Método y parámetros • ieiprio

Ejemplo mínimo. Las versiones de los datos de referencia que usa el paquete.

iei_fuentes()
#>                   fuente
#> 1               PanelApp
#> 2                    HPO
#> 3          HPO ontologia
#> 4       HPO enfermedades
#> 5 HPO genes a enfermedad
#> 6          Curacion IUIS
#> 7          Mecanismo GOF
#> 8        Genes dificiles
#>                                                            detalle     version
#> 1 Primary immunodeficiency or monogenic inflammatory bowel disease        8.78
#> 2                                           genes_to_phenotype.txt v2026-09-01
#> 3                                                           hp.obo v2026-09-01
#> 4                                                   phenotype.hpoa v2026-09-01
#> 5                                             genes_to_disease.txt v2026-09-01
#> 6                                         data-raw/iuis_curado.csv         git
#> 7                                      data-raw/iuis_mecanismo.csv         git
#> 8                                     data-raw/genes_dificiles.csv         git
#>                                                                                                             url
#> 1                                        https://panelapp.genomicsengland.co.uk/api/v1/panels/398/?version=8.78
#> 2 https://github.com/obophenotype/human-phenotype-ontology/releases/download/v2026-09-01/genes_to_phenotype.txt
#> 3                 https://github.com/obophenotype/human-phenotype-ontology/releases/download/v2026-09-01/hp.obo
#> 4         https://github.com/obophenotype/human-phenotype-ontology/releases/download/v2026-09-01/phenotype.hpoa
#> 5   https://github.com/obophenotype/human-phenotype-ontology/releases/download/v2026-09-01/genes_to_disease.txt
#> 6                                  https://github.com/Gentlenmoron/ieiprio/blob/master/data-raw/iuis_curado.csv
#> 7                               https://github.com/Gentlenmoron/ieiprio/blob/master/data-raw/iuis_mecanismo.csv
#> 8                              https://github.com/Gentlenmoron/ieiprio/blob/master/data-raw/genes_dificiles.csv
#>        fecha                              md5
#> 1 2026-10-06 6fe89080779880f14fa5c10a96941967
#> 2 2026-10-06 6dac74395b2a9192dc0e71594093594f
#> 3 2026-10-11 97620d1eae29ff3665ee644a7315b0f1
#> 4 2026-10-12 b4125a21c9ba916d10ce7551e55ead53
#> 5 2026-10-12 337ee42c2c17f2d89ec5d21ba7515c67
#> 6 2026-10-11 b9d01b959dae9f62c770e423063a477a
#> 7 2026-10-11 c88b6ea644c5c91fd7cc615cc6396fb3
#> 8 2026-10-12 076cdb6fe9cafcda29f70ef3f34e4be4

Cada fuente está fijada a una versión y a una huella md5, y el reporte las copia para que el análisis se pueda repetir.

1. Alcance

ieiprio lee variantes desde VCF, cromatogramas Sanger (.ab1 y .scf), FASTA, secuencias escritas e informes en PDF, Word o texto. Las anota con Ensembl VEP, gnomAD y ClinVar, las prioriza con reglas explícitas, sugiere criterios ACMG/AMP con su clase por puntos, compara el fenotipo HPO del caso con cada enfermedad del panel y genera un reporte HTML. También dibuja cromatogramas, dot plots de secuencias y gráficos del genoma.

El paquete trabaja solo con lo que sale de la secuencia y de bases curadas (Ensembl, ClinVar, gnomAD, HPO, PanelApp e IUIS). No recibe antecedentes familiares, segregación ni exámenes clínicos, porque esa información no se puede verificar en la secuencia y hace el análisis menos reproducible. No llama CNV por cobertura, no evalúa la cobertura de los genes porque eso requiere el BAM y no analiza expresión ni splicing desde ARN.

Esta guía describe los datos de referencia, los parámetros, las reglas del puntaje, los criterios ACMG, la similitud de fenotipo y su validación.

