Impact of vaginal microbiome communities on HIV antiretroviral-based pre-exposure prophylaxis (PrEP) drug metabolism
Notice bibliographique
Résumé
Despite the efficacy of antiretroviral-based pre-exposure prophylactics (PrEP) in men who have sex with men, studies in women have produced widely varying outcomes. Recent evidence demonstrates that vaginal microbial communities are associated with increased HIV acquisition risk and may impact PrEP efficacy. Here, we investigate the mechanisms underlying how vaginal bacteria alter PrEP drug levels and impact HIV infection rates ex vivo. Using cervicovaginal lavages (CVLs) from women with or without bacterial vaginosis (BV), we identified microbial metabolism of PrEP drugs in BV samples through LC-MS/MS analysis of soluble drug levels and metabolite formation in dual T-cell cultures. CVL samples were assessed for microbiome analysis using sequencing of bacterial 16S rRNA genes. We also observed non-Lactobacillus bacteria that are associated with BV may potentially impact PrEP efficacy through increased HIV infection rates in co-cultures containing Lactobacillus or BV bacteria, PrEP drugs, CEM-GFP cells, and HIV-1LAI virus. Finally, we used these data to develop a novel predictive mathematical simulation modeling system to predict these drug interactions for future trials. These studies demonstrate how dysbiotic vaginal microbiota may impact PrEP drugs and provides evidence linking vaginal bacteria to PrEP efficacy in women.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».