№7301, Полное исследование генов LDLR, APOB, PCSK9, LDLRAP1 для диагностики семейной гиперхолестеринемии методом NGS (LDLR, APOB, PCSK9, LDLRAP1 genes for the diagnosis of familial hypercholesterolemia by Next-Generation Sequencing (NGS) in blood)

Синонимы: Наследственная дислипидемия, первичная дислипидемия.

Краткое описание исследования «Полное исследование генов LDLR, APOB, PCSK9, LDLRAP1 для диагностики семейной гиперхолестеринемии методом NGS»

Семейная гиперхолестеринемия (СГХС) представляет собой распространенное генетическое метаболическое заболевание, характеризующееся аномально повышенным уровнем холестерина липопротеинов низкой плотности (ХС-ЛПНП) в сыворотке крови с рождения, что в дальнейшем может привести к раннему развитию атеросклероза и сердечно-сосудистым осложнениям. Считается, что распространенность данного состояния составляет 1:120-1:300 случаев среди популяции в Российской Федерации.

СГХС представляет собой критериальный диагноз, выставляется на основании семейного анамнеза, наличия у пациента ранних сосудистых осложнений, а также высокого уровня холестерина или ХС-ЛПНП. Одной из главных причин СГХС являются патогенные варианты в генах, участвующих в метаболизме рецепторов ЛПНП, что приводит к недостаточному захвату ХС-ЛПНП из кровотока или ускоренной деградации ЛПНП-рецептора: LDLR, APOB, PCSK9, LDLRAP1.

Исследование кодирующей области и промотеров генов LDLR, APOB, PCSK9, LDLRAP1 методом NGS является наиболее полным тестом, позволяющим подтвердить моногенную форму СГХС. В используемой панели также исследуются дополнительные регионы рядом с кодирующими областями генов, что позволяет расширить спектр выявляемых мутаций.

Мутации в гене ЛПНП-рецептора (LDLR), который расположен главным образом на поверхности гепатоцитов и играет ключевую роль в связывании и выведении из кровотока циркулирующих ЛПНП-частиц, обуславливают от 85 до 90% случаев СГХС. Патогенные и условно-патогенные варианты данного гена наследуются кодоминантно, то есть даже гетерозиготное носительство аберраций будет вызывать развитие симптомов. При гомозиготных формах или сложных гетерозиготных формах в транс-положении развивается тяжелая форма СГХС. 90% патогенных и условно-патогенных вариантов этого гена представлены точечными изменениями или небольшими делециями или инсерциями. Однако около 10% пациентов имеют протяженные делеции или дупликации гена LDLR, которые не выявляются с помощью данного теста.

Мутации в гене аполипопротеина В (APOB), кодирующего аполипопротеин В100, обуславливают от 5 до 10% случаев СГХС. Данные аберрации также наследуются кодоминантно, в случае гомозиготных форм и сложных гетерозиготных форм развивается более тяжелый фенотип состояния. APOB100 входит в состав ЛПНП-частиц и ответственен за связывание ЛПНП с LDLR. В результате изменений в гене половина ЛПНП-частиц не способна связаться с LDLR.

Мутации в гене PCSK9 обуславливают менее 5% случаев СГХС. PCSK9 кодирует пропротеин конвертазу субтилизин/кексин тип 9 – протеазу, участвующую в разрушении LDLR. Мутации, приводящие к усилению функциональной активности PCSK9, вызывают ускоренное разрушение LDLR, вследствие чего уменьшается количество рецепторов на поверхности клетки и нарушается захват ЛПНП. Нужно отметить, что могут наблюдаться случаи патогенных вариантов, снижающих функцию PCSK9, что приводит к сниженному риску развития атеросклероза.

Мутации гена LDLRAP1 (кодирует адапторный белок 1 для LDLR) обуславливают менее 1% случаев СГХС. Они имеют рецессивный тип наследования и клинически проявляются только при гомозиготных формах или при сложных гетерозиготных формах СГХС.

С какой целью выполняют исследование

Тест используется для диагностики моногенной формы семейной гиперхолестеринемии и определения тактики гиполипидемической терапии.

