Выбрать город: Кара-Балта

    Вы находитесь в городе Ваш город: Кара-Балта

    Выбрать другой
    От выбранного города зависят цены и способы оплаты.
    0
    Услуги для пациентов Горячие акции Дисконтная программа
    Об Инвитро
    Медицинским учреждениям
    Пресс-центр Юридическая информация

    №7300, Определение мутаций в гене CFTR методом секвенирования следующего поколения (NGS) в крови (CFTR gene analysis by Next-Generation Sequencing (NGS) in blood)

    Подготовка к анализам Получение результатов Ограничения по приёму биоматериала Исследования, которые мы не делаем
    Cтоимость анализов указана без учета взятия биоматериала
    Описание
    Исследуемый материал Цельная кровь (с ЭДТА)
    Метод определения NGS (Next Generation Sequencing, секвенирование нового поколения).

    Синонимы: Диагностика CFTR-ассоциированных заболеваний; Муковисцидоз, мутации в гене CFTR.

    Cystic fibrosis transmembrane conductance regulator gene, CFTR gene analysis.

    Краткое описание исследования «Определение мутаций в гене CFTR методом секвенирования следующего поколения (NGS) в крови»

    Ген CFTR (МВТР, муковисцидозный трансмембранный регулятор) кодирует белок, участвующий в транспорте электролитов (главным образом ионов хлора) через апикальную мембрану эпителиальных клеток, выстилающих выводные протоки экзокринных желез. В случае гомозиготных или сложных гетерозиготных мутаций гена CFTR развивается муковисцидоз и/или CFTR-ассоциированные заболевания, которые наследуются по аутосомно-рецессивному типу. Распространенность носительства мутаций в гене CFTR (гетерозиготные мутации) в Российской Федерации составляет 1:30-1:40. Классически все мутации разделяют на VI классов в зависимости от типа их влияния на синтезируемый белок. Тип мутации значительно влияет на возможности терапии.

    Мутации вызывают изменение функциональной активности белка, кодируемого геном CFTR, в результате чего нарушается транспорт электролитов и жидкости между эпителиальными клетками и межклеточным пространством. В результате этого секрет, выделяемый экзокринными железами, становится чрезмерно густым и вязким. Поражаются потовые и слюнные железы, а также железы в бронхах, поджелудочной железе, кишечнике, урогенитальном тракте.

    Поражение легких проявляется бронхообструкцией (из-за вязкого, часто гнойного секрета (мокроты), трудноотделяемого и скапливающегося в бронхах), снижением толерантности к инфекции, колонизацией дыхательных путей Pseudomonas aeruginosa и другими патологическими микроорганизмами, хроническим воспалением дыхательных путей, бронхоэктазами, деструкцией паренхимы легких.

    Поражение поджелудочной железы проявляется в виде обструкции ее протоков, появления кист, недостаточности поджелудочной железы (внутренне- и внешнесекреторной), в результате чего развивается кишечная мальабсорбция.

    Проявления со стороны печени: холестаз, холелитиаз.

    Проявления со стороны кишечника: увеличение вязкости каловых масс.

    Проявления со стороны репродуктивной системы (у мужчин): обструкция и последующая атрезия выносящих протоков яичек, азооспермия.

    Также при появлении мутаций в гене CFTR может развиваться псевдо-Барттер синдром — симптомокомплекс, характеризующийся гипокалиемией, гипохлоремией, метаболическим алкалозом, обезвоживанием, повышенной активностью ренина плазмы крови, повышенным содержанием альдостерона в крови. Манифестирует преимущественно на первом году жизни и является жизнеугрожающим состоянием.

    Атипичный муковисцидоз может протекать в одной из форм: хронический панкреатит, изолированная обструктивная азооспермия, диссеминированные бронхоэктазы, аллергический бронхолегочный аспергиллез, диффузный панбронхиолит, склерозирующий холангит.

    Данное исследование позволяет выявить большинство патогенных вариантов гена CFTR, включая одну из самых распространенных аберраций: делецию 2 и 3 экзонов. Нужно отметить, что исследование не позволяет выявлять другие протяженные делеции и дупликации в гене CFTR.

