研究方向

生物演化是生命系统最根本的形成规律和原理。因此，演化生物学研究的目标是基于演化原理，利用定性或定量的理论对分子、细胞、形态、种群和物种等各个尺度的生命现象和数据进行解释，并发现更多的演化规律。本研究组以计算生物学为主要手段，基于比较分析、数学建模和模拟、深度学习等方法，从分子序列等层面对生物演化相关的核心和前沿问题进行探究。

1. 分子序列的演化规律

作为对DNA和蛋白质序列演化过程的数学建模，分子演化模型是生物信息学分析的核心工具之一。近年来随着大量组学数据的积累分析，我们对分子序列演化的模式和规律有了更多的认识。例如，不同物种之间、不同基因组序列位点之间存在演化速率等特征的差异（异质性heterogeneity），以及分子序列的不同位点间并非独立演化，而是存在相互作用（上位效应epistasis）等等。研究组希望基于可用的多物种序列数据，探究这些序列演化模式的生物学机制和影响因素，以及如何结合这些因素进行分子演化和系统发育分析，对序列演化的模式和规律、适应性演化等现象进行更细致准确的刻画和建模。

2. 深度学习的演化分析应用

深度学习是近年来快速发展的计算方法，能够基于大量复杂多样化的数据进行模式提取和预测。针对生物学数据影响因素复杂、异质性高的特点，研究组希望借助深度学习方法，尝试对分子序列等数据进行系统发育和分类等模式的识别和预测。

3. 发育演化模式和机理

细胞类型的分化决定了多细胞生物体的不同生理功能，是生物多样性和适应性演化的基础。近年来，单细胞测序技术产生了不同物种的大量发育数据。我们希望从分子演化和系统发育的角度比较分析组学数据，结合基因调控网络等信息，在序列以上的生物学尺度探究发育过程的演化规律。

除此之外，本研究组对适应性演化规律、趋同演化、比较基因组学、表型演化、系统发育树等话题保持广泛兴趣。

计算生物学需要一定的数学和计算技能及经验。但在对生物学现象规律有兴趣的基础上，自学所需知识和技术的能力、对研究问题的本质理解、发现问题解决问题的思路和能力、严谨的批判性思维、实事求是的科研态度和投入更为重要。欢迎有志进行前沿科学研究的同学联系了解。