Литература

1. Клинические рекомендации. МЗ РФ. Семейная гиперхолестеринемия. – 2018.
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. FastQC: A Quality Control Tool for High Throughput Sequence Data.[Internet].[cited 2015 May 6]. – 2010.
5. Auton A. et al. 1000 Genomes Project Consortium //Nature. – 2015. – Т. 526. – №. 7571. – С. 68-74.
6. Berberich A. J., Hegele R. A. The complex molecular genetics of familial hypercholesterolaemia //Nature Reviews Cardiology. – 2019. – Т. 16. – №. 1. – С. 9-20.
7. 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.
8. Defesche J. C. et al. Familial hypercholesterolaemia //Nature reviews Disease primers. – 2017. – Т. 3. – №. 1. – С. 1-20.
9. 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.
10. 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.
11. Gidding S. S. et al. The agenda for familial hypercholesterolemia: a scientific statement from the American Heart Association //Circulation. – 2015. – Т. 132. – №. 22. – С. 2167-2192.
12. Gudmundsson S. et al. Variant interpretation using population databases: Lessons from gnomAD //Human mutation. – 2022. – Т. 43. – №. 8. – С. 1012-1030.
13. Li H., Durbin R. Fast and accurate short read alignment with Burrows–Wheeler transform //bioinformatics. – 2009. – Т. 25. – №. 14. – С. 1754-1760.
14. 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.
15. McLaren W. et al. The ensembl variant effect predictor //Genome biology. – 2016. – Т. 17. – №. 1. – С. 1-14.
16. 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.
17. Pollard K. S. et al. Detection of nonneutral substitution rates on mammalian phylogenies //Genome research. – 2010. – Т. 20. – №. 1. – С. 110-121.
18. 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.
19. 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.
20. Schwarz J. M. et al. MutationTaster2: mutation prediction for the deep-sequencing age //Nature methods. – 2014. – Т. 11. – №. 4. – С. 361-362.
21. Siepel A. et al. Evolutionarily conserved elements in vertebrate, insect, worm, and yeast genomes //Genome research. – 2005. – Т. 15. – №. 8. – С. 1034-1050.
22. 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.
23. 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.

Правила подготовки к исследованию

Специальной подготовки к исследованию не требуется. Взятие крови желательно проводить не ранее 4 часов после приема пищи.

Литература

1. Клинические рекомендации. МЗ РФ. Семейная гиперхолестеринемия. – 2018.
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. FastQC: A Quality Control Tool for High Throughput Sequence Data.[Internet].[cited 2015 May 6]. – 2010.
5. Auton A. et al. 1000 Genomes Project Consortium //Nature. – 2015. – Т. 526. – №. 7571. – С. 68-74.
6. Berberich A. J., Hegele R. A. The complex molecular genetics of familial hypercholesterolaemia //Nature Reviews Cardiology. – 2019. – Т. 16. – №. 1. – С. 9-20.
7. 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.
8. Defesche J. C. et al. Familial hypercholesterolaemia //Nature reviews Disease primers. – 2017. – Т. 3. – №. 1. – С. 1-20.
9. 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.
10. 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.
11. Gidding S. S. et al. The agenda for familial hypercholesterolemia: a scientific statement from the American Heart Association //Circulation. – 2015. – Т. 132. – №. 22. – С. 2167-2192.
12. Gudmundsson S. et al. Variant interpretation using population databases: Lessons from gnomAD //Human mutation. – 2022. – Т. 43. – №. 8. – С. 1012-1030.
13. Li H., Durbin R. Fast and accurate short read alignment with Burrows–Wheeler transform //bioinformatics. – 2009. – Т. 25. – №. 14. – С. 1754-1760.
14. 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.
15. McLaren W. et al. The ensembl variant effect predictor //Genome biology. – 2016. – Т. 17. – №. 1. – С. 1-14.
16. 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.
17. Pollard K. S. et al. Detection of nonneutral substitution rates on mammalian phylogenies //Genome research. – 2010. – Т. 20. – №. 1. – С. 110-121.
18. 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.
19. 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.
20. Schwarz J. M. et al. MutationTaster2: mutation prediction for the deep-sequencing age //Nature methods. – 2014. – Т. 11. – №. 4. – С. 361-362.
21. Siepel A. et al. Evolutionarily conserved elements in vertebrate, insect, worm, and yeast genomes //Genome research. – 2005. – Т. 15. – №. 8. – С. 1034-1050.
22. 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.
23. 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.

В каких случаях проводят анализ «Полное исследование генов LDLR, APOB, PCSK9, LDLRAP1 для диагностики семейной гиперхолестеринемии методом NGS»: 

