Tratopedia
EN
Ajustes

Tamaño del texto

Tema

Alto contraste

Versión

v1.230.2

La publicación con la que se generó esta página. Es la que almacena en caché el service worker.

Detección de variantes · Tecnología de secuenciación · Genómica · Aprendizaje automático · Bioinformática · Resumen de investigaciónRevisión publicada el 20 de octubre de 2026

Una revisión en Nature Reviews Genetics

Las variantes pequeñas en la era de las lecturas largas

Una variante pequeña es el cambio de una letra o una inserción o deleción corta, de menos de 50 pares de bases, entre el genoma de una persona y el de referencia. La secuenciación de lecturas cortas encontró la mayoría y se dejó las que están dentro de repeticiones largas. Una revisión de Zhenxian Zheng, Fritz Sedlazeck y Ruibang Luo sostiene que las lecturas largas y el aprendizaje profundo han cambiado la forma de encontrarlas, y que la exactitud global oculta ahora dónde están los errores que quedan.

Un campo se pasó al aprendizaje profundo, y una revisión hace balance Publicada en línea en Nature Reviews Genetics el 20 de octubre de 2026; cada cifra de abajo es de la propia revisión salvo indicación.

  • >99.9%F1 de SNP de los detectores de aprendizaje profundo con PacBio HiFi, en regiones de alta confianza
  • ~99%Lo mismo con Oxford Nanopore, donde los indels siguen siendo el punto débil
  • <20%Rendimiento con indels en homopolímeros de más de 11 pb

Lo establecido

Las lecturas largas de 10–20 kb (PacBio HiFi) y de más de 100 kb (Oxford Nanopore) se alinean dentro de repeticiones donde no llegan las cortas de 150–300 pb, y los detectores con redes neuronales lideran ya en ambas plataformas.

Lo que no

Qué exactitud tiene cualquier detector en centrómeros, duplicaciones segmentarias y repeticiones en tándem largas. La revisión dice que está mal caracterizada, porque los conjuntos de referencia allí cubren una sola muestra.

Ocho años del primer detector de aprendizaje profundo a la revisión Las fechas son los años de publicación de los artículos que cita la revisión, consultados en PubMed donde se indica.

  1. 2018DeepVariant trata un montón de lecturas alineadas como una imagen y clasifica los sitios candidatos con una red convolucional; la revisión lo llama el primer detector de aprendizaje profundo adoptado ampliamente.
  2. 2019Se demuestra que las lecturas de consenso circular de PacBio (HiFi) combinan longitud y alta exactitud; ese mismo año aparece Clairvoyante, una red multitarea para datos de molécula única.
  3. 2020–2021Siguen Clair (recurrente) y PEPPER-Margin-DeepVariant (consciente del haplotipo, para lecturas de nanoporo).
  4. 31 mar 2022El consorcio Telomere-to-Telomere publica T2T-CHM13, un genoma humano sin huecos que añade casi 200 millones de bases que la referencia había dejado sin terminar (PubMed).
  5. 2022Clair3 combina un modelo resumido rápido con otro detallado a nivel de lectura; Zheng y Luo figuran entre sus autores.
  6. 10 may 2023El borrador del Human Pangenome Reference Consortium reduce un 34% los errores de detección de variantes pequeñas con datos de lecturas cortas frente a GRCh38 (PubMed).
  7. 2025Un laboratorio clínico valida la secuenciación genómica HiFi para variantes pequeñas, con una sensibilidad de SNV superior al 99.9% en regiones de alta confianza de GIAB (PubMed); Dorado, de Oxford Nanopore, añade un detector de autoatención.
  8. 20 oct 2026La revisión se publica en línea en Nature Reviews Genetics.

La detección está resuelta donde era fácil, y abierta donde importa La tesis central de la revisión, y lo que la complica.

Zheng, Sedlazeck y Luo sostienen que la detección de variantes pequeñas ya no es una tarea sino una familia de ellas. Una variante germinal aparece en cerca del 50% o el 100% de las lecturas, una de novo necesita datos de ambos progenitores, una en mosaico suele estar por debajo del 30% y una somática en un tumor puede ir de menos del 1% al 100%. Las lecturas largas ayudan en los cuatro casos mediante el faseo: las lecturas se ordenan según el progenitor del que vienen, de modo que una variante real se agrupa en un haplotipo y los errores de secuenciación quedan dispersos. Las cifras globales, escriben, salen de las regiones de alta confianza de GIAB; en un conjunto de datos de PacBio cerca del 75% de los indels discordantes están dentro o junto a homopolímeros, y sobre la referencia completa T2T-CHM13 la sensibilidad del mejor detector cayó al 95% en SNP y al 85% en indels en regiones de baja mapeabilidad y duplicaciones segmentarias.

