Modelling the evolution of <scp>HIV</scp>‐1 virulence in response to imperfect therapy and prophylaxis
Notice bibliographique
Résumé
Average HIV-1 virulence appears to have evolved in different directions in different host populations since antiretroviral therapy first became available, and models predict that HIV drugs can select for either higher or lower virulence, depending on how treatment is administered. However, HIV virulence evolution in response to "leaky" therapy (treatment that imperfectly suppresses viral replication) and the use of preventive drugs (pre-exposure prophylaxis) has not been explored. Using adaptive dynamics, we show that higher virulence can evolve when antiretroviral therapy is imperfectly effective and that this evolution erodes some of the long-term clinical and epidemiological benefits of HIV treatment. The introduction of pre-exposure prophylaxis greatly reduces infection prevalence, but can further amplify virulence evolution when it, too, is leaky. Increasing the uptake rate of these imperfect interventions increases selection for higher virulence and can lead to counterintuitive increases in infection prevalence in some scenarios. Although populations almost always fare better with access to interventions than without, untreated individuals could experience particularly poor clinical outcomes when virulence evolves. These findings predict that antiretroviral drugs may have underappreciated evolutionary consequences, but that maximizing drug efficacy can prevent this evolutionary response. We suggest that HIV virulence evolution should be closely monitored as access to interventions continues to improve.
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 | 0,000 |
| 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 | 0,001 | 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 ».