2. Datos de referencia

El panel de genes es el panel 398 de PanelApp de Genomics England, con el nivel de evidencia y el modo de herencia de cada gen. Las categorías IUIS se derivan de los fenotipos de PanelApp y de una curación propia, y los genes con enfermedad por ganancia de función vienen de una lista curada. Los fenotipos provienen de la Human Phenotype Ontology, con la ontología completa, las anotaciones por gen y las anotaciones por enfermedad, que incluyen la frecuencia de cada signo y los signos excluidos. Los genes difíciles son una curación propia de genes con pseudogenes, duplicaciones segmentarias, número de copias variable o enfermedad por mosaico.

Cada archivo está fijado a una versión y verificado con su huella md5, y el script data-raw/construir_datos.R reconstruye todos los datos desde las fuentes. iei_actualizar_panel() descarga una versión más nueva del panel a la caché sin modificar los datos del paquete.

3. Parámetros

En R un parámetro que no se escribe toma su valor por defecto. Las tablas siguientes muestran los parámetros de uso habitual de cada función y cuándo conviene cambiarlos. La referencia de cada función en el sitio incluye la lista completa.

3.1 Lectura

Función	Parámetro	Por defecto	Uso
`iei_leer_vcf()`	`sexo`	sin indicar	`"M"` o `"F"`, uno por muestra si hay varias
	`muestras`	todas	Leer solo algunas muestras de un VCF con varias
	`build`	`"auto"`	Indicar GRCh37 o GRCh38 si el encabezado no lo declara
`iei_sanger()`	`gen` o `region`	obligatorio	Gen o región contra la que se alinea la lectura
	`referencia`	Ensembl	FASTA con la región en la cabecera, o lista con `secuencia`, `inicio` y `chr`, para trabajar sin conexión
	`min_calidad`	20	Calidad Phred mínima de la base para llamar una variante
	`umbral_het`	0.33	Altura mínima del segundo pico relativa al primero; 0.2 para mosaicos
	`recorte`	0.01	Exigencia del recorte de extremos; 0.05 conserva más bases
	`cebadores`	ninguno	Secuencias de los cebadores que se recortan de la lectura
	`indels_het`	`TRUE`	Llamar indels heterocigotas por deconvolución
`iei_variantes()`	`genotipo`	el del texto	`"het"`, `"hom_alt"` o `"hemi"` si el texto no lo dice
	`build`	`"GRCh38"`	Coordenadas del informe

iei_sanger(c("BTK_F.ab1", "BTK_R.ab1"), gen = "BTK", sexo = "M", umbral_het = 0.2)

3.2 Filtrado

Parámetro	Por defecto	Uso
`genes`	panel de PanelApp	Panel propio, por ejemplo solo genes ligados al X
`evidencia`	`"verde"`	Agregar `"ambar"` cuando el caso no se resuelve
`min_dp`	10	Profundidad mínima; más alta en exomas de alta cobertura
`min_gq`	20	Calidad mínima del genotipo
`min_ab`	0.2	Fracción alélica mínima en heterocigotos
`solo_pass`	`TRUE`	Conservar solo variantes con `FILTER = PASS`
`margen`	20	Pares de bases agregados a cada lado del gen
`min_ab_mosaico`	0.05	Fracción alélica mínima en genes con enfermedad por mosaico

table(iuis_panel$evidencia)
#> 
#> ambar  rojo verde 
#>    72   140   371
ligados_x <- iei_panel(herencia = "XL")$gen
head(ligados_x, 10)
#>  [1] "ATP6AP1" "BTK"     "CD40LG"  "CFP"     "CYBB"    "DKC1"    "DOCK11" 
#>  [8] "ELF4"    "FOXP3"   "G6PD"

iei_filtrar(vcf, genes = ligados_x, min_dp = 20)

3.3 Anotación

Función	Parámetro	Por defecto	Uso
`iei_anotar()`	`normalizar`	`TRUE`	Recortar y alinear a la izquierda las indels
	`clinvar`	`TRUE`	Estrellas de ClinVar y criterios PS1, PM5 y PM1
	`gnomad`	`FALSE`	Homocigotos sanos, FAF95 y restricción del gen
	`vep_json`	ninguno	Salida JSON de un VEP local, para anotar sin conexión
	`cache`	carpeta de usuario	`FALSE` fuerza una consulta nueva
`iei_filtrar_frecuencia()`	`max_af`	AD y XL 0.0001, AR 0.01	Frecuencia máxima en gnomAD según la herencia
`iei_gnomad()`	`max_variantes`	50	Límite de consultas a gnomAD

