Development and translation of a method of clinical utility for LC-MS/MS analysis to detect SARS-CoV-2 antigens from ONP swabs and saliva
Notice bibliographique
Résumé
During the COVID-19 pandemic, development of diagnostic tests was vital to chart the course and to reduce the impact of the infection. Continued testing and surveillance of vaccine escape will continue for years to come which presents an opportunity to integrate such testing into clinical biochemistry laboratories that form part of integrated healthcare testing. Here we describe a protocol for a targeted mass spectrometry based proteomic assay (COVIDCAP) developed to detect SARS-CoV-2 peptides from oro-nasopharyngeal swabs (ONP) and saliva. This uses novel SISCAPA antibodies bound to magnetic beads and subsequent analysis of captured and purified SARS-CoV-2 nucleocapsid (NCAP) peptides. The method involves immediate deactivation of the sample using an ethanolic solution. This simultaneously inactivates the virus and denatures viral proteins at sampling in contrast to the approach for RT-PCR testing, with benefits for the assay as well as for downstream processing. A plate-based preparation of the samples involving acetone precipitation followed by a short tryptic digestion and subsequent immunocapture allows LC-MS detection and quantification of peptides from the NCAP protein, in a 3-minute inject-to-inject assay with an LOD of 20 attomoles from starting sample. For 576 ONP swab samples taken as exemplars here, the sensitivity and specificity of this analysis is shown to be 97.0% and 96.6% respectively.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 ».