    С какой целью выполняют исследование

    Тест используется для диагностики муковисцидоза и CFTR-ассоциированных заболеваний, таких как двухсторонняя врожденная аплазия семявыносящих путей, панкреатит, диссеминированные бронхоэктазы, синдром псевдо-Барттера.

     

    Литература

    1. Кистозный фиброз (муковисцидоз). Клинические рекомендации. МЗ РФ. – 2021.
    2. Adzhubei I. A. et al. A method and server for predicting damaging missense mutations //Nature methods. – 2010. – Т. 7. – №. 4. – С. 248-249.
    3. Amberger J. S. et al. OMIM. org: leveraging knowledge across phenotype–gene relationships //Nucleic acids research. – 2019. – Т. 47. – №. D1. – С. D1038-D1043.
    4. Andrews S. et al. FastQC: a quality control tool for high throughput sequence data. – 2010.
    5. Auton A. et al. 1000 Genomes Project Consortium //Nature. – 2015. – Т. 526. – №. 7571. – С. 68-74.
    6. Choi Y., Chan A. P. PROVEAN web server: a tool to predict the functional effect of amino acid substitutions and indels //Bioinformatics. – 2015. – Т. 31. – №. 16. – С. 2745-2747.
    7. Den Dunnen J. T. et al. HGVS recommendations for the description of sequence variants: 2016 update //Human mutation. – 2016. – Т. 37. – №. 6. – С. 564-569.
    8. Fu W. et al. Analysis of 6,515 exomes reveals the recent origin of most human protein-coding variants //Nature. – 2013. – Т. 493. – №. 7431. – С. 216-220.
    9. Gudmundsson S. et al. Variant interpretation using population databases: Lessons from gnomAD //Human mutation. – 2022. – Т. 43. – №. 8. – С. 1012-1030.
    10. Li H., Durbin R. Fast and accurate short read alignment with Burrows–Wheeler transform //bioinformatics. – 2009. – Т. 25. – №. 14. – С. 1754-1760.
    11. McKenna A. et al. The Genome Analysis Toolkit: a MapReduce framework for analyzing next-generation DNA sequencing data //Genome research. – 2010. – Т. 20. – №. 9. – С. 1297-1303.
    12. McLaren W. et al. The ensembl variant effect predictor //Genome biology. – 2016. – Т. 17. – №. 1. – С. 1-14.
    13. O'Leary N. A. et al. Reference sequence (RefSeq) database at NCBI: current status, taxonomic expansion, and functional annotation //Nucleic acids research. – 2016. – Т. 44. – №. D1. – С. D733-D745.
    14. Pagin A., Sermet-Gaudelus I., Burgel P. R. Genetic diagnosis in practice: From cystic fibrosis to CFTR-related disorders //Archives de Pédiatrie. – 2020. – Т. 27. – С. eS25-eS29.
    15. Pollard K. S. et al. Detection of nonneutral substitution rates on mammalian phylogenies //Genome research. – 2010. – Т. 20. – №. 1. – С. 110-121.
    16. Poplin R. et al. A universal SNP and small-indel variant caller using deep neural networks //Nature biotechnology. – 2018. – Т. 36. – №. 10. – С. 983-987.
    17. Ratkiewicz M. et al. Role of CFTR mutation analysis in the diagnostic algorithm for cystic fibrosis //World Journal of Pediatrics. – 2017. – Т. 13. – С. 129-135.
    18. Reva B., Antipin Y., Sander C. Predicting the functional impact of protein mutations: application to cancer genomics //Nucleic acids research. – 2011. – Т. 39. – №. 17. – С. e118-e118.
    19. Schwarz J. M. et al. MutationTaster2: mutation prediction for the deep-sequencing age //Nature methods. – 2014. – Т. 11. – №. 4. – С. 361-362.
    20. Siepel A. et al. Evolutionarily conserved elements in vertebrate, insect, worm, and yeast genomes //Genome research. – 2005. – Т. 15. – №. 8. – С. 1034-1050.
    21. Sim N. L. et al. SIFT web server: predicting effects of amino acid substitutions on proteins //Nucleic acids research. – 2012. – Т. 40. – №. W1. – С. W452-W457.
    22. Wang K., Li M., Hakonarson H. ANNOVAR: functional annotation of genetic variants from high-throughput sequencing data //Nucleic acids research. – 2010. – Т. 38. – №. 16. – С. e164-e164.