Para cada variante se elige un transcrito, primero uno del gen asignado, luego el MANE Select, luego el canónico y al final el de mayor impacto. La frecuencia de referencia es la FAF95 si se consultó gnomAD, si no la del grupo poblacional más alto sin los grupos con efecto fundador, y en último caso la global. Las variantes ausentes de gnomAD siempre pasan el filtro.

iei_filtrar_frecuencia(anotado, max_af = c(AD = 1e-4, XL = 1e-4, AR = 0.02, `AR/AD` = 0.02, MT = 0.01))

Un VEP instalado localmente permite anotar sin enviar coordenadas. iei_vep_entrada() escribe la entrada, VEP se ejecuta con salida JSON y el resultado se pasa a iei_anotar().

iei_vep_entrada(filtrado, "para_vep.txt")
anotado <- iei_anotar(filtrado, vep_json = "vep.json", clinvar = FALSE)

3.4 Priorización

Parámetro	Por defecto	Uso
`fenotipo`	ninguno	Términos HPO o texto del cuadro clínico
`fenotipo_ausente`	ninguno	Signos que el paciente no tiene
`categoria`	ninguna	Categorías IUIS sospechadas, en lugar de HPO
`similitud`	`"enfermedad"`	`"semantica"` compara con todos los términos del gen y `"exacta"` solo con los idénticos
`pesos`	`iei_pesos()`	Puntos de cada componente y cortes de categoría

3.5 Gráficos de secuencias, exploración y salidas

Función	Parámetro	Por defecto	Uso
`iei_cromatograma()`	`ventana`	12	Bases a cada lado de la variante
	`estilo`	`"clasico"`	`"iei"` usa el tema del resto de los gráficos
`iei_dotplot()`	`ventana`	10	Largo de la ventana de comparación
	`umbral`	8	Coincidencias mínimas en la ventana para marcar un punto
	`y`	la referencia	Otra secuencia para comparar
`iei_buscar_fenotipo()`	`n`	20	Número de genes devueltos
	`herencia`	todas	Limitar a `"AR"`, `"AD"`, `"XL"` o `"MT"`
	`ausentes`	ninguno	Signos que el caso no tiene
	`p_valor`	`FALSE`	Valor p por permutaciones
`iei_gen()`	`clinvar`, `proteina`	`TRUE`	Variantes de ClinVar y dominios de la proteína
`iei_reporte()`	`paciente`	obligatorio con varias muestras	Código de la muestra
	`dominios`	`TRUE`	Consultar los dominios de la proteína
`iei_exportar()`	`formato`	según la extensión	`tsv`, `xlsx`, `vcf`, `bed` o `json`

4. Fundamentos técnicos

4.1 Calidad de una muestra

Antes de interpretar variantes conviene saber si la muestra es confiable. El reporte calcula tres medidas con todas las variantes del VCF. La relación entre transiciones y transversiones (Ti/Tv) refleja que las transiciones (A↔︎G, C↔︎T) son más frecuentes que las transversiones por la química del ADN. Ronda 2.0 en genomas y 2.8 a 3.0 en exomas, y un valor mucho menor sugiere llamados falsos. La relación entre heterocigotos y homocigotos alternativos suele estar entre 1.5 y 2.0; un exceso de homocigotos indica consanguinidad o pérdida de heterocigosidad, y un exceso de heterocigotos, contaminación. Por último, un varón casi no tiene heterocigotos en el cromosoma X fuera de las regiones pseudoautosómicas, y eso permite estimar el sexo de la muestra y detectar un error de identidad.

4.2 Frecuencia poblacional y Hardy-Weinberg

Una enfermedad rara no puede deberse a una variante común. El equilibrio de Hardy-Weinberg relaciona la frecuencia de un alelo con la de los genotipos. Si $q$ es la frecuencia del alelo causal, la proporción de homocigotos es $q^2$ y la de portadores sanos es $2pq \approx 2q$ .

