Comparison of SARS-CoV-2 Indirect and Direct Detection Methods
Notice bibliographique
Résumé
ABSTRACT The COVID-19 pandemic caused by the SARS-CoV-2 virus has placed extensive strain on RNA isolation and RT-qPCR reagents. Rapid development of new test kits has helped to alleviate these shortages. However, comparisons of these new detection systems are largely lacking. Here, we compare indirect methods that require RNA extraction, and direct RT-qPCR on patient samples. For RNA isolation we compared four different companies (Qiagen, Invitrogen, BGI and Norgen Biotek). For detection we compared two recently developed Taqman-based modules (BGI and Norgen Biotek), a SYBR green-based approach (NEB Luna Universal One-Step Kit) with published and newly-developed primers, and clinical results (Seegene STARMag RNA extraction system and Allplex 2019-nCoV RT-qPCR assay). Most RNA isolation procedures performed similarly, and while all RT-qPCR modules effectively detected purified viral RNA, the BGI system proved most sensitive, generating comparable results to clinical diagnostic data, and identifying samples ranging from 65 copies – 2.1×10 5 copies of viral Orf1ab/μl. However, the BGI detection system is ∼4x more expensive than other options tested here. With direct RT-qPCR we found that simply adding RNase inhibitor greatly improved sensitivity, without need for any other treatments (e.g. lysis buffers or boiling). The best direct methods were ∼10 fold less sensitive than indirect methods, but reduce sample handling, as well as assay time and cost. These studies will help guide the selection of COVID-19 detection systems and provide a framework for the comparison of additional systems.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».