Presentación
VolverLas variantes pequeñas en la era de las lecturas largas
Las lecturas largas y el aprendizaje profundo detectan SNP con más del 99.9% de exactitud en PacBio, pero esa cifra sale de la parte fácil del genoma. En homopolímeros, duplicaciones segmentarias y regiones T2T nuevas cae mucho, y apenas hay conjuntos de referencia para medirlo.
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
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.
Tipo Referencia Muestra Qué cambió SNV ACGTTGA ACGCTGA Una letra se cambia por otra Inserción ACGTGA ACGTTGA Aparecen letras de más en la muestra Deleción ACGTTGA ACG-TGA Faltan letras en la muestra Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 20262 / 15
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
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
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
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
Contextos y retos
Cuatro tipos de variante, cuatro problemas
Tipo Fracción de lecturas Origen Reto Germinal ~50% o 100% Heredada; en todas las células Situarla bien dentro de repeticiones De novo ~50% Nueva en el hijo; ausente en ambos progenitores Necesita datos familiares (trío) Mosaico Normalmente <30% Tras la concepción; solo en algunas células Fracciones muy bajas se esconden en el ruido Somática <1% a 100% Adquirida después, por ejemplo en tumores La pureza tumoral y los subclones difuminan la señal Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 20267 / 15
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
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
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
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
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
Más allá de una referencia
Tres formas de detectar variantes
Estrategia Fortaleza Contrapartida Referencia lineal Herramientas maduras y rápidas Sesgo de referencia; frágil en repeticiones Basada en ensamblaje Alcanza hasta un 15% del genoma que el mapeo no veía, en evaluaciones T2T Unas diez veces más cómputo; más débil en indels de homopolímeros Grafo de pangenoma Cerca de un 34% menos de errores que GRCh38 en el borrador del HPRC, con lecturas cortas Mucho cómputo; sin coordenadas estables para informes clínicos Zheng, Sedlazeck y Luo · Nature Reviews Genetics · 20 oct 202613 / 15
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
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