$p^2 + 2pq + q^2 = 1$

En una enfermedad recesiva la prevalencia acota la frecuencia del alelo causal a $q \le \sqrt{\text{prevalencia}}$ . En una dominante con penetrancia completa cada enfermo tiene una sola copia, así que el alelo no puede superar la mitad de la prevalencia.

Prevalencia	Alelo máximo, recesiva	Portadores, recesiva	Alelo máximo, dominante
1 en 10 000	0.01	2 %	0.00005
1 en 100 000	0.0032	0.63 %	0.000005
1 en 1 000 000	0.001	0.2 %	0.0000005

Los cortes por defecto de iei_filtrar_frecuencia() (0.01 en recesivas y 0.0001 en dominantes y ligadas al X) quedan por encima de esos valores a propósito, para no descartar variantes en poblaciones poco representadas en gnomAD ni en genes con penetrancia incompleta. La frecuencia que se compara es la FAF95, el límite inferior del intervalo de confianza en el grupo con la frecuencia más alta, que evita que un alelo raro parezca común por azar.

4.3 Lectura de cromatogramas

En un cromatograma cada base es un pico de fluorescencia. Un heterocigoto produce dos picos superpuestos en la misma posición, y iei_sanger() lo llama cuando el segundo pico mide al menos un tercio del primero y sus vecinos están limpios. Una inserción o deleción heterocigota se ve distinto. Hasta el punto del cambio la lectura es limpia, y desde ahí se mezclan dos secuencias desplazadas $k$ bases. Para cada desplazamiento posible entre 1 y 30, el paquete cuenta en qué fracción de las posiciones siguientes el par de picos coincide con las bases de la referencia en $i$ y en $i + k$ , y elige el $k$ que explica más picos. Si ese $k$ explica al menos el 80 %, llama la indel y su tamaño. Si no, avisa para revisión manual.

4.4 Dot plot por ventanas

iei_dotplot() usa el método clásico de Maizel y Lenk (1981). Para dos secuencias $x$ e $y$ , una ventana de largo $w$ y un umbral $u$ , se marca un punto en $(i, j)$ cuando

$\sum_{k=0}^{w-1} [\,x_{i+k} = y_{j+k}\,] \ge u$

Dos secuencias idénticas forman la diagonal $j = i$ . Una sustitución apenas la interrumpe, porque las ventanas que la contienen todavía tienen $w - 1$ coincidencias. Una deleción de $d$ bases en $x$ corta la diagonal y la continúa en $j = i + d$ , y una inserción la corre hacia abajo. Las repeticiones aparecen como diagonales paralelas. Con $w = 10$ y $u = 8$ el ruido de fondo es bajo en un amplicón de unos cientos de bases. El cálculo se hace en R base con una matriz de igualdades que se suma a lo largo de cada diagonal.

5. Puntaje de prioridad

El puntaje suma componentes independientes, cada uno con una regla explícita que queda escrita en razones. Sirve para ordenar la revisión y no es una probabilidad. Los pesos se eligieron para que una variante con evidencia fuerte de dos fuentes independientes quede en prioridad alta y para que un portador de una variante recesiva nunca llegue a alta. No se calibraron con una cohorte.

Componente	Regla	Puntos
ClinVar	Patogénica o probablemente patogénica con 2 o más estrellas	+4
ClinVar	Patogénica con 1 estrella	+3
ClinVar	Patogénica sin criterios de revisión	+1
ClinVar	Interpretaciones en conflicto	+1
ClinVar	Benigna	se descarta
Impacto	Alto: stop, frameshift, splicing canónico, pérdida de inicio	+3
Impacto	Moderado: missense, inframe; alto en genes de ganancia de función	+1
Frecuencia	Ausente en gnomAD	+1
Predictores	REVEL ≥ 0.644, AlphaMissense ≥ 0.564 o SpliceAI ≥ 0.2	+1
Predictores	Todos los disponibles indican efecto benigno	−1
Herencia	Genotipo compatible con el gen	+2
Herencia	Posible heterocigoto compuesto en gen recesivo	+2
Herencia	Un solo heterocigoto en gen recesivo	−2
Fenotipo	Similitud con la enfermedad más parecida del gen	0 a +3

