Optimizing and Evaluating Nanopore-Based Targeted and Metagenomic Sequencing Workflows for Rapid Diagnosis of Acute Invasive Infections from Normally Sterile Body Fluids
Notice bibliographique
Résumé
Abstract Rapid and accurate pathogen identification is critical for managing acute invasive infections. Conventional culture methods are time-consuming, delaying effective treatment. Nanopore sequencing offers real-time, long-read capabilities suitable for clinical diagnostics, yet standardized workflows remain lacking. This study developed and evaluated two optimized nanopore sequencing workflows: Nanopore Targeted Sequencing (NTS) and Nanopore Metagenomic Sequencing (NMgS), for pathogen and antimicrobial resistance (AMR) detection in 177 normally sterile body fluid samples. NTS used multiplex PCR to amplify 16S rRNA, ITS, and 21 AMR genes, while NMgS applied host DNA depletion followed by unbiased sequencing. Both workflows were benchmarked against culture-based diagnostics. Among the 304 species cultured from 177 body fluid samples, NTS identified 78.95%, with 77.30% meeting the threshold of relative abundance (T RA ) of 0.058 and 71.38% having at least 10 classified reads. In comparison, NMgS identified 39.47% of cultured species at the species level and 9.54% at the genus level. Of the 28 samples containing AMR ESKAPE pathogens, NTS detected associated AMR genes in 24 samples (85.71%), while NMgS identified AMR genes linked to 9 of the 32 ESKAPE pathogens (28.13%). The turnaround times for NTS and NMgS workflows were 10.75 and 12.82 hours, respectively. In conclusion, this study demonstrated the clinical utility of Nanopore sequencing for rapid diagnosis in clinical microbiology. The heightened sensitivity of Nanopore targeted sequencing renders it ideal for routine clinical microbiology diagnoses, whereas unbiased Nanopore metagenomic sequencing is advantageous in identifying infections of unknown etiology.
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) | 0,000 | 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 ».