First detection of SARS-CoV-2 proteins in wastewater samples by mass spectrometry
Notice bibliographique
Résumé
Abstract On March 12, 2020, the World Health Organization (WHO) declared COVID-19 as a global pandemic. COVID-19 is produced by a novel β-coronavirus known as Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) [1]. Several studies have detected SARS-CoV-2 RNA in urine, feces, and other biofluids from both symptomatic and asymptomatic people with COVID-19 [2], suggesting that SARS-CoV-2 RNA could be detected in human wastewater [3]. Thus, wastewater-based epidemiology (WBE) is now used as an approach to monitor COVID-19 prevalence in many different places around the world [4-10] . Reverse transcription quantitative polymerase chain reaction (RT-qPCR) is the most common SARS-CoV-2 detection method in WBE, but there are other methods for viral biomolecule detection that could work as well. The aim of this study was to evaluate the presence of SARS-CoV-2 proteins in untreated wastewater (WW) influents collected from six wastewater treatment plants (WWTPs), from Durham Region, Ontario, Canada, using a LC-MS/MS-based proteomics approach. We identified many SARS-CoV-2 proteins in these wastewater samples, with peptides from pp1ab being the most consistently detected and with consistent abundance.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,003 |
| 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 ».