The frequencies of naturally occurring protease inhibitor resistance mutations in HIV proviral sequences of drug naïve sex workers in Nairobi, Kenya and their correlation with host immune response driven positively selected mutations in HIV-1
Notice bibliographique
Résumé
Sub Saharan Africa accounts for 69% of the people living with HIV globally. Antiretroviral therapy (ART) has saved 9 million life years in Sub Saharan Africa. However, drug resistance mutations reduce the effectiveness of ART, and need to be monitored for effective ART. Naturally occurring primary antiretroviral drug resistance mutations have not been well analyzed in ART naïve HIV+ patients from Kenya. We examined protease inhibitor (PI) resistance mutations in ART naïve HIV-1 seropositive women from Pumwani sex worker cohort, established in Nairobi, Kenya, wherein HIV-1 infection is predominantly caused by subtypes A and D viruses. We have analyzed consensus sequences of HIV protease from 234 drug naïve patients, as a part of HIV-1 whole genome sequencing using 454 sequencing methodology. Analysis using HIVdb program revealed a prevalence of 0.56% of PI resistance major mutations (1/178; D30N) and 19.1% PI resistance minor mutations (34/178) among the study subjects. D30N mutation, which occurred along with minor mutations G48K and G73S, is known to confer high level resistance to nelfinavir. Several minor mutations were found at five different drug resistance sites. Positive selection analysis and correlation with disease progression revealed L10I, a PI resistance minor mutation and a positively selected mutation driven by host immune response, to be detrimental to host. This study provides valuable data on primary drug resistance in Kenyan HIV-1 infected patients before ART became available as well as HLA mediated immune pressure over HIV-1 protease.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».