    Подготовка

    Правила подготовки к исследованию

    Специальной подготовки не требуется. Исследование проводится натощак (не принимать пищу за 3 часа до исследования, можно пить воду).

     

    Литература

    1. Кистозный фиброз (муковисцидоз). Клинические рекомендации. МЗ РФ. – 2021.
    2. Adzhubei I. A. et al. A method and server for predicting damaging missense mutations //Nature methods. – 2010. – Т. 7. – №. 4. – С. 248-249.
    3. Amberger J. S. et al. OMIM. org: leveraging knowledge across phenotype–gene relationships //Nucleic acids research. – 2019. – Т. 47. – №. D1. – С. D1038-D1043.
    4. Andrews S. et al. FastQC: a quality control tool for high throughput sequence data. – 2010.
    5. Auton A. et al. 1000 Genomes Project Consortium //Nature. – 2015. – Т. 526. – №. 7571. – С. 68-74.
    6. Choi Y., Chan A. P. PROVEAN web server: a tool to predict the functional effect of amino acid substitutions and indels //Bioinformatics. – 2015. – Т. 31. – №. 16. – С. 2745-2747.
    7. Den Dunnen J. T. et al. HGVS recommendations for the description of sequence variants: 2016 update //Human mutation. – 2016. – Т. 37. – №. 6. – С. 564-569.
    8. Fu W. et al. Analysis of 6,515 exomes reveals the recent origin of most human protein-coding variants //Nature. – 2013. – Т. 493. – №. 7431. – С. 216-220.
    9. Gudmundsson S. et al. Variant interpretation using population databases: Lessons from gnomAD //Human mutation. – 2022. – Т. 43. – №. 8. – С. 1012-1030.
    10. Li H., Durbin R. Fast and accurate short read alignment with Burrows–Wheeler transform //bioinformatics. – 2009. – Т. 25. – №. 14. – С. 1754-1760.
    11. McKenna A. et al. The Genome Analysis Toolkit: a MapReduce framework for analyzing next-generation DNA sequencing data //Genome research. – 2010. – Т. 20. – №. 9. – С. 1297-1303.
    12. McLaren W. et al. The ensembl variant effect predictor //Genome biology. – 2016. – Т. 17. – №. 1. – С. 1-14.
    13. O'Leary N. A. et al. Reference sequence (RefSeq) database at NCBI: current status, taxonomic expansion, and functional annotation //Nucleic acids research. – 2016. – Т. 44. – №. D1. – С. D733-D745.
    14. Pagin A., Sermet-Gaudelus I., Burgel P. R. Genetic diagnosis in practice: From cystic fibrosis to CFTR-related disorders //Archives de Pédiatrie. – 2020. – Т. 27. – С. eS25-eS29.
    15. Pollard K. S. et al. Detection of nonneutral substitution rates on mammalian phylogenies //Genome research. – 2010. – Т. 20. – №. 1. – С. 110-121.
    16. Poplin R. et al. A universal SNP and small-indel variant caller using deep neural networks //Nature biotechnology. – 2018. – Т. 36. – №. 10. – С. 983-987.
    17. Ratkiewicz M. et al. Role of CFTR mutation analysis in the diagnostic algorithm for cystic fibrosis //World Journal of Pediatrics. – 2017. – Т. 13. – С. 129-135.
    18. Reva B., Antipin Y., Sander C. Predicting the functional impact of protein mutations: application to cancer genomics //Nucleic acids research. – 2011. – Т. 39. – №. 17. – С. e118-e118.
    19. Schwarz J. M. et al. MutationTaster2: mutation prediction for the deep-sequencing age //Nature methods. – 2014. – Т. 11. – №. 4. – С. 361-362.
    20. Siepel A. et al. Evolutionarily conserved elements in vertebrate, insect, worm, and yeast genomes //Genome research. – 2005. – Т. 15. – №. 8. – С. 1034-1050.
    21. Sim N. L. et al. SIFT web server: predicting effects of amino acid substitutions on proteins //Nucleic acids research. – 2012. – Т. 40. – №. W1. – С. W452-W457.
    22. Wang K., Li M., Hakonarson H. ANNOVAR: functional annotation of genetic variants from high-throughput sequencing data //Nucleic acids research. – 2010. – Т. 38. – №. 16. – С. e164-e164.

