ApharSeq: An Extraction-free Early-Pooling Protocol for Massively Multiplexed SARS-CoV-2 Detection
Notice bibliographique
Résumé
Abstract The global SARS-CoV-2 pandemic created a dire need for viral detection tests worldwide. Most current tests for SARS-CoV-2 are based on RNA extraction followed by quantitative reverse-transcription PCR assays. While automation and improved logistics increased the capacity of these tests, they cannot exceed the lower bound dictated by one extraction and one RT-PCR reaction per sample. Multiplexed next generation sequencing (NGS) assays provide a dramatic increase in throughput, and hold the promise of richer information including viral strains, host immune response, and multiple pathogens. Here, we establish a significant improvement of existing RNA-seq detection protocols. Our workflow, ApharSeq, includes a fast and cheap RNA capture step, that is coupled to barcoding of individual samples, followed by sample-pooling prior to the reverse transcription, PCR and massively parallel sequencing. Thus, only one non-enzymatic step is performed before pooling hundreds of barcoded samples for subsequent steps and further analysis. We characterize the quantitative aspects of the assay by applying ApharSeq to more than 500 clinical samples in a robotic workflow. The assay results are linear, and the empirical limit of detection is found to be Ct 33 (roughly 1000 copies/ml). A single ApharSeq test currently costs under 1.2$, and we estimate costs can further go down 3-10 fold. Similarly, we estimate a labor reduction of 10-100 fold, automated liquid handling of 5-10 fold, and reagent requirement reduction of 20-1000 fold compared to existing testing methods.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».