A Robust, Safe and Scalable Magnetic Nanoparticle Workflow for RNA Extraction of Pathogens from Clinical and Environmental Samples
Notice bibliographique
Résumé
Abstract Diagnosis and surveillance of emerging pathogens such as SARS-CoV-2 depend on nucleic acid isolation from clinical and environmental samples. Under normal circumstances, samples would be processed using commercial proprietary reagents in Biosafety 2 (BSL-2) or higher facilities. A pandemic at the scale of COVID-19 has caused a global shortage of proprietary reagents and BSL-2 laboratories to safely perform testing. Therefore, alternative solutions are urgently needed to address these challenges. We developed an open-source method called M agnetic-nanoparticle- A ided V iral R NA I solation of C ontagious S amples (MAVRICS) that is built upon reagents that are either readily available or can be synthesized in any molecular biology laboratory with basic equipment. Unlike conventional methods, MAVRICS works directly in samples inactivated in acid guanidinium thiocyanate-phenol-chloroform (e.g., TRIzol), thus allowing infectious samples to be handled safely without biocontainment facilities. Using 36 COVID-19 patient samples, 2 wastewater samples and 1 human pathogens control sample, we showed that MAVRICS rivals commercial kits in validated diagnostic tests of SARS-CoV-2, influenza viruses, and respiratory syncytial virus. MAVRICS is scalable and thus could become an enabling technology for widespread community testing and wastewater monitoring in the current and future pandemics.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».