RT-qPCR and ATOPlex sequencing for the sensitive detection of SARS-CoV-2 RNA for wastewater surveillance
Notice bibliographique
Résumé
During the coronavirus disease 2019 (COVID-19) pandemic, wastewater surveillance has become an important tool for monitoring the spread of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) within communities. In particular, reverse transcription-quantitative PCR (RT-qPCR) has been used to detect and quantify SARS-CoV-2 RNA in wastewater, while monitoring viral genome mutations requires separate approaches such as deep sequencing. A high throughput sequencing platform (ATOPlex) that uses a multiplex tiled PCR-based enrichment technique has shown promise in detecting variants of concern (VOC) while also providing virus quantitation data. However, detection sensitivities of both RT-qPCR and sequencing can be impacted through losses occurring during sample handling, virus concentration, nucleic acid extraction, and RT-qPCR. Therefore, process limit of detection (PLOD) assessments are required to estimate the gene copies of target molecule to attain specific probability of detection. In this study, we compare the PLOD of four RT-qPCR assays (US CDC N1 and N2, China CDC N and ORF1ab) for detection of SARS-CoV-2 to that of ATOPlex sequencing by seeding known concentrations of gamma-irradiated SARS-CoV-2 into wastewater. Results suggest that among the RT-qPCR assays, US CDC N1 was the most sensitive, especially at lower SARS-CoV-2 seed levels. However, when results from all RT-qPCR assays were combined, it resulted in greater detection rates than individual assays, suggesting that application of multiple assays is better suited for the trace detection of SARS-CoV-2 from wastewater samples. Furthermore, while ATOPlex offers a promising approach to SARS-CoV-2 wastewater surveillance, this approach appears to be less sensitive compared to RT-qPCR under the experimental conditions of this study, and may require further refinements. Nonetheless, the combination of RT-qPCR and ATOPlex may be a powerful tool to simultaneously detect/quantify SARS-CoV-2 RNA and monitor emerging VOC in wastewater 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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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 ».