    Показания

    В каких случаях проводят анализ «Определение мутаций в гене CFTR методом секвенирования следующего поколения (NGS) в крови»: 

    • генетическая диагностика в рамках неонатального скрининга;
    • молекулярно-генетическая диагностика для подтверждения диагноза, установленного во взрослом возрасте;
    • преконцепционный скрининг;
    • определение риска рождения ребенка с муковисцидозом;
    • диагностика мужского бесплодия; 
    • подозрение на атипичный муковисцидоз (может проявляться как хронический панкреатит, изолированная обструктивная азооспермия, диссеминированные бронхоэктазы, аллергический бронхолегочный аспергиллез, диффузный панбронхиолит, склерозирующий холангит); 
    • в случае подтверждения гомозиготных или сложных гетерозиготных патогенных вариантов в транс-положении для исключения дополнительных патогенных вариантов, являющихся противопоказанием к назначению терапии.

     

    Литература

    1. Кистозный фиброз (муковисцидоз). Клинические рекомендации. МЗ РФ. – 2021.
    2. Adzhubei I. A. et al. A method and server for predicting damaging missense mutations //Nature methods. – 2010. – Т. 7. – №. 4. – С. 248-249.
    3. Amberger J. S. et al. OMIM. org: leveraging knowledge across phenotype–gene relationships //Nucleic acids research. – 2019. – Т. 47. – №. D1. – С. D1038-D1043.
    4. Andrews S. et al. FastQC: a quality control tool for high throughput sequence data. – 2010.
    5. Auton A. et al. 1000 Genomes Project Consortium //Nature. – 2015. – Т. 526. – №. 7571. – С. 68-74.
    6. Choi Y., Chan A. P. PROVEAN web server: a tool to predict the functional effect of amino acid substitutions and indels //Bioinformatics. – 2015. – Т. 31. – №. 16. – С. 2745-2747.
    7. Den Dunnen J. T. et al. HGVS recommendations for the description of sequence variants: 2016 update //Human mutation. – 2016. – Т. 37. – №. 6. – С. 564-569.
    8. Fu W. et al. Analysis of 6,515 exomes reveals the recent origin of most human protein-coding variants //Nature. – 2013. – Т. 493. – №. 7431. – С. 216-220.
    9. Gudmundsson S. et al. Variant interpretation using population databases: Lessons from gnomAD //Human mutation. – 2022. – Т. 43. – №. 8. – С. 1012-1030.
    10. Li H., Durbin R. Fast and accurate short read alignment with Burrows–Wheeler transform //bioinformatics. – 2009. – Т. 25. – №. 14. – С. 1754-1760.
    11. McKenna A. et al. The Genome Analysis Toolkit: a MapReduce framework for analyzing next-generation DNA sequencing data //Genome research. – 2010. – Т. 20. – №. 9. – С. 1297-1303.
    12. McLaren W. et al. The ensembl variant effect predictor //Genome biology. – 2016. – Т. 17. – №. 1. – С. 1-14.
    13. O'Leary N. A. et al. Reference sequence (RefSeq) database at NCBI: current status, taxonomic expansion, and functional annotation //Nucleic acids research. – 2016. – Т. 44. – №. D1. – С. D733-D745.
    14. Pagin A., Sermet-Gaudelus I., Burgel P. R. Genetic diagnosis in practice: From cystic fibrosis to CFTR-related disorders //Archives de Pédiatrie. – 2020. – Т. 27. – С. eS25-eS29.
    15. Pollard K. S. et al. Detection of nonneutral substitution rates on mammalian phylogenies //Genome research. – 2010. – Т. 20. – №. 1. – С. 110-121.
    16. Poplin R. et al. A universal SNP and small-indel variant caller using deep neural networks //Nature biotechnology. – 2018. – Т. 36. – №. 10. – С. 983-987.
    17. Ratkiewicz M. et al. Role of CFTR mutation analysis in the diagnostic algorithm for cystic fibrosis //World Journal of Pediatrics. – 2017. – Т. 13. – С. 129-135.
    18. Reva B., Antipin Y., Sander C. Predicting the functional impact of protein mutations: application to cancer genomics //Nucleic acids research. – 2011. – Т. 39. – №. 17. – С. e118-e118.
    19. Schwarz J. M. et al. MutationTaster2: mutation prediction for the deep-sequencing age //Nature methods. – 2014. – Т. 11. – №. 4. – С. 361-362.
    20. Siepel A. et al. Evolutionarily conserved elements in vertebrate, insect, worm, and yeast genomes //Genome research. – 2005. – Т. 15. – №. 8. – С. 1034-1050.
    21. Sim N. L. et al. SIFT web server: predicting effects of amino acid substitutions on proteins //Nucleic acids research. – 2012. – Т. 40. – №. W1. – С. W452-W457.
    22. Wang K., Li M., Hakonarson H. ANNOVAR: functional annotation of genetic variants from high-throughput sequencing data //Nucleic acids research. – 2010. – Т. 38. – №. 16. – С. e164-e164.

