Mass Spectrometric detection of SARS-CoV-2 virus in scrapings of the epithelium of the nasopharynx of infected patients via Nucleocapsid N protein
Notice bibliographique
Résumé
ABSTRACT Detection of viral RNA by PCR is currently the main diagnostic tool for COVID-19 [1]. The PCR-based test, however, shows limited sensitivity, especially at early and late stages of the disease development [2,3], and is relatively time consuming. Fast and reliable complementary methods for detecting the viral infection would be of help in the current pandemia conditions. Mass-spectrometry is one of such possibilities. We have developed a mass-spectrometry based method for the detection of the SARS CoV-2 virus in nasopharynx epithelial swabs, based on the detection of the viral nucleocapsid N protein. The N protein of the SARS-COV-2 virus, the most abundant protein in the virion, is the best candidate for mass-spectrometric detection of the infection, and MS-based detection of several peptides from the SARS-COoV-2 nucleoprotein has been reported earlier by the Sinz group [4]. Our approach shows confident identification of the N protein in patient samples even with the lowest viral loads and a much simpler preparation procedure. Our main protocol consists of virus inactivation by heating and adding of isopropanol, and tryptic digestion of the proteins sedimented from the swabs followed by MS analysis. A set of unique peptides, produced as a result of proteolysis of the nucleocapsid phosphoprotein of SARS-CoV-2, is detected. The obtained results can further be used to create fast parallel mass-spectrometric approaches for the detection of the virus in the nasopharyngeal mucosa, saliva, sputum and other physiological fluids.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».