  • 93%De las variantes de T2T-CHM13 evaluadas por primera vez que están en regiones muy complejas con poca verdad de referencia
  • 1Muestra, HG002, detrás de los conjuntos de referencia T2T, que además se usa para entrenar
  • ~1.7×Más error bruto de indels por lectura en Oxford Nanopore que en PacBio en una evaluación T2T-HG002

Lo que lo complica: los autores construyen las herramientas

El grupo de Luo desarrolla la familia Clair, de la que la revisión habla de principio a fin, y Zheng es el primer autor de Clair3. La revisión lo deja ver por su propia lista de referencias y no por una declaración, y sus comparaciones son de diseños, no una clasificación de productos.

Y una cifra se lee distinto en su fuente

La revisión dice que cerca del 8% de GRCh38, casi 200 millones de bases, era inaccesible al mapeo con lecturas cortas. El artículo T2T que cita describe ese 8% como la parte del genoma que la referencia había dejado sin terminar. Se solapan, pero no son la misma medida.

Tres formas de detectar, y lo que cuesta cada una La comparación de estrategias de la revisión, cotejada con los artículos primarios que cita donde pudieron leerse.

EstrategiaFortalezaContrapartida
Referencia linealHerramientas maduras y rápidasSesgo de referencia; frágil en repeticiones y variación estructural
Basada en ensamblajeAlcanza hasta un 15% del genoma que el mapeo daba por inaccesible, en evaluaciones T2TUnas diez veces más cómputo; más débil en indels de homopolímeros
Grafo de pangenomaCerca de un 34% menos de errores en variantes pequeñas que GRCh38 en el borrador del HPRC, medido con lecturas cortasMucho cómputo; sin coordenadas estables para informes clínicos
  • Redes

    Tres diseños, tres límites

    De la tabla 1 de la revisión

    • Las redes convolucionales (DeepVariant, Clair3, PEPPER) leen el montón de lecturas como una imagen; una ventana fija dificulta los vínculos lejanos.
    • Las redes recurrentes (Clair, Clair3, Medaka) leen la secuencia en ambos sentidos; son secuenciales y lentas.
    • La autoatención (Dorado variant, ClairS-TO) pondera todas las posiciones a la vez; su coste crece deprisa con la longitud.
  • Material

    Cada tipo de muestra trae su propio ruido

    ADN, ARN masivo, ARN de célula única

    • ADN de lecturas largas: errores sistemáticos en repeticiones y homopolímeros, y sesgo por huecos en la referencia.
    • ARN masivo: la expresión específica de alelo desplaza la fracción esperada, y la edición de ARN puede pasar por variante.
    • ARN de célula única: cobertura escasa y pérdida alélica, y el ARN ambiental y los dobletes añaden falsos positivos.

El cuello de botella pasa de detectar una variante a fiarse de ella Lo que la revisión deja resuelto, lo que deja abierto y lo que propone.

Resuelto

En regiones fáciles y de alta confianza, los detectores de aprendizaje profundo con lecturas largas son lo bastante exactos para uso clínico, y un laboratorio clínico ha validado la secuenciación HiFi sobre esa base.

Abierto

La exactitud donde importa clínicamente. Un indel patógeno en un homopolímero de RPGR o una variante de SMN1 confundida por un parálogo apenas mueve el F1 global, y aun así puede decidir si un paciente recibe un diagnóstico.

  • Lee una cifra de exactitud junto con sus regiones. Un número por encima del 99.9% describe las regiones de alta confianza de GIAB, no el genoma entero.
  • Pregunta con qué lecturas se midió un resultado de pangenoma. El 34% del borrador del HPRC sale de datos de lecturas cortas.
  • Trata como provisionales las evaluaciones de regiones difíciles. Se apoyan en una muestra con la que también se entrena a los detectores, así que aún no hay prueba reservada.

Notas rápidas

  1. Nature Reviews Genetics · Artículo de revisión

    La detección de variantes pequeñas en la era de la secuenciación de lecturas largas

    Una guía para principiantes y especialistas de la revisión de Zhenxian Zheng, Fritz J. Sedlazeck y Ruibang Luo

    Publicada en línea el 20 oct 2026 · doi:10.1038/s41576-026-01020-71 / 15

  2. Contexto

    Qué es una variante pequeña

    El genoma de referencia es como la edición publicada de un libro, y tu genoma una copia con unas pocas diferencias de ortografía: cambios de una letra (SNV) o inserciones y deleciones cortas (indels) de menos de 50 pares de bases.

