Evaluating and optimizing Acid-pH and Direct Lysis RNA extraction for SARS-CoV-2 RNA detection in whole saliva
Notice bibliographique
Résumé
COVID-19 has been a global public health and economic challenge. Screening for the SARS-CoV-2 virus has been a key part of disease mitigation while the world continues to move forward, and lessons learned will benefit disease detection beyond COVID-19. Saliva specimen collection offers a less invasive, time- and cost-effective alternative to standard nasopharyngeal swabs. We optimized two different methods of saliva sample processing for RT-qPCR testing. Two methods were optimized to provide two cost-efficient ways to do testing for a minimum of four samples by pooling in a 2.0 mL tube and decrease the need for more highly trained personnel. Acid-pH-based RNA extraction method can be done without the need for expensive kits. Direct Lysis is a quick one-step reaction that can be applied quickly. Our optimized Acid-pH and Direct Lysis protocols are reliable and reproducible, detecting the beta-2 microglobulin (B2M) mRNA in saliva as an internal control from 97 to 96.7% of samples, respectively. The cycle threshold (Ct) values for B2M were significantly higher in the Direct Lysis protocol than in the Acid-pH protocol. The limit of detection for N1 gene was higher in Direct Lysis at ≤ 5 copies/μL than Acid-pH. Saliva samples collected over the course of several days from two COVID-positive individuals demonstrated Ct values for N1 that were consistently higher from Direct Lysis compared to Acid-pH. Collectively, this work supports that each of these techniques can be used to screen for SARS-CoV-2 in saliva for a cost-effective screening platform.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».