SARS-CoV-2 RNA quantification using droplet digital RT-PCR
Notice bibliographique
Résumé
Abstract Quantitative viral load assays have transformed our understanding of – and ability to manage − viral diseases. They hold similar potential to advance COVID-19 control and prevention, but SARS-CoV-2 viral load tests are not yet widely available. SARS-CoV-2 molecular diagnostic tests, which typically employ real-time reverse transcriptase-polymerase chain reaction (RT-PCR), yield semi-quantitative results only. Reverse transcriptase droplet digital PCR (RT-ddPCR), a technology that partitions each reaction into 20,000 nanolitre-sized droplets prior to amplification, offers an attractive platform for SARS-CoV-2 RNA quantification. We evaluated eight primer/probe sets originally developed for real-time RT-PCR-based SARS-CoV-2 diagnostic tests for use in RT-ddPCR, and identified three (Charité-Berlin E-Sarbeco and Pasteur Institute IP2 and IP4) as the most efficient, precise and sensitive for RT-ddPCR-based SARS-CoV-2 RNA quantification. Analytical efficiency of the E-Sarbeco primer/probe set, for example, was ~83%, while assay precision, as measured by the coefficient of variation, was ~2% at 1000 input copies/reaction. Lower limits of quantification and detection for this primer/probe set were 18.6 and 4.4 input SARS-CoV-2 RNA copies/reaction, respectively. SARS-CoV-2 RNA viral loads in a convenience panel of 48 COVID-19-positive diagnostic specimens spanned a 6.2log 10 range, confirming substantial viral load variation in vivo . We further calibrated RT-ddPCR-derived SARS-CoV-2 E gene copy numbers against cycle threshold (C t ) values from a commercial real-time RT-PCR diagnostic platform. The resulting log-linear relationship can be used to mathematically derive SARS-CoV-2 RNA copy numbers from C t values, allowing the wealth of available diagnostic test data to be harnessed to address foundational questions in SARS-CoV-2 biology.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».