Comparison of Auto Sampling and Passive Sampling Methods for SARS-CoV-2 Detection in Wastewater
Notice bibliographique
Résumé
Wastewater-based surveillance is emerging as an important tool for COVID-19 pandemic trending. Current methods of wastewater collection, such as grab and auto-composite sampling, have drawbacks that impede effective surveillance, especially from small catchments with limited accessibility. Passive samplers, which are more cost-effective and require fewer resources to process, are promising candidates for monitoring wastewater for SARS-CoV-2. Here, we compared traditional auto sampling with passive sampling for SARS-CoV-2 detection in wastewater. Torpedo-style 3D printed passive sampler device containing both cotton swabs and electronegative filter membranes was used. Between April and June 2021, fifteen passive samplers were placed at a local hospital wastewater outflow alongside an auto sampler. Reverse transcription and quantitative polymerase chain reaction (RT-qPCR) was used to detect SARS-CoV-2 in the samples after processing and RNA extraction. The swab and membrane of the passive sampler showed similar detection rates and Ct values for SARS-CoV-2 RNA for the N1 and N2 gene targets. The passive method performed as well as the grab/auto sampling, with no significant differences between N1 and N2 Ct values. There were discrepant results on two days with negative grab/auto samples and positive passive samples, which might be related to the longer duration of passive sampling in the study. Overall, the passive sampler was rapid, reliable and cost-effective, and could be used as an alternative sampling method for the detection of SARS-CoV-2 in wastewater.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».