vol. 381, no. 26 (2019), pp. 2569–2580, doi: 10.1056/NEJMsr1813907

[85] Michael Feldgarden et al., “Validating the AMRFinder Tool and Resistance Gene Database by Using Antimicrobial Resistance Genotype–Phenotype Correlations in a Collection of Isolates,” Antimicrobial Agents and Chemotherapy, vol. 63, no. 11 (2019), doi: 10.1128/AAC.00483-19

[86] Claudio U. Köser et al., “Whole-Genome Sequencing for Rapid Susceptibility Testing of M. tuberculosis,” New England Journal of Medicine, vol. 369, no. 3 (2013), doi: 10.1056/NEJMc1215305

[87] Norelle L. Sherry et al., “Genomics for Antimicrobial Resistance—Progress and Future Directions,” Antimicrobial Agents and Chemotherapy, vol. 69, no. 5 (2025), doi: 10.1128/aac.01082-24

[88] Aviv Regev et al., “Science Forum: The Human Cell Atlas,” eLife 6 (2017), doi: 10.7554/eLife.27041

[89] Tim Stuart & Rahul Satija, “Integrative Single-Cell Analysis,” Nature Reviews Genetics, vol. 20, no. 5 (2019), pp. 257–272, doi: 10.1038/s41576-019-0093-7

[90] Collins & Varmus, op. cit.

[91] Trivedi et al., op. cit.

[92] Karen H. Miga & Ting Wang, “The Need for a Human Pangenome Reference Sequence,” Annual Review of Genomics and Human Genetics, vol. 22 (2021), pp. 81–102, doi: 10.1146/annurev-genom-120120-081921

[93] Karen Y. He, Dongliang Ge & Max M. He, “Big Data Analytics for Genomic Medicine,” International Journal of Molecular Sciences, vol. 18, no. 2 (2017), p. 412, doi: 10.3390/ijms18020412

[94] Faranak Hardcastle et al., “The Ethical Challenges of Diversifying Genomic Data: A Qualitative Evidence Synthesis,” Cambridge Prisms: Precision Medicine, vol. 2 (2023), doi: 10.1017/pcm.2023.20