    Интерпретация результатов

    Интерпретация результатов исследования содержит информацию для лечащего врача и не является диагнозом. Информацию из этого раздела нельзя использовать для самодиагностики и самолечения. Точный диагноз ставит врач, используя как результаты данного обследования, так и нужную информацию из других источников: анамнеза, результатов других обследований и т.д.

    Единицы измерения: тест качественный.

    Референсные значения

    Патогенных вариантов, условно-патогенных вариантов в гене CFTR обнаружено не было.

    Трактовка результатов исследования «Определение мутаций в гене CFTR методом секвенирования следующего поколения (NGS) в крови»

    • Выявление гомозиготной аберрации в гене CFTR подтверждает диагноз муковисцидоза и/или CFTR-ассоциированных заболеваний.
    • Выявление двух или более разных патогенных или условно-патогенных вариантов в гене CFTR требует подтверждения их цис- или транс-расположения путем генотипирования родителей пациента.
    • Выявление гетерозиготного патогенного или условно-патогенного варианта в гене CFTR в большинстве случаев не позволяет подтвердить болезнь, а указывает на состояние носительства. Однако в редких случаях у пациента может наблюдаться второй патогенный вариант, который не детектируется данным тестом (протяженная делеция или дупликация). При сохранении клинического подозрения на CFTR-ассоциированное заболевание и гетерозиготном носительстве патогенного или условно-патогенного варианта в гене CFTR рекомендуется получить консультацию врача-генетика и провести клинико-лабораторное сопоставление.

    Отсутствие мутаций в гене CFTR значительно снижает вероятность у пациента диагноза муковисцидоза и/или CFTR-ассоциированных заболеваний. Однако существуют редкие случаи, когда у пациентов с CFTR-ассоциированными состояниями наблюдаются патогенные варианты, которые не выявляются с помощью данной технологии: протяженные делеции или дупликации.


     