    TipoReferenciaMuestraQué cambió
    SNVACGTTGAACGCTGAUna letra se cambia por otra
    InserciónACGTGAACGTTGAAparecen letras de más en la muestra
    DeleciónACGTTGAACG-TGAFaltan letras en la muestra

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 20262 / 15

  3. Contexto

    Por qué importan las variantes pequeñas

    Catálogos de referencia como 1000 Genomes, gnomAD y UK Biobank se construyeron con lecturas cortas, que tenían dificultades en el ADN repetitivo y dejaron cientos de miles de variantes pequeñas sin resolver.

    Diferencias entre personas

    Explican muchas de las diferencias entre individuos.

    Evolución humana

    Guardan el registro de cómo se relacionan las poblaciones humanas.

    Medicina de precisión

    Conocer las variantes de un paciente ayuda a ajustar diagnóstico y tratamiento a la persona.

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 20263 / 15

  4. Contexto

    Dónde se quedan cortas las lecturas cortas

    Piensa en un puzle con muchas piezas iguales de cielo azul. Las piezas cortas no muestran dónde van, así que los procesos descartan las alineaciones ambiguas antes que arriesgar una detección falsa.

    • 150–300 bpLongitud de una lectura corta; una repetición más larga puede coincidir en muchos sitios
    • ~8%Del genoma, casi 200 millones de bases, sin terminar en la referencia hasta T2T-CHM13

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 20264 / 15

  5. Lecturas largas

    Llegan las lecturas largas

    Las lecturas más largas son piezas de puzle más grandes y más fáciles de colocar en una imagen repetitiva.

    • 150–300 bpLecturas cortas: exactas, pero demasiado cortas para cruzar repeticiones largas
    • 10–20 kbPacBio HiFi: más del 99.9% de exactitud, leyendo muchas veces una molécula circular
    • >100 kbOxford Nanopore: lecturas ultralargas, con más errores, sobre todo en repeticiones

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 20265 / 15

  6. Lecturas largas

    El flujo común de detección de variantes

    Funciona como una corrección de pruebas. Las lecturas largas cambian dos partes de la receta: las lecturas pueden ordenarse por progenitor (faseo), y el clasificador debe aprender los patrones de error de las lecturas largas.

    Alinear

    Colocar cada lectura sobre el genoma de referencia, o representarla respecto a él.

    Buscar candidatos

    Marcar las posiciones donde las lecturas difieren de la referencia, a menudo tras un reensamblaje local.

    Clasificar

    Un modelo decide con la evidencia local si cada candidato es una variante real o un artefacto.

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 20266 / 15

  7. Contextos y retos

    Cuatro tipos de variante, cuatro problemas

    TipoFracción de lecturasOrigenReto
    Germinal~50% o 100%Heredada; en todas las célulasSituarla bien dentro de repeticiones
    De novo~50%Nueva en el hijo; ausente en ambos progenitoresNecesita datos familiares (trío)
    MosaicoNormalmente <30%Tras la concepción; solo en algunas célulasFracciones muy bajas se esconden en el ruido
    Somática<1% a 100%Adquirida después, por ejemplo en tumoresLa pureza tumoral y los subclones difuminan la señal

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 20267 / 15

  8. Contextos y retos

    El faseo, la ventaja de las lecturas largas

    Antes del faseo

    Una variante débil parece ruido aleatorio.

    Después del faseo

    Lecturas ordenadas por progenitor de origen: la variante real aparece en un haplotipo y los errores quedan dispersos.

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 20268 / 15

  9. Contextos y retos

    La exactitud global oculta las regiones difíciles

    Un homopolímero es una serie de una sola letra, como AAAAAAAA. Contarla con exactitud es difícil, así que ahí fallan los indels, y la exactitud por encima del 99.9% se mide sobre todo en regiones fáciles de alta confianza.

    • ~75%De los indels discordantes de PacBio están dentro o junto a homopolímeros
    • <20%Rendimiento con indels en homopolímeros largos (>11 pb), frente a ~70% en repeticiones típicas
    • ~1.7×Más error bruto de indels en ONT que en PacBio en una evaluación T2T-HG002

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 20269 / 15

  10. Contextos y retos

    Distintos tipos de secuenciación, distinto ruido

    ADN de lecturas largas

    Errores sistemáticos en repeticiones y homopolímeros, y sesgo por huecos en la referencia; el faseo ayuda.

