Rapid and Sensitive Detection of SARS-CoV-2 Infection Using Quantitative Peptide Enrichment LC-MS Analysis
Notice bibliographique
Résumé
Abstract Reliable, robust, large-scale molecular testing for SARS-CoV-2 is essential for monitoring the ongoing Covid-19 pandemic. We have developed a scalable analytical approach to detect viral proteins based on peptide immunoaffinity enrichment combined with liquid chromatography - mass spectrometry (LC-MS). This is a multiplexed strategy, based on targeted proteomics analysis and read-out by LC-MS, capable of precisely quantifying and confirming the presence of SARS-CoV-2 in PBS swab media from combined throat/nasopharynx/saliva samples. The results reveal that the levels of SARS-CoV-2 measured by LC-MS correlate well with their corresponding RT-PCR readout (r=0.79). The analytical workflow shows similar turnaround times as regular RT-PCR instrumentation with a quantitative readout of viral proteins corresponding to cycle thresholds (Ct) equivalents ranging from 21 to 34. Using RT-PCR as a reference, we demonstrate that the LC-MS-based method has 100% negative percent agreement (estimated specificity) and 95% positive percent agreement (estimated sensitivity) when analyzing clinical samples collected from asymptomatic individuals with a Ct within the limit of detection of the mass spectrometer (Ct ≤30). These results suggest that a scalable analytical method based on LC-MS has a place in future pandemic preparedness centers to complement current virus detection technologies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».