A Strategy for Efficient Preparation of Genus-Specific Diagnostic Antibodies for Snakebites
Notice bibliographique
Résumé
As said by former United Nations Secretary-General Kofi Annan, “Snakebite is the most important tropical disease you’ve never heard of.” Listed as a priority neglected tropical disease by the World Health Organization, snakebite envenoming (SBE) kills in excess of 125,000 people per year. However, due to the complexity and overlap of snake venom compositions, few reliable venom diagnostic methods for genus-/species-specific identification, which is crucial for successful SBE therapy, are available. Here, we develop a strategy to select and prepare genus-specific snake venom antibodies, which allows rapid and efficient clinical diagnosis of snakebite. Multi-omics approaches are used to choose candidate antigens from snake venoms and identify genus-specific antigenic epitope peptide fragments (GSAEPs) with ideal immunogenicity, specificity, and spatial accessibility. Double-antibody sandwich ELISA kit was established by matching a polyclonal antibody against a natural antigen and a monoclonal antibody that was prepared by natural protein as antigen and can specifically target the GSAEPs. The kit shows the ability to accurately identify venoms from similar genera of Trimeresurus and Protobothrops with a detection limit of 6.25 ng/ml on the snake venoms and a little cross-reaction, thus proving high feasibility and applicability.
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 ».