Highly Sensitive and Specific Multiplex Antibody Assays To Quantify Immunoglobulins M, A, and G against SARS-CoV-2 Antigens
Notice bibliographique
Résumé
Reliable serological tests are required to determine the prevalence of antibodies against severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) and to characterize immunity to the disease in order to address key knowledge gaps in the coronavirus disease 2019 (COVID-19) pandemic. Quantitative suspension array technology (qSAT) assays based on the xMAP Luminex platform overcome the limitations of rapid diagnostic tests and enzyme-linked immunosorbent assays (ELISAs) with their higher precision, dynamic range, throughput, miniaturization, cost-efficiency, and multiplexing capacity. We developed three qSAT assays for IgM, IgA, and IgG against a panel of eight SARS-CoV-2 antigens, including spike protein (S), nucleocapsid protein (N), and membrane protein (M) constructs. The assays were optimized to minimize the processing time and maximize the signal-to-noise ratio. We evaluated their performances using 128 prepandemic plasma samples (negative controls) and 104 plasma samples from individuals with SARS-CoV-2 diagnosis (positive controls), of whom 5 were asymptomatic, 51 had mild symptoms, and 48 were hospitalized. Preexisting IgG antibodies recognizing N, M, and S proteins were detected in negative controls, which is suggestive of cross-reactivity to common-cold coronaviruses. The best-performing antibody/antigen signatures had specificities of 100% and sensitivities of 95.78% at ≥14 days and 95.65% at ≥21 days since the onset of symptoms, with areas under the curve (AUCs) of 0.977 and 0.999, respectively. Combining multiple 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 the prevalence of exposure to novel pathogens in a population. Our assays will allow gaining insights into antibody correlates of immunity and their kinetics, required for vaccine development to combat the COVID-19 pandemic.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».