Литература

1. Клинические рекомендации. МЗ РФ. Семейная гиперхолестеринемия. – 2018.
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. FastQC: A Quality Control Tool for High Throughput Sequence Data.[Internet].[cited 2015 May 6]. – 2010.
5. Auton A. et al. 1000 Genomes Project Consortium //Nature. – 2015. – Т. 526. – №. 7571. – С. 68-74.
6. Berberich A. J., Hegele R. A. The complex molecular genetics of familial hypercholesterolaemia //Nature Reviews Cardiology. – 2019. – Т. 16. – №. 1. – С. 9-20.
7. 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.
8. Defesche J. C. et al. Familial hypercholesterolaemia //Nature reviews Disease primers. – 2017. – Т. 3. – №. 1. – С. 1-20.
9. 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.
10. 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.
11. Gidding S. S. et al. The agenda for familial hypercholesterolemia: a scientific statement from the American Heart Association //Circulation. – 2015. – Т. 132. – №. 22. – С. 2167-2192.
12. Gudmundsson S. et al. Variant interpretation using population databases: Lessons from gnomAD //Human mutation. – 2022. – Т. 43. – №. 8. – С. 1012-1030.
13. Li H., Durbin R. Fast and accurate short read alignment with Burrows–Wheeler transform //bioinformatics. – 2009. – Т. 25. – №. 14. – С. 1754-1760.
14. 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.
15. McLaren W. et al. The ensembl variant effect predictor //Genome biology. – 2016. – Т. 17. – №. 1. – С. 1-14.
16. 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.
17. Pollard K. S. et al. Detection of nonneutral substitution rates on mammalian phylogenies //Genome research. – 2010. – Т. 20. – №. 1. – С. 110-121.
18. 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.
19. 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.
20. Schwarz J. M. et al. MutationTaster2: mutation prediction for the deep-sequencing age //Nature methods. – 2014. – Т. 11. – №. 4. – С. 361-362.
21. Siepel A. et al. Evolutionarily conserved elements in vertebrate, insect, worm, and yeast genomes //Genome research. – 2005. – Т. 15. – №. 8. – С. 1034-1050.
22. 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.
23. 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 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.

Возможные варианты результата:

• обнаружено;
• не обнаружено.

Референсные значения

Патогенных вариантов, вероятно патогенных вариантов в генах LDLR, APOB, PCSK9, LDLRAP1 обнаружено не было.

Трактовка результатов исследования «Полное исследование генов LDLR, APOB, PCSK9, LDLRAP1 для диагностики семейной гиперхолестеринемии методом NGS»

Выявление гетерозиготной аберрации в генах LDLR, APOB, PCSK9 подтверждает диагноз гетерозиготной формы семейной гиперхолестеринемии. Выявление гомозиготных мутаций в одном из генов (LDLR, APOB, PCSK9, LDLRAP1) подтверждает диагноз гомозиготной формы семейной гиперхолестеринемии. Выявление двух гетерозиготных мутаций в одном гене или в двух разных может свидетельствовать о сложном гетерозиготном носительстве СГХС.

Отсутствие мутаций в генах LDLR, APOB100, PCSK9, LDLRAP1 значительно снижает вероятность наличия у пациента моногенной формы СГХС, однако не исключает данную форму СГХС полностью в связи с возможностью наличия у пациента протяженных делеций или дупликаций гена LDLR, которые не выявляются с помощью этого исследования. Кроме того, диагноз СГХС является критериальным даже при отсутствии выявленных мутаций, но при соответствии клиническим и лабораторным критериям диагноз может быть выставлен пациенту.

Литература

1. Клинические рекомендации. МЗ РФ. Семейная гиперхолестеринемия. – 2018.
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. FastQC: A Quality Control Tool for High Throughput Sequence Data.[Internet].[cited 2015 May 6]. – 2010.
5. Auton A. et al. 1000 Genomes Project Consortium //Nature. – 2015. – Т. 526. – №. 7571. – С. 68-74.
6. Berberich A. J., Hegele R. A. The complex molecular genetics of familial hypercholesterolaemia //Nature Reviews Cardiology. – 2019. – Т. 16. – №. 1. – С. 9-20.
7. 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.
8. Defesche J. C. et al. Familial hypercholesterolaemia //Nature reviews Disease primers. – 2017. – Т. 3. – №. 1. – С. 1-20.
9. 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.
10. 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.
11. Gidding S. S. et al. The agenda for familial hypercholesterolemia: a scientific statement from the American Heart Association //Circulation. – 2015. – Т. 132. – №. 22. – С. 2167-2192.
12. Gudmundsson S. et al. Variant interpretation using population databases: Lessons from gnomAD //Human mutation. – 2022. – Т. 43. – №. 8. – С. 1012-1030.
13. Li H., Durbin R. Fast and accurate short read alignment with Burrows–Wheeler transform //bioinformatics. – 2009. – Т. 25. – №. 14. – С. 1754-1760.
14. 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.
15. McLaren W. et al. The ensembl variant effect predictor //Genome biology. – 2016. – Т. 17. – №. 1. – С. 1-14.
16. 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.
17. Pollard K. S. et al. Detection of nonneutral substitution rates on mammalian phylogenies //Genome research. – 2010. – Т. 20. – №. 1. – С. 110-121.
18. 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.
19. 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.
20. Schwarz J. M. et al. MutationTaster2: mutation prediction for the deep-sequencing age //Nature methods. – 2014. – Т. 11. – №. 4. – С. 361-362.
21. Siepel A. et al. Evolutionarily conserved elements in vertebrate, insect, worm, and yeast genomes //Genome research. – 2005. – Т. 15. – №. 8. – С. 1034-1050.
22. 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.
23. 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.