Определение мутаций в гене CFTR методом секвенирования следующего поколения (NGS) в крови (CFTR gene analysis by Next-Generation Sequencing (NGS) in blood)

Для оформления несовершеннолетних пациентов (до 18 лет) требуется присутствие законного представителя (родителя, опекуна и т.д.) с документом, удостоверяющим личность.

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.

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.

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

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 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.