Cross-reactivity and inclusivity analysis of CRISPR-based diagnostic assays of coronavirus SARS-CoV-2
Notice bibliographique
Résumé
Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2; initially named as 2019-nCoV) is the cause of the novel coronavirus disease 2019 (COVID-19) pandemic. Its diagnosis relies on the molecular detection of the viral RNA by polymerase chain reaction (PCR) while newer rapid CRISPR-based diagnostic tools are being developed. As molecular diagnostic assays rely on the detection of unique sequences of viral nucleic acid, the target regions must be common to all coronavirus SARS-CoV-2 circulating strains, yet unique to SARS-CoV-2 with no cross-reactivity with the genome of the host and other normal or pathogenic organisms potentially present in the patient samples. This stage 1 protocol proposes in silico cross-reactivity and inclusivity analysis of the recently developed CRISPR-based diagnostic assays. Cross-reactivity will be analyzed through comparison of target regions with the genome sequence of the human, seven coronaviruses and 21 other organisms. Inclusivity analysis will be performed through the verification of the sequence variability within the target regions using publicly available SARS-CoV-2 sequences from around the world. The absence of cross-reactivity and any mutations in target regions of the assay used would provide a higher degree of confidence in the CRISPR-based diagnostic tests being developed while the presence could help guide the assay development efforts. We believe that this study would provide potentially important information for clinicians, researchers, and decision-makers.
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 | 0,001 |
| 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 ».