A High-Throughput NanoBiT-Based Serological Assay Detects SARS-CoV-2 Seroconversion
Notice bibliographique
Résumé
High-throughput detection strategies for antibodies against SARS-CoV-2 in patients recovering from COVID-19, or in vaccinated individuals, are urgently required during this ongoing pandemic. Serological assays are the most widely used method to measure antibody responses in patients. However, most of the current methods lack the speed, stability, sensitivity, and specificity to be selected as a test for worldwide serosurveys. Here, we demonstrate a novel NanoBiT-based serological assay for fast and sensitive detection of SARS-CoV-2 RBD-specific antibodies in sera of COVID-19 patients. This assay can be done in high-throughput manner at 384 samples per hour and only requires a minimum of 5 μL of serum or 10 ng of antibody. The stability of our NanoBiT reporter in various temperatures (4-42 °C) and pH (4-12) settings suggests the assay will be able to withstand imperfect shipping and handling conditions for worldwide seroepidemiologic surveillance in the post-vaccination period of the pandemic. Our newly developed rapid assay is highly accessible and may facilitate a more cost-effective solution for seroconversion screening as vaccination efforts progress.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
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 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 ».