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 the 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. A 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's wastewater outflow alongside an autosampler. 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 cycle threshold (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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».