Microfluidic Nano-Scale qPCR Enables Ultra-Sensitive and Quantitative Detection of SARS-CoV-2
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A major challenge in controlling the COVID-19 pandemic is the high false-negative rate of the commonly used RT-PCR methods for SARS-CoV-2 detection in clinical samples. Accurate detection is particularly challenging in samples with low viral loads that are below the limit of detection (LoD) of standard one- or two-step RT-PCR methods. In this study, we implemented a three-step approach for SARS-CoV-2 detection and quantification that employs reverse transcription, targeted cDNA preamplification, and nano-scale qPCR based on a commercially available microfluidic chip. Using SARS-CoV-2 synthetic RNA and plasmid controls, we demonstrate that the addition of a preamplification step enhances the LoD of this microfluidic RT-qPCR by 1000-fold, enabling detection below 1 copy/µL. We applied this method to analyze 182 clinical NP swab samples previously diagnosed using a standard RT-qPCR protocol (91 positive, 91 negative) and demonstrate reproducible and quantitative detection of SARS-CoV-2 over five orders of magnitude (<1 to 106 viral copies/µL). Crucially, we detect SARS-CoV-2 with relatively low viral load estimates (<1 to 40 viral copies/µL) in 17 samples with negative clinical diagnosis, indicating a potential false-negative rate of 18.7% by clinical diagnostic procedures. In summary, this three-step nano-scale RT-qPCR method can robustly detect SARS-CoV-2 in samples with relatively low viral loads (<1 viral copy/µL) and has the potential to reduce the false-negative rate of standard RT-PCR-based diagnostic tests for SARS-CoV-2 and other viral infections.
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.
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 | 0,001 |
| 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 découle