Comparison of Population and 454 “Deep” Sequence Analysis for HIV Type 1 Tropism Versus the Original Trofile Assay in Non-B Subtypes
Notice bibliographique
Résumé
HIV-1 tropism can be predicted using V3 genotypic algorithms. The performance of these prediction algorithms for non-B subtypes is poorly characterized. Here, we use these genotypic algorithms to predict viral tropism of HIV-1 subtype A, B, C, and D to find apparent sensitivity, specificity, and concordance against a recombinant phenotypic assay, the original Trofile assay. This is a substudy of an epidemiological study (Pfizer A4001064). Plasma samples were selected to represent a large number of DM/X4 and R5 viruses. The HIV-1 env gene V3 loop was genotyped by Sanger sequencing (N=260) or 454 "deep" sequencing (N=280). Sequences were scored with g2p[coreceptor], PSSM X4/R5, PSSM SI/NSI, and PSSM subtype C matrices. Overall, non-B subtypes tropism prediction had similar concordance and apparent sensitivity and specificity as subtype B in predicting Trofile's results in both population sequencing (81.3%, 65.6%, and 90.5% versus 84.2%, 78.5%, and 88.2%) and 454 "deep" sequencing (82.3%, 80.0%, and 83.6% versus 86.8%, 92.0%, and 82.6%) using g2p[coreceptor]. By population sequencing, subtype A had lower sensitivity, whereas subtype D had lower specificity for non-R5 predictions, both in comparison to subtype B. 454 "deep" sequencing improved subtype A sensitivity but not subtype D. Subtype C had greater concordance than subtype B regardless of sequencing methods. In conclusion, genotypic tropism prediction algorithms may be applied to non-B HIV-1 subtypes with caution. Collective analysis of non-B subtypes revealed a performance similar to subtype B, whereas a subtype-specific analysis revealed overestimation (subtype D) or underestimation (subtype A).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».