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 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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».