Nanopore metagenomic sequencing for detection and characterization of SARS-CoV-2 in clinical samples
Notice bibliographique
Résumé
OBJECTIVES: The COVID-19 pandemic has underscored the need for rapid novel diagnostic strategies. Metagenomic Next-Generation Sequencing (mNGS) may allow for the detection of pathogens that can be missed in targeted assays. The goal of this study was to assess the performance of nanopore-based Sequence-Independent Single Primer Amplification (SISPA) for the detection and characterization of SARS-CoV-2. METHODS: We performed mNGS on clinical samples and designed a diagnostic classifier that corrects for barcode crosstalk between specimens. Phylogenetic analysis was performed on genome assemblies. RESULTS: Our assay yielded 100% specificity overall and 95.2% sensitivity for specimens with a RT-PCR cycle threshold value less than 30. We assembled 10 complete, and one near-complete genomes from 20 specimens that were classified as positive by mNGS. Phylogenetic analysis revealed that 10/11 specimens from British Columbia had a closest relative to another British Columbian specimen. We found 100% concordance between phylogenetic lineage assignment and Variant of Concern (VOC) PCR results. Our assay was able to distinguish between the Alpha and Gamma variants, which was not possible with the current standard VOC PCR being used in British Columbia. CONCLUSIONS: This study supports future work examining the broader feasibility of nanopore mNGS 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 | 0,001 |
| 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 ».