Detection of SARS-CoV-2 Receptor-Binding Domain Antibody using a HiBiT-Based Bioreporter
Notice bibliographique
Résumé
The emergence of the COVID-19 pandemic has increased the need for better serological detection methods to determine the epidemiologic impact of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). The increasing number of SARS-CoV-2 infections raises the need for better antibody detection assays. Current antibody detection methods compromise sensitivity for speed or are sensitive but time-consuming. A large proportion of SARS-CoV-2-neutralizing antibodies target the receptor-binding domain (RBD), one of the primary immunogenic compartments of SARS-CoV-2. We have recently designed and developed a highly sensitive, bioluminescent-tagged RBD (NanoLuc HiBiT-RBD) to detect SARS-CoV-2 antibodies. The following text describes the procedure to produce the HiBiT-RBD complex and a fast assay to evaluate the presence of RBD-targeting antibodies using this tool. Due to the durability of the HiBiT-RBD protein product over a wide range of temperatures and the shorter experimental procedure that can be completed within 1 h, the protocol can be considered as a more efficient alternative to detect SARS-CoV-2 antibodies in patient serum samples.
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 ».