Stability of SARS-CoV-2 IgG in multiple laboratory conditions and blood sample types
Notice bibliographique
Résumé
BACKGROUND: COVID-19 seroprevalence studies use serum/plasma samples to detect SARS-CoV-2 IgG. Data supporting alternate specimen types and freeze-thaw antibody stability is lacking. The stability of IgG and other immunoglobulins in multiple blood sample types stored in differing conditions and multiple freeze-thaw cycles (FTCs) was evaluated. MATERIALS AND METHODS: Serum, plasma, and heparinized-plasma samples were collected from COVID-19 recovered individuals. Samples underwent testing for SARS-CoV-2 antibodies upon collection, after each of 10-12 FTCs, and storage at -70°C, -20°C, 4°C, and room-temperature for 10-12 days using four high-throughput commercial assays, two rapid-test cassettes, a manual ELISA, and a surrogate neutralization assay. RESULTS: All three specimen types were collected from 34 COVID-19 recovered seropositive individuals (≥21 days post-symptoms). Using the Architect and Liaison assays, a positive qualitative SARS-CoV-2 IgG result was detected daily up to 12 FTCs and up to 10 days of storage at different temperatures. An additional 25 plasma samples consistently demonstrated detection of SARS-CoV-2 antibodies daily after 12 FTCs and storage at -20°C using two rapid test cassette assays (SD Biosensor and Hangzhou All Test), manual (Beijing Wantai) and surrogate neutralization (GenScript) ELISAs, and two high-throughput assays (Roche Elecsys nucleocapsid and spike). IgM antibodies were less frequently detected by one of the rapid test cassette assays. CONCLUSIONS: Serum, plasma, and heparinized-plasma constitute reliable samples for SARS-CoV-2 antibody detection. In particular, the IgG response was stable and reliably detected after multiple FTCs and storage at common laboratory conditions. IgM detection was variable due to the labile nature of this antibody class.
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 | 0,020 |
| 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 | 0,001 |
| 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 ».