Discovering human immunodeficiency virus mutational pathways using temporal Bayesian networks

Hernández-Leal, Pablo; Rios-Flores, Alma; Ávila‐Ríos, Santiago; Reyes‐Terán, Gustavo; González, Jesús A.; Fiedler-Cameras, Lindsey; Orihuela‐Espina, Felipe; Morales, Eduardo F.; Sucar, L. Enrique

doi:10.1016/j.artmed.2013.01.005

Cited by 10 publications

(3 citation statements)

References 30 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…To leverage information from large cohorts and cross-sectional studies, different statistical models have been proposed to investigate mutational pathways leading to drug resistance. These approaches include several probabilistic graphical models, such as Markov processes [13]; a Markov model incorporating information from phylogenetic trees [4]; mutagenetic trees [3,14]; Bayesian networks [15][16][17][18][19]; discrete and continuous-time Conjunctive Bayesian Networks (CBN) [20,21]; and Suppes-Bayes Causal Networks (SBCN) [22]; as well as a Cox proportional-hazards model which is used to identify pairs of resistance mutations, in which one mutation alters the hazard of the other one [6].…”

Section: Introductionmentioning

confidence: 99%

Comparing mutational pathways to lopinavir resistance in HIV-1 subtypes B versus C

Posada-Céspedes

Zyl

Montazeri

et al. 2020

Preprint

View full text Add to dashboard Cite

Although combination antiretoviral therapies seem to be effective at controlling HIV-1 infections regardless of the viral subtype, there is increasing evidence for subtype-specific drug resistance mutations. The order and rates at which resistance mutations accumulate in different subtypes also remain poorly understood. Here, we present a methodology for the comparison of mutational pathways in different HIV-1 subtypes, based on Hidden Conjunctive Bayesian Networks (H-CBN), a probabilistic model for inferring mutational pathways from cross-sectional genotype data. We introduce a Monte Carlo sampling scheme for learning H-CBN models on a large number of resistance mutations and develop a statistical test to assess differences in the inferred mutational pathways between two groups. We apply this method to the temporal progression of mutations conferring resistance to the protease inhibitor lopinavir in a large cross-sectional data set of South African individuals living with HIV-1 subtype C, as well as a genotype data set of subtype B infections derived from the Stanford HIV Drug Resistance Database and the Swiss HIV Cohort Study. We find strong support for different initial mutational events in the protease, namely at residue 46 in subtype B and at residue 82 in subtype C. Our results also show that mutations can accumulate along various alternative paths within subtypes, as opposed to a unique total temporal ordering. Furthermore, the maximum likelihood mutational networks for subtypes B and C share only 7 edges (Jaccard distance 0.802) and imply many different evolutionary pathways. Beyond HIV drug resistance, the statistical methodology is applicable more generally for the comparison of inferred mutational pathways between any two groups.Author summaryThere is a disparity in the distribution of infections by HIV-1 subtype in the world. Subtype B is predominant in America, Western Europe and Australia, and most therapeutic strategies are based on research and clinical studies on this subtype. However, non-B subtypes represent the majority of global HIV-1 infections; e.g., subtype C alone accounts for nearly half of all HIV-1 infections. We present a statistical framework enabling the comparison of patterns of accumulating mutations in different HIV-1 subtypes. Specifically, we study lopinavir resistance pathways in HIV-1 subtypes B versus C, but the methodology can be generally applied to compare the temporal ordering of genetic events in different subgroups.

show abstract

Section: Introductionmentioning

confidence: 99%

Comparing mutational pathways to lopinavir resistance in HIV-1 subtypes B versus C

Posada-Céspedes

Zyl

Montazeri

et al. 2020

Preprint

View full text Add to dashboard Cite

show abstract

“…Outra estrutura de destaque nesse mapeamento são as Redes Bayesianas, que possuem uma abordagem estatística em sua formação. As Redes Bayesianas foram aplicadas nas fases de extração e pós-processamento (DELGADO et al, 2018;CAI et al, 2017;SHENG et al, 2016;NEMATI;SANT'ANNA;NOWACZYK, 2016;HERNANDEZ-LEAL et al, 2013;ODEH;AL-NAJDAWI, 2013;VEDULA;THATAVARTI, 2011;ZHANG, 2011).…”