    ARN masivo

    Transcritos completos, pero la cobertura sigue a la expresión, y la expresión específica de alelo y la edición de ARN confunden a los detectores.

    ARN de célula única

    Vincula cada variante a una célula, con cobertura escasa, pérdida alélica, ARN ambiental y dobletes.

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 202610 / 15

  11. Aprendizaje profundo

    El aprendizaje profundo lidera el campo

    • >99.9%F1 de SNP con PacBio en regiones de alta confianza
    • ~99%F1 de SNP con Oxford Nanopore; los indels siguen siendo el punto débil

    Entrada resumida

    Recuentos por posición, como en el modelo pileup de Clair3: rápido y robusto, pero pierde los vínculos de cada lectura.

    Entrada a nivel de lectura

    Una imagen del montón de lecturas, como en DeepVariant y el modelo de alineación completa de Clair3: detallada, pero más costosa de calcular.

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 202611 / 15

  12. Aprendizaje profundo

    Tres diseños de red

    Una CNN es como mirar una fotografía, una RNN como leer una línea de texto y la autoatención como abarcar la página entera de una vez.

    CNN

    DeepVariant, Clair3, PEPPER: trata el montón de lecturas como una imagen. Límite: una ventana fija dificulta los vínculos lejanos.

    RNN

    Clair, Clair3, Medaka: lee la secuencia hacia delante y hacia atrás. Límite: lenta y secuencial; la señal se pierde en tramos largos.

    Autoatención

    Dorado variant, ClairS-TO: pondera todas las posiciones a la vez. Límite: el coste crece deprisa con la longitud.

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 202612 / 15

  13. Más allá de una referencia

    Tres formas de detectar variantes

    EstrategiaFortalezaContrapartida
    Referencia linealHerramientas maduras y rápidasSesgo de referencia; frágil en repeticiones
    Basada en ensamblajeAlcanza hasta un 15% del genoma que el mapeo no veía, en evaluaciones T2TUnas diez veces más cómputo; más débil en indels de homopolímeros
    Grafo de pangenomaCerca de un 34% menos de errores que GRCh38 en el borrador del HPRC, con lecturas cortasMucho cómputo; sin coordenadas estables para informes clínicos

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 202613 / 15

  14. Más allá de una referencia

    Las referencias completas dejan ver los puntos ciegos

    Un indel patógeno en un homopolímero de RPGR, o una variante de SMN1 confundida por un parálogo, apenas mueve el F1 global y aun así puede decidir si un paciente recibe un diagnóstico.

    • 93%De las variantes T2T-CHM13 evaluadas por primera vez están en regiones muy complejas con poca verdad de referencia
    • 95% / 85%Sensibilidad del mejor detector en SNP / indels en regiones de baja mapeabilidad y duplicaciones segmentarias con HiFi, frente a >99.9% en regiones fáciles
    • HG002La única muestra detrás de estos conjuntos, usada también para entrenar, así que no hay prueba reservada

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 202614 / 15

  15. Perspectivas

    El cuello de botella pasa de detectar una variante a entenderla.

    • Aprender de enormes datos sin anotar con modelos semisupervisados.
    • Diseñar detectores para grafos de pangenoma, respaldados por el ensamblaje.
    • Construir detectores de mosaico y somáticos sobre bases resueltas por haplotipo.
    • Hacer rutinaria la detección con ARN de lecturas largas y de célula única a medida que bajen los costes.

    Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 202615 / 15

  • Zhenxian Zheng, Fritz J. Sedlazeck y Ruibang Luo, ‘Small variant calling in the era of long-read sequencing’, Nature Reviews Genetics, publicada en línea el 20 oct 2026, doi:10.1038/s41576-026-01020-7, con su registro de Crossref
  • Nurk y colaboradores, ‘The complete sequence of a human genome’, Science 376, 2022
  • Liao y colaboradores, ‘A draft human pangenome reference’, Nature 617, 2023
  • Hammond y colaboradores, ‘Analytical validation of germline small variant detection using long-read HiFi genome sequencing’, Genome Research 35, 2025. Los tres artículos citados se leyeron en PubMed. Todo consultado el 21 oct 2026.

Versiones

Este documento se reescribe cuando lo que dice tiene que cambiar. Cada versión sigue publicada en su propia dirección.

  1. v0001 actual

La versión actual también está en latest/.