自己整合型極端分類器に基づくHIV薬剤耐性の計算論的アプローチによる分類

科学分野:

• 計算生物学
• ウイルス学における機械学習
• 薬剤耐性予測

背景:

• ウイルス耐性はHIV治療の効果に大きく影響するため、高度な予測モデルが必要とされています。
• ヒト免疫不全ウイルス1型（HIV-1）は、免疫機能不全や日和見感染症を引き起こします。
• 既存の二値分類法では、中間的な耐性レベルを捉えることができません。

研究 の 目的:

• HIVプロテアーゼ、逆転写酵素、およびインテグラーゼ配列の3値分類のための新しい機械学習駆動型の計算アプローチを開発すること。
• 様々な阻害剤に対するHIV薬剤耐性の予測精度を向上させること。
• 臨床的に関連のある耐性レベルを捉える上での二値分類の限界に対処すること。

主な方法:

• モデル開発のために自己整合型極端分類器を利用しました。
• Restに対するOne（one-versus-rest）およびOneに対するOne（one-versus-one）の3値分類アプローチを適用しました。
• スタンフォード大学HIV薬剤耐性データベース（StDB）からの耐性データを利用しました。

主要な成果:

• 治療未経験患者由来の8つのHIVプロテアーゼおよび逆転写酵素配列で前向き検証を成功裏に実施しました。
• 0.913の感度、0.894の特異度、0.741の精度、および0.953のROC曲線下面積（平均値）という高いパフォーマンス指標を達成しました。
• 24週目における観察されたウイルス量減少と予測された結果との間の一貫性を示しました。

結論:

• 開発された計算アプローチは、HIV薬剤耐性の予測に有望であることを示しています。
• 前向き検証の結果は、治療転帰と一致しています。
• このモデルは、HIV患者の最適な治療レジメンの選択を支援することができます。