Does antiretroviral treatment change HIV-1 codon usage patterns in its genes: a preliminary bioinformatics study
Notice bibliographique
Résumé
BACKGROUND: Codon usage bias has been described for various organisms and is thought to contribute to the regulation of numerous biological processes including viral infections. HIV-1 codon usage has been previously shown to be different from that of other viruses and man. It is evident that the antiretroviral drugs used to restrict HIV-1 replication also select for resistance variants. We wanted to test whether codon frequencies in HIV-1 sequences from treatment-experienced patients differ from those of treatment-naive individuals due to drug pressure affecting codon usage bias. RESULTS: We developed a JavaScript to determine the codon frequencies of aligned nucleotide sequences. Irrespective of subtypes, using HIV-1 pol sequences from 532 treatment-naive and 52 treatment-experienced individuals, we found that pol sequences from treatment-experienced patients had significantly increased AGA (arginine; p = 0.0002***) and GGU (glycine; p = 0.0001***), and decreased AGG (arginine; p = 0.0001***) codon frequencies. The same pattern was not observed when subtypes B and C sequences were analyzed separately. Additionally, irrespective of subtypes, using HIV-1 gag sequences from 524 treatment-naive and 54 treatment-experienced individuals, gag sequences from treatment-experienced patients had significantly increased CUA (leucine; p < 0.0001***), CAG (glutamine; p = 0.0006***), AUC (isoleucine; p < 0.0001***) and UCU (serine; p = 0.0005***), and decreased AUA (isoleucine; p = 0.0003***) and CAA (glutamine; p = 0.0006***) codon frequencies. CONCLUSION: Using pol and gag genes derived from the same HIV-1 genome, we show that antiretroviral therapy changed certain HIV-1 codon frequencies in a subtype specific way.
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 ».