Next-Generation Sequencing for HIV Drug Resistance Testing: Laboratory, Clinical, and Implementation Considerations
Notice bibliographique
Résumé
Higher accessibility and decreasing costs of next generation sequencing (NGS), availability of commercial kits, and development of dedicated analysis pipelines, have allowed an increasing number of laboratories to adopt this technology for HIV drug resistance (HIVDR) genotyping. Conventional HIVDR genotyping is traditionally carried out using population-based Sanger sequencing, which has a limited capacity for reliable detection of variants present at intra-host frequencies below a threshold of approximately 20%. NGS has the potential to improve sensitivity and quantitatively identify low-abundance variants, improving efficiency and lowering costs. However, some challenges exist for the standardization and quality assurance of NGS-based HIVDR genotyping. In this paper, we highlight considerations of these challenges as related to laboratory, clinical, and implementation of NGS for HIV drug resistance testing. Several sources of variation and bias occur in each step of the general NGS workflow, i.e., starting material, sample type, PCR amplification, library preparation method, instrument and sequencing chemistry-inherent errors, and data analysis options and limitations. Additionally, adoption of NGS-based HIVDR genotyping, especially for clinical care, poses pressing challenges, especially for resource-poor settings, including infrastructure and equipment requirements and cost, logistic and supply chains, instrument service availability, personnel training, validated laboratory protocols, and standardized analysis outputs. The establishment of external quality assessment programs may help to address some of these challenges and is needed to proceed with NGS-based HIVDR genotyping adoption.
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) | 0,001 | 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 ».