Nanopore Metagenomic Sequencing for Detection and Characterization of SARS-CoV-2 in Clinical Samples
Notice bibliographique
Résumé
Abstract The COVID-19 pandemic has underscored the need for rapid novel diagnostic strategies to detect and characterize pathogens from clinical specimens. The MinION sequencing device allows for rapid, cost-effective, high-throughput sequencing; useful features for translation to clinical laboratory settings. Metagenomic Next-Generation Sequencing (mNGS) approaches provide the opportunity to examine the entire genomic material of a sample; allowing for detection of emerging and clinically relevant pathogens that may be missed in targeted assays. Here we present a pilot study on the performance of Sequence-Independent Single Primer Amplification (SISPA) to amplify RNA randomly for the detection and characterization of SARS-CoV-2. We designed a classifier that corrects for barcode crosstalk between specimens. Our assay yielded 100% specificity overall and 95.2% sensitivity for specimens with a RT-qPCR cycle threshold value less than 30. We assembled 10 complete (>95% coverage at 20x depth), and one near-complete (>80% coverage at 20x depth) genomes from 20 specimens that were classified as positive by mNGS. We characterized these genomes through phylogenetic analysis and found that 10/11 specimens from British Columbia had a closest relative to another British Columbian specimen. Of five samples that we had both assembled genomes, as well as Variant of Concern (VOC) PCR results, we found 100% concordance between these results. Additionally, our assay was able to distinguish between the Alpha and Gamma variants, which was not possible with our VOC PCR technique. This study supports future work examining the broader feasibility of SISPA as a diagnostic strategy for the detection and characterization of viral pathogens.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».