过去十年，基因组数据量呈指数级增长，部分原因是新一代测序技术成本大幅下降。此外，健康相关数据的范围也在不断扩大，例如来自电子健康记录生物监测设备等的数据，这些数据对于人口规模的研究变得极其有价值。
然而，传统的综合分析技术和计算方法虽然适用于传统基因组数据，但却无法处理独特的数据特征和海量的 NGS 和数字时代数据。数据探索和分析已经远 保加利亚手机数据 远落后于数据生成，而且随着我们从 NGS 过渡到第三代测序技术，这种差距只会进一步扩大。
科学指导
图片来源：
多年来，已经出现了几种处理基因组大数据的事实标准。但尽管在这方面取得了重大进展，数据生成和数据探索之间的差距仍在不断扩大。
大多数大型机构已经在硬件/软件基础设施和基因组数据分析的标准化工作流程上投入了大量资金。将这些投资进行全面重新规划以整合大数据基因组学所需的敏捷性、灵活性和多功能性特征显然是不切实际的。
整合来自多个外部来源的各种数据集是现代基因组学研究的标志，并且仍然是基因组分析工作流程的一个基本挑战。
然而，最大的挑战是需要极其专业且稀缺的生物信息学人才来为每个研究项目构建定制的分析流程。这大大限制了基因组学研究的进展速度。
为了使数据分析赶上数据采集的步伐，研究人员需要使用一个易于使用且功能强大的解决方案，该解决方案涵盖整个工作流程——从原始数据分析到数据探索和洞察。