Combining short and long read sequencing technologies to identify SARS-CoV-2 variants in wastewater
Notice bibliographique
Résumé
Abstract During the COVID-19 pandemic, the monitoring of SARS-COV-2 RNA in wastewater was used to track the evolution and emergence of variant lineages and gauge infection levels in the community, informing appropriate public health responses without relying solely on clinical testing. As more sublineages were discovered, it increased the difficulty in identifying distinct variants in a mixed population sample, particularly those without a known lineage. Here, we compare two next-generation sequencing technologies, Illumina and Nanopore, in order to determine their efficacy at detecting variants of differing abundance, using 248 wastewater samples from various Quebec and Ontario cities. Our study used two analytical approaches to identify main variants in the samples: the presence of signature and marker mutations, and the co-occurrence of signature mutations within the same amplicon. We observed that each sequencing method detected certain variants at different frequencies as each method preferentially detects mutations of distinct variants. Illumina sequencing detected more mutations with a predominant lineage that is in low abundance across the population or unknown for that time period, while Nanopore sequencing had a higher detection rate of mutations that are predominantly found in the high abundance B.1.1.7 (Alpha) lineage as well as a higher sequencing rate of co-occurring mutations in the same amplicon. We present a workflow that integrates short read and long read sequencing to improve the detection of SARS-CoV-2 variant lineages in mixed population samples, such as wastewater.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».