Sovet Azhayev

Sovet Azhayev

Auto-generated profile, based on publicly available information

Sovet Azhayev

Faculty of Medicine, Khoja Akhmet Yassawi International Kazakh-Turkish University, Turkestan, Kazakhstan

Research Focus & Metrics

Academic Career Length

3Years (2024-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
7 September 2025 in Journal of Clinical Medicine of Kazakhstan
Verified
Journal Article
Open access
NYNigara Yerkhojayeva
Nigara Yerkhojayeva
NZNazira нет Zharkinbekova
Nazira нет Zharkinbekova
SASovet Azhayev
Sovet Azhayev
AOAinash Oshibayeva
Ainash Oshibayeva
НNНұрдинов Нұрсұлтан Nuskabayeva
Нұрдинов Нұрсұлтан Nuskabayeva
RKRauan Kaiyrzhanov
Rauan Kaiyrzhanov
Introduction: Complex neurological phenotypes (CNPs) in pediatric patients often involve multiple coexisting syndromes that challenge conventional diagnostic pathways. In the present study, we evaluated the diagnostic algorithm developed by our team—“Deep Phenotyping–Based Diagnostic Algorithm for Complex Neurological Phenotypes”—which integrates deep phenotyping and genomics. Methods: In this single-center retrospective study, 28 children (0–18 years) with CNPs were assessed at the Diagnostic Center Clinic of Khoja Akhmet Yassawi International Kazakh-Turkish University between January and December 2023. Clinical features were encoded as standardized Human Phenotype Ontology (HPO) terms, which were entered into the Phenomizer platform to generate ranked candidate genes. Proband whole exome sequencing (WES) was performed for all participants. Reverse phenotyping re-examined clinical data in light of genetic findings. The algorithm’s diagnostic yield and concordance between prioritization and confirmed diagnoses were analyzed descriptively. Results: A molecular diagnosis was established in 14 of 28 patients (50%). Confirmed etiologies included monogenic neurodevelopmental syndromes, metabolic disorders, mitochondrial encephalopathy, craniosynostosis, and chromosomal aberrations. In all single-gene cases, the causal gene ranked within Phenomizer’s top five candidates. Reverse phenotyping corroborated genotype–phenotype correlations and revealed additional clinical features in select patients. Conclusions: This multi-step algorithm achieved a 50 % diagnostic yield—exceeding typical WES-only approaches—and demonstrated robust concordance between phenotype-driven prioritization and molecular results. The framework is feasible in resource-limited settings and may streamline the genetic workup of complex pediatric neurological disorders.

30 December 2024 in Наука и здравоохранение
Verified
Journal Article
Open access
НЕН.х. Ерходжаева
Н.х. Ерходжаева
NZNazira нет Zharkinbekova
Nazira нет Zharkinbekova
САС.а. Ажаев
С.а. Ажаев
SRSandugash Rustemova
Sandugash Rustemova
ЛСЛ.к. Сайфуллаева
Л.к. Сайфуллаева
РКР.б. Кайыржанов
Р.б. Кайыржанов
Введение. Труднодиагностируемые неврологические заболевания у детей, включая эпилептические энцефалопатии (ЭЭ), нейродегенеративные заболевания (НДЗ) и комплексные неврологические фенотипы (КНФ), характеризуются высокой генетической гетерогенностью и клиническим полиморфизмом. Глубокое фенотипирование в сочетании с экзомным секвенированием может повысить точность диагностики и выявления молекулярно-генетических причин этих патологий. Целью настоящей работы является глубокое фенотипирование пациентов с ЭЭ, НДЗ, КНФ и выявление молекулярно-генетических причин их путем экзомного секвенирования среди детей Туркестанского региона для совершенствования диагностики. Методы. Проведено многоцентровое кросс-секционное исследование 79 детей с предположительно наследственной патологией, отобранных из 250 пациентов с труднодиагностируемыми неврологическими нарушениями. Диагностика включала клинико-неврологическое обследование, глубокое фенотипирование (точный и всесторонний анализ фенотипических отклонений) с использованием HPO и Phenomizer, экзомное секвенирование для выявления однонуклеотидных вариантов (SNV) и вариаций числа копий (CNV). Произведен частотный анализ - расчет описательных статистик для дискретных данных (средние величины - среднее арифметическое, относительные величины – интенсивный показатель) с использованием программного обеспечения IBM SPSS Statistics 29.0.1.0. Результаты. Экзомное секвенирование выявило генетические вариации у 51,9% пациентов: 87,8% SNV и 12,2% CNV. Патогенные и вероятно патогенные SNV составили 75%. Глубокое фенотипирование позволило классифицировать пациентов на группы: ЭЭ (15,2%), НДЗ (49,4%), КНФ (35,4%) и выявить частые клинические проявления (судорожный синдром – 68,3%, малые аномалии развития – 60,7%, тяжелые двигательные расстройства – 46,2%). Обратное фенотипирование подтвердило клиническую значимость выявленных мутаций. Выводы: Результаты показывают важность глубокого фенотипирования и экзомного секвенирования в диагностике редких неврологических заболеваний. Включение этих методов в клиническую практику повышает точность диагностики и способствует выявлению молекулярных механизмов патологий, особенно в регионах с ограниченным доступом к молекулярно-генетическим исследованиям. Исследование вносит вклад в глобальную геномику, расширяя представления о молекулярных основах редких неврологических заболеваний. Introduction. Hard-to-diagnose neurological disorders in children, including epileptic encephalopathies (EE), neurodegenerative diseases (NDD), and complex neurological phenotypes (CNP), are characterized by high genetic heterogeneity and clinical polymorphism. Deep phenotyping combined with exome sequencing can improve diagnostic accuracy and the identification of the molecular-genetic causes of these pathologies. This study aims to improve diagnostics by conducting deep phenotyping of patients with EE, NDD, and CNP and identifying their molecular-genetic causes through exome sequencing among children in the Turkestan region. Materials and Methods. A multicenter cross-sectional study was conducted on 79 children with suspected hereditary pathology, selected from a cohort of 250 patients with hard-to-diagnose neurological disorders. The diagnostic approach included clinical-neurological examination, deep phenotyping (precise and comprehensive analysis of phenotypic abnormalities) using HPO and Phenomizer, and exome sequencing to identify single nucleotide variants (SNVs) and copy number variations (CNVs). A frequency analysis was performed, calculating descriptive statistics for discrete data (mean values – arithmetic mean, relative values – intensive indicator) using IBM SPSS Statistics 29.0.1.0 software. Results. Exome sequencing revealed genetic variations in 51.9% of patients: 87.8% SNVs and 12.2% CNVs. Pathogenic and likely pathogenic SNVs accounted for 75%. Deep phenotyping enabled the classification of patients into groups: EE (15.2%), NDD (49.4%), and CNP (35.4%) and identified common clinical manifestations...