    Литература

    1. Кистозный фиброз (муковисцидоз). Клинические рекомендации. МЗ РФ. – 2021.
    2. Adzhubei I. A. et al. A method and server for predicting damaging missense mutations //Nature methods. – 2010. – Т. 7. – №. 4. – С. 248-249.
    3. Amberger J. S. et al. OMIM. org: leveraging knowledge across phenotype–gene relationships //Nucleic acids research. – 2019. – Т. 47. – №. D1. – С. D1038-D1043.
    4. Andrews S. et al. FastQC: a quality control tool for high throughput sequence data. – 2010.
    5. Auton A. et al. 1000 Genomes Project Consortium //Nature. – 2015. – Т. 526. – №. 7571. – С. 68-74.
    6. Choi Y., Chan A. P. PROVEAN web server: a tool to predict the functional effect of amino acid substitutions and indels //Bioinformatics. – 2015. – Т. 31. – №. 16. – С. 2745-2747.
    7. Den Dunnen J. T. et al. HGVS recommendations for the description of sequence variants: 2016 update //Human mutation. – 2016. – Т. 37. – №. 6. – С. 564-569.
    8. Fu W. et al. Analysis of 6,515 exomes reveals the recent origin of most human protein-coding variants //Nature. – 2013. – Т. 493. – №. 7431. – С. 216-220.
    9. Gudmundsson S. et al. Variant interpretation using population databases: Lessons from gnomAD //Human mutation. – 2022. – Т. 43. – №. 8. – С. 1012-1030.
    10. Li H., Durbin R. Fast and accurate short read alignment with Burrows–Wheeler transform //bioinformatics. – 2009. – Т. 25. – №. 14. – С. 1754-1760.
    11. McKenna A. et al. The Genome Analysis Toolkit: a MapReduce framework for analyzing next-generation DNA sequencing data //Genome research. – 2010. – Т. 20. – №. 9. – С. 1297-1303.
    12. McLaren W. et al. The ensembl variant effect predictor //Genome biology. – 2016. – Т. 17. – №. 1. – С. 1-14.
    13. O'Leary N. A. et al. Reference sequence (RefSeq) database at NCBI: current status, taxonomic expansion, and functional annotation //Nucleic acids research. – 2016. – Т. 44. – №. D1. – С. D733-D745.
    14. Pagin A., Sermet-Gaudelus I., Burgel P. R. Genetic diagnosis in practice: From cystic fibrosis to CFTR-related disorders //Archives de Pédiatrie. – 2020. – Т. 27. – С. eS25-eS29.
    15. Pollard K. S. et al. Detection of nonneutral substitution rates on mammalian phylogenies //Genome research. – 2010. – Т. 20. – №. 1. – С. 110-121.
    16. Poplin R. et al. A universal SNP and small-indel variant caller using deep neural networks //Nature biotechnology. – 2018. – Т. 36. – №. 10. – С. 983-987.
    17. Ratkiewicz M. et al. Role of CFTR mutation analysis in the diagnostic algorithm for cystic fibrosis //World Journal of Pediatrics. – 2017. – Т. 13. – С. 129-135.
    18. Reva B., Antipin Y., Sander C. Predicting the functional impact of protein mutations: application to cancer genomics //Nucleic acids research. – 2011. – Т. 39. – №. 17. – С. e118-e118.
    19. Schwarz J. M. et al. MutationTaster2: mutation prediction for the deep-sequencing age //Nature methods. – 2014. – Т. 11. – №. 4. – С. 361-362.
    20. Siepel A. et al. Evolutionarily conserved elements in vertebrate, insect, worm, and yeast genomes //Genome research. – 2005. – Т. 15. – №. 8. – С. 1034-1050.
    21. Sim N. L. et al. SIFT web server: predicting effects of amino acid substitutions on proteins //Nucleic acids research. – 2012. – Т. 40. – №. W1. – С. W452-W457.
    22. Wang K., Li M., Hakonarson H. ANNOVAR: functional annotation of genetic variants from high-throughput sequencing data //Nucleic acids research. – 2010. – Т. 38. – №. 16. – С. e164-e164.

    Артикул: 7300
    Срок исполнения:
    Цена:38 770 сом.
    Взятие крови из вены:
    • + 120 сом.
    Итого: 38890 сом.
    В корзину
    Сдать анализ «Определение мутаций в гене CFTR методом секвенирования следующего поколения (NGS) в крови (CFTR gene analysis by Next-Generation Sequencing (NGS) in blood)» вы можете в Каре-Балте и других городах Кыргызстана. Обратите внимание, что цена анализа, стоимость процедуры взятия биоматериала, методы и сроки выполнения исследований в региональных медицинских офисах могут отличаться.
    Наверх
    Спасибо! Ваш ответ принят.