SARS-CoV-2 RNA Quantification Using Droplet Digital RT-PCR
Notice bibliographique
Résumé
Quantitative viral load assays have transformed our understanding of 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 RT-PCR, yield semiquantitative results only. Droplet digital RT-PCR (RT-ddPCR) offers an attractive platform for SARS-CoV-2 RNA quantification. Eight primer/probe sets originally developed for real-time RT-PCR–based SARS-CoV-2 diagnostic tests were evaluated for use in RT-ddPCR; three were identified as the most efficient, precise, and sensitive for RT-ddPCR–based SARS-CoV-2 RNA quantification. For example, the analytical efficiency for the E-Sarbeco primer/probe set was approximately 83%, whereas assay precision, measured as the coefficient of variation, was approximately 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 . RT-ddPCR–derived SARS-CoV-2 E gene copy numbers were further calibrated against cycle threshold values from a commercial real-time RT-PCR diagnostic platform. This log-linear relationship can be used to mathematically derive SARS-CoV-2 RNA copy numbers from cycle threshold 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 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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,004 |
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 ».