Con 9 puntos o más la prioridad es alta, de 5 a 8 media y con 4 o menos baja. Para cambiar un peso se pasa solo el valor que se modifica.

names(iei_pesos())
#>  [1] "clinvar_patogenica"    "clinvar_una_estrella"  "clinvar_sin_estrellas"
#>  [4] "clinvar_conflicto"     "impacto_alto"          "impacto_moderado"     
#>  [7] "ausente_gnomad"        "predictor_a_favor"     "predictor_en_contra"  
#> [10] "herencia_compatible"   "portador_ar"           "fenotipo_maximo"      
#> [13] "corte_alta"            "corte_media"

iei_priorizar(anotado, fenotipo = "agammaglobulinemia", pesos = list(clinvar_patogenica = 5, corte_alta = 10))

6. Criterios ACMG/AMP

Se sugieren los criterios que se pueden decidir con los datos disponibles y se suman con el sistema de puntos de Tavtigian y colaboradores (2020).

Criterio	Condición	Puntos
PVS1	Stop o frameshift fuera del último exón, en gen sin enfermedad solo por ganancia de función	+8
PVS1_Strong	Splicing canónico	+4
PVS1_Moderate	Stop o frameshift en el último exón, o pérdida del codón de inicio	+2
PS1	Mismo cambio de aminoácido que una patogénica de ClinVar	+4
PM1_Supporting	Al menos 3 posiciones con missense patogénicas a 5 aminoácidos o menos	+1
PM2_Supporting	Ausente o muy rara en gnomAD	+1
PM3	Heterocigoto compuesto en trans según la fase del VCF	+2
PM3_Supporting	Posible compuesto sin fase confirmada	+1
PM4	Indel en marco o pérdida del codón de stop	+2
PM5	Otro cambio missense en un codón con una missense patogénica	+2
PP2	Missense en gen intolerante a missense (Z ≥ 3.09)	+1
PP3	Algún predictor sobre su umbral	+1
PP4	Similitud de fenotipo de 0.85 o más	+1
BA1	Frecuencia mayor a 5 %	benigna
BS1	Frecuencia mayor a la esperable	−4
BS2	2 o más homocigotos o hemicigotos sanos en gnomAD	−4
BP4	Todos los predictores bajo su umbral benigno	−1
BP7	Sinónima con SpliceAI menor a 0.1	−1

PVS1 se gradúa con una versión simplificada del árbol de Abou Tayoun y colaboradores (2018) y no evalúa la relevancia del exón ni los codones de inicio alternativos. PP3 y BP4 usan los umbrales calibrados por ClinGen para REVEL (Pejaver y colaboradores, 2022) y SpliceAI (Walker y colaboradores, 2023), y los de sus autores para AlphaMissense (Cheng y colaboradores, 2023). PS1, PM5 y PM1 requieren clinvar = TRUE, y BS2 y PP2 requieren iei_gnomad(). PS2, PM6, PP1 y BS4 no se sugieren porque dependen del estudio de la familia, que el paquete no usa. Tampoco se sugieren PS3, PS4, PP5 ni BP6, ni las reglas específicas de los paneles de expertos de ClinGen.

7. Similitud de fenotipo

Sea $t$ un término del caso y $d$ un término de la enfermedad. El contenido de información de un término es $IC(t) = -\log p(t)$ , donde $p(t)$ es la proporción de genes anotados con $t$ o con alguno de sus descendientes. La similitud entre ambos es

$s(t, d) = \min\left(1, \frac{\max_{a \in A(t) \cap A(d)} IC(a)}{IC(t)}\right)$

donde $A(\cdot)$ son los ancestros del término, incluido él mismo. Vale 1 si $d$ es igual a $t$ o más específico y baja según la distancia al ancestro común. Es la forma asimétrica de la medida de Resnik normalizada.

