Immunoglobulin-G Enzyme-Linked Immunosorbent Assay Predicts Neutralising Antibody Response in Convalescent SARS-CoV-2 Patients
Notice bibliographique
Résumé
Abstract Severe acute respiratory coronavirus 2 (SARS-CoV-2) has spread globally since its emergence in 2019. Most SARS-CoV-2 infections generate immune responses leading to rising levels of immunoglobulins (Ig) M, A and G which can be detected using diagnostic tests including enzyme-linked immunosorbent assays (ELISA). Whilst implying previous SARS-CoV-2 infection, the detection of Ig by ELISA does not guarantee the presence of neutralising antibodies (NAb) that can prevent the virus infecting cells. Plaque reduction neutralisation tests (PRNT) detect NAb but are not amenable to mass testing as they take several days and require use of viable SARS-CoV-2 in high biocontainment laboratories. We evaluated the ability of IgG and IgM ELISAs targeting SARS-CoV-2 spike subunit 1 (S1) and nucleocapsid protein (NP) at predicting the presence and magnitude of NAb determined by PRNT. SARS-CoV-2 IgG ELISA correlated well with NAb and was highly sensitive (93.8% [95% CI 79.2–99.2]) and specific (88.9% [95% CI 51.8–99.7%]) at predicting the presence of NAb. There was not a strong correlation between IgM ELISA and PRNT result. IgG ELISA provides a useful, high throughput method of predicting the presence of neutralising antibodies, with higher ELISA results increasing the likelihood of having a greater NAb titre.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 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) | 0,001 | 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 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 ».