SG-APSIC1053: Detection of SARS-COV-2 in nasopharyngeal swags with MALDI-TOF MS and machine learning
Notice bibliographique
Résumé
Objectives: The widespread distribution of SARS-CoV-2 and its high contagiousness pose a challenge for researchers seeking to develop a rapid and cost-effective screening method to identify carriers of this virus. RT-PCR is considered the gold standard for detecting viral RNA in nasopharyngeal swabs, but it is time-consuming and requires constant changes in the primer composition due to the mutation of SARS-CoV-2 strains. We propose a method for the detection of SARS-CoV-2 in nasopharyngeal swabs using MALDI-TOF MS and machine learning. Methods: Nasopharyngeal swabs from patients with PCR-confirmed COVID-19 and control participants were tested (130 and 80 swabs, respectively) with MALDI-TOF MS MicroFlex LT using the HCCA matrix. MALDI spectra were preprocessed in R version 4.1.2 software with the MALDIquant R package using the workflow: sqrt transformation, wavelet smoothing, SNIP-based base removal, and PQN intensity calibration. Peaks were detected with MAD algorithms with following Peak alignment on the following parameters: minFreq 70% and tolerance 0.005. Machine learning was performed with the rtemis r package on GLM, random forest, and XGBoost models. Results: These models were characterized by specificity, sensitivity, and F1 score. GLM models (specificity 1 and sensitivity 0.5) showed a low F1 score of 0.71. However, the random forest and XGBoost models demonstrated sensitivity, specificity, and F1 score equaling 1. Conclusions: We propose a screening method for SARS-CoV-2 detection (sensitivity 1 and specificity 1). This methodology combines the analysis of nasopharyngeal swab samples using MALDI-TOF-MS with machine learning. It is suitable for screening patients with COVID-19 at the first stages of diagnosis. Random forest and XGBoost models demonstrated sensitivity, specificity, and F1 scores equaling 1.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,003 | 0,003 |
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 ».