HIV Subtypes and Drug-resistance-associated Mutations in US Blood Donors, 2015–2020
Notice bibliographique
Résumé
Background: Monitoring genotypes of HIV infections in blood donors may provide insights into infection trends in the general population. Methods: HIV RNA was extracted from plasma samples of blood donors confirmed as HIV positive by blood screening nucleic acid and antibody tests. HIV genome target regions were amplified using nested real time-polymerase chain reaction followed by next-generation sequencing. Sequences were compared to those in the Los Alamos National Laboratory (LANL) database. Sequences were also assessed for drug resistance mutations (DRM) using the Stanford HIV DRM Database. Results: From available HIV-positive donations collected between 1 September 2015 and 31 December 2020, 563 of 743 (75.8%) were successfully sequenced; 4 were subtype A, 543 subtype B, 5 subtype C, 1 subtype G, 5 circulating recombinant forms (CRF), and 2 were subtype B and D recombinants. Overall, no significant differences between blood donor and available LANL genotypes were found, and the genotypes of newly acquired versus prevalent HIV infections in donors were similar. The proportion of non-B subtypes and CRF remained a small fraction, with no other subtype or CRF representing more than 1% of the total. DRM were identified in 122 (21.6%) samples with protease inhibitor, nucleoside reverse transcriptase inhibitor and non-nucleoside reverse transcriptase inhibitor DRMs identified in 4.9%, 4.6% and 14.0% of samples, respectively. Conclusions: HIV genetic diversity and DRM in blood donors appear representative of circulating HIV infections in the US general population and may provide more information on infection diversity than sequences reported to LANL, particularly for recently transmitted infections.
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 | 0,000 | 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 ».