Higher Affinity Enables More Accurate Detection of SARS‐CoV‐2 in Human Saliva Using Aptamer‐Based Litmus Test
Notice bibliographique
Résumé
Abstract Many aptamers have been generated by systematic evolution of ligands by exponential enrichment (SELEX) to recognize spike proteins of the severe acute respiratory syndrome coronavirus 2 (SARS‐CoV‐2&ek), some of which have been engineered into dimeric and trimeric versions for enhanced affinity for diagnostic applications. However, no studies have been conducted to compare the utilities of monomeric, dimeric and trimeric aptamers in diagnostic assays with real clinical samples to answer the question of what levels of affinity an aptamer must have for accurate clinical diagnostics. Herein, we carried out a comparative study with two monomeric aptamers MSA1 and MSA5, one dimeric aptamer and two homotrimeric aptamers constructed with MSA1 and MSA5, with affinity varying by 1000‐fold. Using a colorimetric sandwich assay to analyze 48 human saliva samples, we found that the trimeric aptamer assay (Kd≈10 pM) can identify the SARS‐CoV‐2 infection much more accurately than the dimeric aptamer assay (Kd≈100 pM) and monomeric aptamer assay (Kd≈10,000 pM). Based on the experimental data, we theoretically predict the levels of affinity an aptamer needs to possess to achieve 80–100 % sensitivity and 100 % specificity. The findings from this study highlight the need for deriving very high affinity aptamers to enable highly accurate detection of viral infection for future pandemics.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».