MétaCan
Menu
Retour à la cohorte
Enregistrement W4387472795 · doi:10.1128/spectrum.00761-23

Neglected SARS-CoV-2 variants and potential concerns for molecular diagnostics: a framework for nucleic acid amplification test target site quality assurance

2023· article· en· W4387472795 sur OpenAlexafffund
Gregory R. McCracken, Daniel Gaston, Janice Pettipas, Allana Loder, Anna Majer, Elsie Grudeski, Geneviève Labbé, Bryn K. Joy, Glenn Patriquin, Jason J. LeBlanc

Notice bibliographique

RevueMicrobiology Spectrum · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueSARS-CoV-2 detection and testing
Établissements canadiensPublic Health Agency of CanadaDalhousie UniversityNova Scotia Health Authority
Organismes subventionnairesDepartment of Health, Western Cape GovernmentNova Scotia Department of Health and WellnessPublic Health AgencyPublic Health Agency of CanadaGenome Canada
Mots-clésMutationNucleic Acid Amplification TestsComputational biologyMedicineMolecular diagnosticsVirologyGeneticsBiologyGene

Résumé

récupéré en direct d'OpenAlex

ABSTRACT During the COVID-19 pandemic, SARS-CoV-2 detection using nucleic acid amplification tests (NAATs) played a key role in clinical management and public health interventions. However, mutations could jeopardize NAAT-based detection if they occur in the NAAT target site, potentially resulting in false negative results. However, mutation monitoring is challenged as the exact location of commercial NAAT target sites is not divulged by manufacturers. This study sequenced commercial SARS-CoV-2 NAAT target sites to assess the impact of mutations occurring in these regions. The resulting sequences for the Xpert, Cobas, and ID NOW SARS-CoV-2 assays were queried against SARS-CoV-2 genome databases to identify mutations in circulating strains. Synthetic DNAs and clinical specimens harboring NAAT target site mutations were used to assess mutation impact. Of 17,600 NAAT target site mutation occurrences in a genome database, 269 compromised target detection. These represented 24 unique mutations that reduced NAAT target sensitivity and nine led to target detection failure. Only seven of these mutations were previously recognized. Overall, this reactive strategy along with passive surveillance identified 29 novel mutations that compromised detection with Xpert and Cobas targets. Knowledge of commercial NAAT target sites, paired with a strategy for mutation impact assessment and ongoing genetic surveillance, provided a robust framework for commercial NAAT target site quality assurance. The question remains of who should be responsible for NAAT target site quality assurance, but collaborative efforts between methods users, industry, and regulatory agencies would be ideal. IMPORTANCE Molecular tests like polymerase chain reaction were widely used during the COVID-19 pandemic but as the pandemic evolved, so did SARS-CoV-2. This virus acquired mutations, prompting concerns that mutations could compromise molecular test results and be falsely negative. While some manufacturers may have in-house programs for monitoring mutations that could impact their assay performance, it is important to promptly report mutations in circulating viral strains that could adversely impact a diagnostic test result. However, commercial test target sites are proprietary, making independent monitoring difficult. In this study, SARS-CoV-2 test target sites were sequenced to monitor and assess mutations impact, and 29 novel mutations impacting SARS-CoV-2 detection were identified. This framework for molecular test target site quality assurance could be adapted to any molecular test, ensuring accurate diagnostic test results and disease diagnoses.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,155
Score d'incertitude au seuil0,991

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,331
Écart entre enseignants0,295 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMicrobiology SpectrumMême sujetSARS-CoV-2 detection and testingTravaux en français237 207