Bacterial ribosomal RNA detection in cerebrospinal fluid using a viromics approach
Notice bibliographique
Résumé
BACKGROUND: In patients with central nervous system (CNS) infections identification of the causative pathogen is important for treatment. Metagenomic next-generation sequencing techniques are increasingly being applied to identify causes of CNS infections, as they can detect any pathogen nucleic acid sequences present. Viromic techniques that enrich samples for virus particles prior to sequencing may simultaneously enrich ribosomes from bacterial pathogens, which are similar in size to small viruses. METHODS: We studied the performance of a viromic library preparation technique (VIDISCA) combined with low-depth IonTorrent sequencing (median ~ 25,000 reads per sample) for detection of ribosomal RNA from common pathogens, analyzing 89 cerebrospinal fluid samples from patients with culture proven bacterial meningitis. RESULTS: Sensitivity and specificity to Streptococcus pneumoniae (n = 24) before and after optimizing threshold parameters were 79% and 52%, then 88% and 90%. Corresponding values for Neisseria meningitidis (n = 22) were 73% and 93%, then 67% and 100%, Listeria monocytogenes (n = 24) 21% and 100%, then 27% and 100%, and Haemophilus influenzae (n = 18) 56% and 100%, then 71% and 100%. A higher total sequencing depth, no antibiotic treatment prior to lumbar puncture, increased disease severity, and higher c-reactive protein levels were associated with pathogen detection. CONCLUSION: We provide proof of principle that a viromic approach can be used to correctly identify bacterial ribosomal RNA in patients with bacterial meningitis. Further work should focus on increasing assay sensitivity, especially for problematic species (e.g. L. monocytogenes), as well as profiling additional pathogens. The technique is most suited to research settings and examination of idiopathic cases, rather than an acute clinical setting.
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 ».