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 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 | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 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 | 0,002 |
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 ».