Para una enfermedad $D$ , con frecuencia $f_d$ de cada signo, el aporte del término $t$ es

$S(t, D) = \max_{d \in D} s(t, d) \cdot w(f_d), \qquad w(f) = 0.5 + 0.5 f$

con $w = 1$ si la frecuencia no se conoce. Si la enfermedad excluye un término del que $t$ es igual o descendiente, $S(t, D) = -1$ . Con los signos ausentes $u$ del caso se resta

$P(D) = \frac{1}{2} \cdot \frac{1}{|U|} \sum_{u \in U} \max_{d \in D,\, d \preceq u} f_d$

y la similitud final es $\mathrm{sim}(D) = \max(0, \min(1, \overline{S} - P))$ , con $\overline{S}$ el promedio de $S(t, D)$ sobre los términos del caso. Cada gen toma el valor de su enfermedad más parecida, y los genes sin anotaciones por enfermedad se comparan con todos sus términos juntos.

El diseño se inspira en Phenomizer (Köhler y colaboradores, 2009) y LIRICAL (Robinson y colaboradores, 2020), que también comparan con enfermedades y usan frecuencias y signos ausentes. El paquete no calcula razones de verosimilitud, su objetivo es ordenar los genes de un panel y explicar cada coincidencia.

8. Validación con casos simulados

Para cada caso simulado se elige una enfermedad del panel con al menos 5 signos, se toman 5 signos con probabilidad proporcional a su frecuencia, se reemplaza una parte por su término padre y se agregan signos al azar. Después se registra el puesto del gen correcto entre todos los genes del panel. Los empates cuentan en contra.

v <- iei_validar_fenotipo(n = 80, imprecision = 0.3, ruido = 1, semilla = 1)
v
#> Validacion de la busqueda por fenotipo
#> 80 casos simulados, 5 signos por caso, 30% imprecisos, 1 al azar; 583 genes en
#> competencia.
#> # A tibble: 3 × 5
#>   metodo     primero  top5 top10 mediana
#>   <chr>        <dbl> <dbl> <dbl>   <dbl>
#> 1 enfermedad    62.5  81.2  91.2     1  
#> 2 semantica     51.2  82.5  93.8     1  
#> 3 exacta        50    70    85       1.5
#> Porcentaje de casos con el gen correcto en el primer puesto, entre los 5 y los
#> 10 primeros. Validacion interna, optimista.
plot(v)

iei_validar_fenotipo(n = 80, imprecision = 0.6, ruido = 2, semilla = 2)
#> Validacion de la busqueda por fenotipo
#> 80 casos simulados, 5 signos por caso, 60% imprecisos, 2 al azar; 583 genes en
#> competencia.
#> # A tibble: 3 × 5
#>   metodo     primero  top5 top10 mediana
#>   <chr>        <dbl> <dbl> <dbl>   <dbl>
#> 1 enfermedad      45  71.2  82.5       2
#> 2 semantica       35  68.8  82.5       3
#> 3 exacta          15  43.8  57.5       8
#> Porcentaje de casos con el gen correcto en el primer puesto, entre los 5 y los
#> 10 primeros. Validacion interna, optimista.

En una corrida de 200 casos por escenario, el método por enfermedad puso el gen correcto primero en el 59 % de los casos, contra 49 % por gen y 41 % exacto, y entre los 10 primeros en el 92 %. Con el doble de imprecisión y ruido los porcentajes en primer puesto fueron 40 %, 33 % y 16 %.

Los casos salen de las mismas anotaciones que usa el cálculo, así que la validación es optimista y favorece al método por enfermedad. Sirve para comparar métodos y parámetros. La validación con pacientes reales requiere una cohorte con diagnóstico molecular conocido.

9. Reproducibilidad

Cada reporte registra el nombre y la huella md5 del archivo de entrada, los parámetros de cada paso, los pesos y las versiones de PanelApp, HPO y Ensembl. Con esa información y la misma versión del paquete el análisis da el mismo resultado. Cada función tiene pruebas automáticas con datos sintéticos que corren sin conexión, y una vez por semana se ejecutan pruebas contra los servicios reales.

10. Comparación con otras herramientas

	ieiprio	Exomiser	LIRICAL
Entrada	VCF, Sanger, FASTA, secuencia, PDF, Word, texto	VCF	VCF y Phenopacket
Panel	Errores innatos de la inmunidad	Todo el genoma	Todo el genoma
Fenotipo	Similitud por enfermedad con frecuencias y ausentes	Similitud semántica y modelos animales	Razones de verosimilitud
Explicación	Razones de cada punto	Puntajes por componente	Razones de verosimilitud por signo
ACMG	Sugerencias con clase por puntos	Sí, en versiones recientes	No
Instalación	Paquete de R	Java y bases de datos de decenas de GB	Java

ieiprio no reemplaza a Exomiser o LIRICAL en exomas sin hipótesis. Con iei_exportar(x, "caso.json") el mismo caso pasa a esas herramientas como Phenopacket.