Section: Resultsunclassified

“…Disponibilidade de Base de Dados nos artigos estudados Fonte: Elaborada pelo autor.de recursos, ou mesmo por não conseguir mensurar algumas métricas específicas os artigos não efetuaram a demonstração desse processo. Para dados relacionados à saúde(DELGADO et al, 2018;MINELGA et al, 2017;INDHUMATHY;NABHAN;ARUMUGAM, 2017;TSAI et al, 2017;KIM et al, 2017;TURGEMAN;SCIULLI, 2017;MARTÍNEZ-BALLESTEROS et al, 2017;BELYI et al, 2016;HERNANDEZ-LEAL et al, 2013), a validação estatística transcreve os índices de acurácia dos métodos, além de possibilitar um comparativo com outras abordagens já existentes na literatura. Outros trabalhos que utilizam Redes Bayesianas(DELGADO et al, 2018;CAI et al, 2017;NEMATI;SANT'ANNA;NOWACZYK, 2016;IQBAL et al, 2014;ODEH;AL-NAJDAWI, 2013;ZHANG, 2011;VEDULA;THATAVARTI, 2011) também executam o estudo estatísticos, pois são a base para a construção desse tipo de Rede.A utilização de uma validação estatística foi possível em pesquisas relacionadas a Grafos e Redes (FAN;NAMAKI et al, 2017;ADARICHEVA;NATION, 2017;CAI et al, 2017;XU, 2016;SHEN, 2016; HENDRICKX et al, 2015) por fazerem uso de Medidas de Rede que podem auxiliar no processo de mineração de dados e geração de conhecimento.Estruturas de árvores de decisão foram utilizadas nas pesquisasde Li et al (2017) e Sheu et al (2016, além do trabalhode Wang et al (2018) que utiliza árvores na validação estatística dos itemsets frequentes.Outros trabalhos também realizaram a validação estatística com o uso de métricas específicasSHENG et al, 2016;LI-XIONG et al, 2015) e em etapas de pós-processamento de Regras de Associação (PADUA;...…”

unclassified

Redes de regras de associação filtradas e multialvo

Calçada¹

View full text Add to dashboard Cite

Este trabalho é dedicado à minha família em todos os planos da vida AGRADECIMENTOS Agradecimentos são sempre feitos de forma simples e direta citando nomes e elementos de uma forma geral que contribuíram com este trabalho. Farei um pouco diferente, pois são nas diferenças que percebemos o quanto a nossa vitória realmente compensou.Dizer que agradeço a Deus é muito pouco diante de tamanha dívida que possuo com o criador. Graças a Ele, tive e tenho a oportunidade de usufruir de uma reencarnação repleta de aprendizados, sendo a conclusão deste trabalho de grande importância em minha vida. Não tendo realmente outras palavras, simplesmente digo OBRIGADO SENHOR! Muito mais que uma orientadora, uma amiga e quase uma mãe, acima de tudo alguém que confiou em mim, no meu potencial. Ela me motivou desde o início, mesmo antes de saber que seria minha orientadora, e continua me inspirando a seguir firme, em frente, e a sempre "defender meu cinturão" após o doutorado. Prof a Solange Rezende, obrigado pela veracidade e pelo norteamento de minha vida acadêmica e pessoal, tornando-me um cientista da computação de verdade e um ser humano melhor.Agradecer a todos que contribuíram diretamente com os experimentos e estudos. Meu amigo Renan pelo tempo compartilhado em várias conversas e debates nos estudos de Mineração de Regras de Associação. Minhas "protetoras" Ivone, Roberta e Camila que me auxiliaram em tantas oportunidades, não só com orientações e sugestões sobre o trabalho, mas também sobre aspectos de minha vida pessoal.Agradecer aos demais membros da equipe SOL que tive o prazer de conviver. João Antunes, Ricardo Scheicher, Ricardo Marcacini, Vítor e Dildre, além dos outros que contribuíram bastante comigo, mesmo sem saber. Agradecer a todos do LABIC, na pessoa dos professores Alneu e Gustavo, e de todos seus orientandos, por me acolherem tão bem e me ensinarem que para crescer profissionalmente a gente DEVE compartilhar.Meu muito obrigado aos professores do Programa de Pós-graduação em Ciências da Computação e Matemática Computacional da USP em São Carlos pela paciência a mim direcionada e pelas disciplinas fundamentais em minha formação, destaco o Professor Cláudio Toledo que se tornou um parceiro de pesquisa e um amigo para o resto da vida. A todos os funcionários da USP que eu tanto "perturbei", muito obrigado! Emano gratidão a todos que coordenaram esse programa durante a minha passagem, em especial ao professor Ades que muitas vezes pareceu que estava atendendo a um parente próximo bem querido quando eu a ele me dirigia para tirar dúvidas e principalmente pedir ajuda. Ajuda que nunca foi negada.Às vezes agradecemos pela realização de sonhos, principalmente àqueles que nem sabíamos que poderiam ser realizados, por isso agradeço à UESPI e à USP-São Carlos por possibilitarem que eu fizesse um doutorado na melhor Universidade da América Latina, e ainda com nota 7 da CAPES, algo inimaginável para mim.Agradecimento a todos os meus colegas de DINTER, que mesmo sem a possibilidade de convivermos durante todo o processo do douto...

show abstract

Dynamic and Temporal Bayesian Networks

Sucar

2015

Probabilistic Graphical Models

View full text Add to dashboard Cite

Discovering human immunodeficiency virus mutational pathways using temporal Bayesian networks

Cited by 10 publications

References 30 publications

Comparing mutational pathways to lopinavir resistance in HIV-1 subtypes B versus C

Comparing mutational pathways to lopinavir resistance in HIV-1 subtypes B versus C

Redes de regras de associação filtradas e multialvo

Dynamic and Temporal Bayesian Networks

Contact Info

Product

Resources

About