Modelleren van HIV-1 evolutie onder immuun en therapie selectieve druk met behulp van computationele methoden.

Kennis over de relatie tussen virus genotype en resistentie fenotype laat toe om HIV-1 antiretrovirale therapie te optimaliseren door een actieve drug combinatie te kiezen voor elke individuele patiënt. Virus gevoelig aan therapie kan echter na een tijd resistentie mutaties selecteren en daarom moet de keuze voor een bepaalde therapie ook deels rekening houden met de impact van bestaande genetische virus variabiliteit op de verwachte tijd tot resistentie ontwikkeling, ook wel de genetische barrière genoemd. Deze aanpak vereist verbeterde inzichten in virus evolutie processen onder de selectieve druk van therapie. Het toepassen van statistische en computationele methoden maken het mogelijk om resistentie ontwikkeling en mutatie patronen in kaart te brengen alsook de invloed van deze patronen op virale fitness. Meer nog, het voorspellen van therapie uitkomst op lange termijn kan gevoelig verbeterd worden door gastheer- en therapie-gerelateerde variabelen toe te voegen aan het predictie model. Deze factoren hebben geen invloed op het intrinsieke patroon van resistentie ontwikkeling, maar zijn eerder bepalend voor de mate van virale replicatie en dus de snelheid van virale evolutie. Deze methoden vereisen echter intensieve rekenkracht en zogenaamde supercomputing technieken bieden hiervoor een kost-effectieve oplossing.

Trefwoorden:Prediction, Mutation, Evolution, HIV-1, Diversity, Fitness

Disciplines:Microbiologie, Systeembiologie, Laboratoriumgeneeskunde