11. Glosario

Término	Definición
ACMG/AMP	Estándar para clasificar variantes en cinco clases a partir de criterios con distinta fuerza
Alelo	Cada versión de una posición del genoma; `ref` es el de referencia y `alt` el encontrado
Build	Versión del genoma de referencia, GRCh38 o GRCh37
ClinVar	Base de datos del NCBI con clasificaciones de variantes; las estrellas miden su revisión
CNV	Deleción o duplicación de un segmento, desde un exón hasta varios genes
Compuesto	Dos variantes distintas del mismo gen, una en cada copia
Dot plot	Matriz de puntos que compara dos secuencias por ventanas
Cis y trans	Dos variantes en la misma copia del gen o en copias distintas
FAF95	Límite inferior del intervalo de confianza de la frecuencia en el grupo más alto de gnomAD
Fracción alélica	Proporción de lecturas con el alelo alternativo, cerca de 0.5 en un heterocigoto
Ganancia de función	Mecanismo en que la proteína funciona de más o de otra forma
gnomAD	Base de frecuencias de variantes en cientos de miles de personas
Hemicigota	Variante en el cromosoma X de un varón
HGVS	Nomenclatura de variantes, `c.` para el ADN codificante y `p.` para la proteína
HPO	Human Phenotype Ontology, códigos jerárquicos para signos clínicos
IUIS	Comité que clasifica los errores innatos de la inmunidad en diez categorías
MANE Select	Transcrito de referencia acordado entre Ensembl y NCBI
Mosaico	Variante presente solo en una parte de las células
Phenopacket	Formato de GA4GH para intercambiar fenotipo y variantes de un caso
Phred	Escala de calidad; 20 equivale a 1 error en 100 y 30 a 1 en 1000
Pseudogén	Copia no funcional de un gen, a veces casi idéntica
REVEL, AlphaMissense, SpliceAI	Predictores del efecto de missense y de splicing, de 0 a 1
VEP	Variant Effect Predictor de Ensembl

12. Referencias

Abou Tayoun AN y colaboradores. Recommendations for interpreting the loss of function PVS1 ACMG/AMP variant criterion. Hum Mutat. 2018;39:1517-1524.
Cheng J y colaboradores. Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science. 2023;381:eadg7492.
Maizel JV, Lenk RP. Enhanced graphic matrix analysis of nucleic acid and protein sequences. Proc Natl Acad Sci USA. 1981;78:7665-7669.
Köhler S y colaboradores. Clinical diagnostics in human genetics with semantic similarity searches in ontologies. Am J Hum Genet. 2009;85:457-464.
Pejaver V y colaboradores. Calibration of computational tools for missense variant pathogenicity classification and ClinGen recommendations for PP3/BP4 criteria. Am J Hum Genet. 2022;109:2163-2177.
Richards S y colaboradores. Standards and guidelines for the interpretation of sequence variants. Genet Med. 2015;17:405-424.
Robinson PN y colaboradores. Interpretable clinical genomics with a likelihood ratio paradigm. Am J Hum Genet. 2020;107:403-417.
Tangye SG y colaboradores. Human inborn errors of immunity: 2022 update on the classification from the International Union of Immunological Societies Expert Committee. J Clin Immunol. 2022;42:1473-1507.
Tavtigian SV y colaboradores. Modeling the ACMG/AMP variant classification guidelines as a Bayesian classification framework. Genet Med. 2018;20:1054-1060.
Tavtigian SV y colaboradores. Fitting a naturally scaled point system to the ACMG/AMP variant classification guidelines. Hum Mutat. 2020;41:1734-1737.
Walker LC y colaboradores. Using the ACMG/AMP framework to capture evidence related to predicted and observed impact on splicing. Am J Hum Genet. 2023;110:1046-1067.