Highly sensitive and specific multiplex antibody assays to quantify immunoglobulins M, A and G against SARS-CoV-2 antigens
Notice bibliographique
Résumé
ABSTRACT Reliable serological tests are required to determine the prevalence of antibodies against SARS-CoV-2 antigens and to characterise immunity to the disease in order to address key knowledge gaps in the context of the COVID-19 pandemic. Quantitative suspension array technology (qSAT) assays based on the xMAP Luminex platform overcome the limitations of rapid diagnostic tests and ELISA with their higher precision, dynamic range, throughput, miniaturization, cost-efficacy and multiplexing capacity. We developed three qSAT assays to detect IgM, IgA and IgG to a panel of eight SARS-CoV-2 antigens including spike (S), nucleoprotein (N) and membrane (M) protein constructs. The assays were optimized to minimize processing time and maximize signal to noise ratio. We evaluated the performance of the assays using 128 plasmas obtained before the COVID-19 pandemic (negative controls) and 115 plasmas from individuals with SARS-CoV-2 diagnosis (positive controls), of whom 8 were asymptomatic, 58 had mild symptoms and 49 were hospitalized. Pre-existing IgG antibodies recognizing N, M and S2 proteins were detected in negative controls suggestive of cross-reactive to common cold coronaviruses. The best performing antibody isotype/antigen signatures had specificities of 100% and sensitivities of 94.94% at ≥14 days since the onset of symptoms and 96.08% at ≥21 days since the onset of symptoms, with AUC of 0.992 and 0.999, respectively. Combining multiple antibody markers as assessed by qSAT assays has the highest efficiency, breadth and versatility to accurately detect low-level antibody responses for obtaining reliable data on prevalence of exposure to novel pathogens in a population. Our assays will allow gaining insights into antibody correlates of immunity required for vaccine development to combat pandemics like the COVID-19.
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 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».