机器学习增强了D1,NEF和Tat影响艾滋病毒水库动态的证据

科学领域:

• 病毒学 病毒学
• 免疫学 免疫学 免疫学
• 遗传学 是一个遗传学.

背景情况:

• 在感染早期建立持久的HIV储存库是实现治愈的主要障碍.
• 了解储存库内的前病毒序列的进化动态对于开发新型治疗策略至关重要.

研究的目的:

• 用纵向序列数据来描述完整的HIV储库的衰变动态.
• 使用机器学习识别与前病毒衰变和持久性相关的特定HIV基因组元素.

主要方法:

• 对接受抗逆转录病毒治疗的个体的纵向近全长HIV-1序列的分析.
• 应用贝叶斯混合效应模型来评估单相和多相衰变模型.
• 开发一种机器学习后勤回归模型,以确定前病毒衰变和持久性的基因组相关性.

主要成果:

• 双相衰变模型提供了比单相模型更好的完整的HIV储库动态.
• 据估计,完整水库的半衰期为18.2个月 (快速阶段) 和433个月 (缓慢阶段).
• 机器学习确定了拼接供体位点D1作为与水库收缩相关的关键元素,而HIV nef和tat分别与T细胞保护和克隆扩张有关.

结论:

• 长期存在的艾滋病毒存储库包括至少两个不同的分区,它们的衰变速度不同.
• 特定的HIV基因组元素施加相反的力量,影响储体收缩 (例如,D1) 和持久/扩张 (例如,nef,tat).
• 这些发现提供了对随着时间的推移塑造艾滋病毒储存库的复杂力量的关键见解,并建议潜在的治疗点.