Maximizing viral nucleic acid yield from passive samplers: Evaluating elution and extraction protocols
Notice bibliographique
Résumé
The COVID-19 pandemic has underscored the need for effective viral tracking in aqueous environments, particularly for non-enteric viruses. Despite advances in wastewater monitoring, surveillance of viruses in freshwater remains limited due to traditional sampling challenges. This study refines GAC-based passive sampling protocols by determining optimal extraction and elution methods for enhancing the recovery of viral nucleic acids in freshwater. Three commercially available total nucleic acid (TNA) extraction kits and four elution buffers were assessed for their ability to recover SARS-CoV-2 and bacteriophage MS2 from GAC-based samplers. The Promega Wizard® Enviro Total Nucleic Acid Kit, paired with a Tween®20-based buffer, provided the highest virus recovery efficiency for GAC-based passive sampling. Field-scale applications demonstrated the effectiveness of GAC-based passive samplers in capturing SARS-CoV-2, INFA, RSV, and MeV using the optimized protocols. The combination of the Tween®20 based buffer and the Promega kit led to increased detection frequencies in grab samples, which remained lower in recovery than passive sampling. This study underscores the importance of selecting appropriate TNA extraction kits and elution buffers to maximize virus recovery from passive samples. By optimizing these protocols, we enhance the sensitivity and reliability of viral surveillance in freshwater ecosystems.
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 | 0,000 |
| 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 | 0,000 | 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 ».