当各种媒介在铺天盖地地宣扬NGS的优点时，是不是每一个生物学研究项目都有必要用上这一技术呢？如果确实有必要，在项目开展前应该注意些什么问题？BlueSEQ——一家为有测序需求的用户、有测序设备单位提供供需信息的公司——的首席战略官Shawn C. Baker博士给出了自己的六个小贴士。
问题决定一切
不要被那些天花乱坠的NGS市场宣传所迷惑。NGS与一些旧的技术相比（比如芯片技术），确实具有许多的优点，但是如果您只是要研究一个非常简单而特定的生物学问题，那么便宜而简便的技术才是您最佳的选择。
平台选择
一旦确定您的项目确实需要借助NGS，那么接下来就是要选择合适的平台。现在有不少的技术可用，每一种技术都针对不同的特征进行了优化。例如，有些平台的特点是每次运行产出的总数据量大，有的平台则优化了测序速度、错误率以及读长。要根据您的研究项目来选择合适的平台。不要图方便就近选择已有的平台，可以将您的项目外包给可满足您项目要求的服务商。
技术组合
有时候一种技术是无法给出所有您想要的结果的。比如，有些研究者会将Pacific Biosciences RS平台与Illumina的HiSeq平台结合起来用。前者的特点是读长够长，但错误率稍高，后者读长稍短，但错误率低。将两者结合起来使用，可以得到覆盖度更加完整的基因组数据。
样本的变化
要认真考虑您的样本最可能在那些方面发生变化，从而在实验设计中采取相应的对策来控制。要知道，NGS再强大也不能帮您消排除样本发生的生物学变化。因此，最好是在实验设计中设计重复。而技术性重复则没有必要，因为各种平台的重复性都非常好。
测序深度
认真考虑您需要怎样的测序覆盖度或深度，这非常重要。测太多意味着时间和金钱的浪费，更别说会带来不必要的数据存储问题。如果测的太少，您的结果分析则会后劲不足，得不到有意义的结果。充分了解您的项目需求以及您采用的平台的局限性是非常有必要的。比如，对于RNA测序项目来说，简单的样本分类研究则只需要500万个read，而转录组研究则需要多达1亿个read。
数据分析
在数据产生前就弄明白如何分析数据，这可以免除您后面的不少麻烦。提前准备工具和学习相应的专业知识可以帮助您从一开就正确地设计实验。不然的话，结果可能是这样的：开始数据分析时却发现没有得到合适的数据来解答您所研究的课题。
