Resilient SARS-CoV-2 diagnostics workflows including viral heat inactivation
Notice bibliographique
Résumé
Abstract There is a worldwide need for reagents to perform SARS-CoV-2 detection. Some laboratories have implemented kit-free protocols, but many others do not have the capacity to develop these and/or perform manual processing. We provide multiple workflows for SARS-CoV-2 nucleic acid detection in clinical samples by comparing several commercially available RNA extraction methods: QIAamp Viral RNA Mini Kit (QIAgen), RNAdvance Blood/Viral (Beckman) and Mag-Bind Viral DNA/RNA 96 Kit (Omega Bio-tek). We also compared One-step RT-qPCR reagents: TaqMan Fast Virus 1-Step Master Mix (FastVirus, ThermoFisher Scientific), qPCRBIO Probe 1-Step Go Lo-ROX (PCR Biosystems) and Luna ® Universal Probe One-Step RT-qPCR Kit (Luna, NEB). We used primer-probes that detect viral N (EUA CDC) and RdRP (PHE guidelines). All RNA extraction methods provided similar results. FastVirus and Luna proved most sensitive. N detection was more reliable than that of RdRP, particularly in samples with low viral titres. Importantly, we demonstrate that treatment of nasopharyngeal swabs with 70 degrees for 10 or 30 min, or 90 degrees for 10 or 30 min (both original variant and B 1.1.7) inactivates SARS-CoV-2 employing plaque assays, and that it has minimal impact on the sensitivity of the qPCR in clinical samples. These findings make SARS-CoV-2 testing portable to settings that do not have CL-3 facilities. In summary, we provide several testing pipelines that can be easily implemented in other laboratories and have made all our protocols and SOPs freely available at https://osf.io/uebvj/ .
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».