Sample-to-answer centrifugal microfluidic droplet PCR platform for quantitation of viral load
Notice bibliographique
Résumé
Droplet digital polymerase chain reaction (ddPCR) stands out as a highly sensitive diagnostic technique that is gaining traction in infectious disease diagnostics due to its ability to quantitate very low numbers of viral gene copies. By partitioning the sample into thousands of droplets, ddPCR enables precise and absolute quantification without relying on a standard curve. However, current ddPCR systems often exhibit relatively low levels of integration, and the analytical process remains dependent on elaborate workflows for up-front sample preparation. Here, we introduce a fully-integrated system seamlessly combining viral lysis, RNA extraction, emulsification, reverse transcription (RT) ddPCR, and fluorescence readout in a sample-to-answer format. The system comprises a disposable microfluidic cartridge housing buffers and reagents required for the assay, and a centrifugal platform that allows for pneumatic actuation of liquids during rotation, enabling automation of the workflow. Highly monodisperse droplets (∼50 μm in diameter) are produced using centrifugal step emulsification and automatically transferred to an integrated heating module for target amplification. The platform is equipped with a miniature fluorescence imaging system enabling on-chip read-out of droplets after RT-ddPCR. We demonstrate sample-to-answer detection of SARS-CoV-2 N and E genes, along with RNase P endogenous reference, using hydrolysis probes and multiplexed amplification within single droplets for concentrations as low as 0.1 copy per μL. We also tested 14 nasopharyngeal swab specimens from patients and were able to distinguish positive and negative SARS-CoV-2 samples with 100% accuracy, surpassing results obtained by conventional real-time amplification.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».