Un panel de referencia de lecturas largas estima variantes estructurales a partir de datos SNP existentes y mapea sus asociaciones con rasgos complejos
Antecedentes: estudiar variantes estructurales con datos SNP existentes
Un estudio publicado en Nature Genetics utilizó un panel de referencia construido a partir de genomas obtenidos con lecturas largas para estimar variantes estructurales (SV) a partir de datos existentes de polimorfismos de un solo nucleótido (SNP) y relacionarlas con rasgos complejos humanos. El equipo desarrolló ImputeSV y lo aplicó a 456.643 participantes de ascendencia europea del Biobanco del Reino Unido (UKB). El trabajo ofrece una base para analizar con datos existentes las SV, cuya medición directa resulta difícil en poblaciones grandes.
Por lo general, las SV incluyen inserciones, deleciones e inversiones de 50 pares de bases (pb) o más. Los arrays de SNP solo permiten detectar algunas SV grandes. La secuenciación del genoma completo con lecturas cortas identifica más SV, pero sigue teniendo dificultades en regiones complejas, como las secuencias repetitivas. Incluso la secuenciación de lecturas largas de alta precisión resulta costosa si se aplica a toda una cohorte grande. Este estudio utilizó genomas de alta precisión de un grupo relativamente pequeño como referencia para ampliar el alcance de los datos SNP a gran escala.
Hallazgos principales: conectar genomas de alta precisión de 241 personas con el análisis de 450.000 personas
El equipo utilizó 482 ensamblajes generados a partir de datos de lecturas largas PacBio HiFi de 241 personas pertenecientes a diversos grupos de ascendencia. A partir de datos que distinguen los dos genomas heredados de los progenitores de cada persona, los investigadores obtuvieron 171.233 SV de alta calidad. Construyeron un panel de referencia de imputación para estimar genotipos de SV no medidos basándose en los patrones de aparición conjunta de SNP y SV.
El rendimiento varió según los datos de entrada y la métrica de evaluación. Cuando primero se imputaron los SNP medidos con arrays y luego se usaron como entrada, el método obtuvo una puntuación F1 de 0,92 frente a los datos de referencia de Genome in a Bottle (GIAB), y una concordancia genotípica de hasta 0,97. F1 evalúa conjuntamente la precisión y la exhaustividad de la detección. A nivel poblacional, la mediana del coeficiente de correlación al cuadrado (r²) entre los genotipos imputados y observados de SV comunes fue de 0,78. Esta evaluación de r² excluyó a los grupos de ascendencia mixta de América y de Asia meridional por contar con muestras insuficientes.
En el UKB, el método imputó 54.578 SV comunes con una frecuencia del alelo menor de al menos el 1%. Un estudio de asociación del genoma completo (GWAS) de 2.624 rasgos identificó 17.335 asociaciones entre 4.397 SV y 656 rasgos. En 958 loci que cumplieron al menos un criterio basado en la condición de variante principal, el análisis condicional que tenía en cuenta variantes pequeñas o el mapeo fino, era poco probable que las variantes genéticas pequeñas por sí solas explicaran las señales de asociación.
En un análisis conjunto separado de SV comunes y variantes pequeñas en 636 rasgos cuantitativos, ambos componentes explicaron, en promedio, el 1,0% y el 20,2% de la varianza fenotípica, respectivamente. El equipo estimó que las SV representaban al menos el 4,7% de la varianza genética atribuible a variantes comunes al combinar ambos componentes. Esta cifra debe distinguirse de una proporción de la incidencia de enfermedades o de la heredabilidad total.
Significado y perspectivas: un recurso público para acotar candidatos causales
En comparación con otras SV, las asociadas con rasgos estaban enriquecidas en regiones reguladoras de la expresión génica y en sitios de unión de proteínas de unión al ARN, entre otros elementos. Una deleción de 60 pb asociada con el asma se vinculó con la expresión de NRROS en tejido de la arteria tibial. Una deleción de 364 pb dentro de JAZF1, asociada con la diabetes tipo 2, también se relacionó con la expresión de ese gen en varios tejidos; la señal más intensa de asociación con la expresión se observó en el páncreas. Estos resultados proponen mecanismos candidatos para experimentos posteriores, pero no demuestran una relación causal funcional por la que esas deleciones provoquen las enfermedades.
En muchos loci, el desequilibrio de ligamiento —la herencia conjunta de variantes cercanas— dificulta distinguir los efectos de las SV de los de las variantes pequeñas. El análisis principal se centró en personas de ascendencia europea, y las estimaciones para grupos no europeos fueron menos estables debido al menor tamaño de las muestras. El panel y las herramientas disponibles públicamente pueden facilitar el reanálisis de datos existentes, pero las mejoras en el rendimiento del diagnóstico clínico o de la predicción del riesgo genético deben validarse por separado.
El diseño y los resultados del estudio pueden consultarse en el texto completo proporcionado en Europe PMC del artículo de Nature Genetics.
Nature Genetics, Published online: 20 May 2026. DOI: 10.1038/s41588-026-02612-z
Summary: This structural genomics study bypasses the resolution limits of traditional short-read sequencing by establishing an advanced reference panel harvested from comprehensive long-read assemblies. The developed web application enables high-fidelity imputation of complex structural variants (SVs) directly from single-nucleotide polymorphism (SNP)-level datasets. Deployed across multi-centric cohorts, this framework unveiled hidden causal linkages between complex traits and genomic rearrangements, introducing a highly scalable, low-cost computational baseline for programmable disease risk stratification and personalized diagnostic modeling.
Los equipos de investigación que ya disponen de datos de arrays de SNP pueden utilizar el panel público de referencia ImputeSV para imputar variantes estructurales comunes y explorar sus asociaciones con rasgos antes de generar nuevos genomas mediante lecturas largas para todos los participantes. Por ejemplo, si en una región asociada con una enfermedad solo se ha identificado una señal de SNP, analizar también las SV cercanas permite acotar los candidatos que se evaluarán en experimentos funcionales posteriores. Vincular los resultados con datos de expresión génica también puede permitir investigar los procesos reguladores en los que podrían intervenir las variantes candidatas. Sin embargo, primero debe evaluarse el rendimiento de la imputación para la población y los datos de entrada correspondientes. El estudio amplía el alcance de los datos genómicos existentes, pero no evaluó la exactitud de la predicción del riesgo de cada paciente ni la eficacia del cribado temprano.