具备德、智、体、美全面发展，具有较好的分子生物学、计算机科学与技术、数学和统计学素养，掌握生物信息学基本理论和方法，具备生物信息收集、分析、挖掘、利用等方面的基本能力，能在科研机构、高等学校、医疗医药、环境保护等相关部门与行业从事教学、科研、管理、疾病分子诊断、药物设计、生物软件开发、环境微生物监测等工作的高级科学技术人才。业务培养要求：学生主要学习生物信息学的基本理论和方法，受到相关科学实验和科学思维的基本训练，具有较好的分子生物学、计算机科学与技术、数学和统计学素养，具备生物信息的收集、分析、挖掘、利用等方面的基本能力，具有较好的业务素质。
理论生物信息学家，应用生物信息学家，整合生物信息学家。理论生物信息学家的工作，如Karp、Shamir，他们往往是其它领域中著名科学家，把其他学科科学中成熟或新发展的方法引入生物信息学，解决生物问题，其研究范式多是“有解答后寻找生物问题。”由于算法和其它数理方法的一般性和通用性，如果“理解要解决的生物问题”，往往能使生物信息学方法学有突破进展。应用生物信息学家的工作，如Doolittle，他们往往是生物学方面的专家，只是从数理、信息学领域中成熟的方法引入生物信息学研究，其研究范式是“生物问题寻找答案”，也就是大家常说的“干实验”。特别在现代，生物信息学数据库、软件和网站帮助生物学家通过生物信息学的方法解决他们的问题，这样的生物信息学家在广大的生物实验室中有很大的需求。整合生物信息学家的工作，如Haussler，他们把其他领域的方法和生物领域的问题整合起来，编制软件、数据库和网站为生物学家提供数据挖掘的数据源和平台，诸如Haussler“里程碑式的成功”的人类基因组浏览系统。现在是生物信息学的软件、数据库和服务器大量涌现的时代，在软件整合和数据分析相结合的工作，更是现在许多生物信息学研究中所必须要做的事情。当然上面的分类是非常粗粒度的，真正的生物信息研究多包括了理论探索，方法、数据和软件整合，应用于生物学实例，并最终由生物实验进行验证，如Miller在序列联配中用生物信息学推动生物发现的工作。特别要说是，在生物信息学相对成熟的今天，如果没有实验的验证工作，在当前的生物信息研究中很难发表很好的文章。
生物信息是一个很大的领域，不同领域侧重面不同，最常见的是应用生物信息，就是从具体的生物问题出发，采用一系列软件、数据库，从宏观上理解生物学（比如各种组学），这一块的最重要的当然是生物，计算机方面会一个脚本语言再加个统计语言就可以了，一般是perl/python和R。其他领域如生物信息软件/网站开发的，自然是计算机编程最重要；建模与统计基因组等大数据的，自然是数学和统计最重要；还有专门研究算法的，虽然也是计算机，但更侧重算法设计，理论性更强。
