这段时间很忙，一直没时间回答。
NIH Biomedical Information Science and Technology Initiative Consortium 给出的 Computational Biology 的官方定义是：
The development and application of data-analytical and theoretical methods, mathematical modeling and computational simulation techniques to the study of biological, behavioral, and social systems.
就是说，用数学建模，理论和仿真分析的方法来研究生物系统。
至于研究领域，基本上，生物上有哪些问题传统的方法解决不了，需要其它领域的人来帮忙，就会有研究做，一般是高通量数据，搞生物的自己分析不过来的问题。这个，可以有很多分类方法，主要根据那些生物的常见分类，又因为每种数据都是集中在一个层面上，最方便的，是分成 DNA (genotype)，mRNA (transcriptome)，protein (proteome) 这样的大方向，里面又可以根据当前的热点技术再分类，比如测序（nextGen seq）。另外也可以从技术角度分类，比如 生物网络，meta-analysis，text-mining，靶标定位等；如果是注重应用的，又可以用疾病，诊疗等来分类。这些分类又可以相互交叉。
出现这种情况，很大程度上是因为多学科，不同研究目的在起作用。
比如作纯生物的基础研究，基本是科学发现，对科学家来说，有个关注技术方法，有人关注发现本身。对如我的生物老板如果要找一个目标靶点，他不太在乎方法，白猫黑猫，能找到就是好猫。你可能是瞎猜的，但只要你猜对了，他们就会说，这个直觉好。你用成功率再高的方法，没找到，也没用。在这种研究中，生物是主导，搞计算方法的是辅助。
而搞计算生物的，他们更关注方法本身，毕竟如果用既有方法实现科学发现，他们只是扮演了技工的角色。对他们的学术研究的肯定，在于是否有开创性的方法。
有计算生物学特色的一个方向，就是力图覆盖多个领域，所谓系统生物学。传统的还原式研究，只集中在局部，比如很多著名科学家毕生只研究某个基因通路，某个
机制。这一定程度上是传统的方法论，一定程度上是技术限制。现代观点是，生物系统的复杂度，让很多机制被隐藏，不容易用传统方法捕获，而需要更大尺度上的研究。
所以，突破性的贡献往往是生物和方法兼有，用新方法获得新发现。但是随着对计算的要求越来越高，这样的人就越来越少了。所以一般会是生物学家和计算生物学家的合作。很难要求一个人能两项兼修（我见过一个教授，拿了物理和医学博士，有行医执照，但当教授时已经快 50 了），大部分时候，只求各自能理解和欣赏对方的工作。没办法，科学家在一定程度上都是自大狂，觉得自己的工作才是最重要的。
所以事实上，现在这样对等的合作是很少的，NIH 的研究申请还是生物主导的，因为任何计算方法上的贡献，最终是要靠新的有意义的生物实验来验证其有效性的。
从一定意义上说，生物学的牛顿还没出现，50 年前的生物本科教材里，有一两成能留到现在就不错了，再过 60 年后会是什么样，我也不知道。
