Production, quantification et détection des coronavirus
Bibliographic record
Abstract
Les coronavirus tels que le SARS-CoV-2 représentent un danger pour la santé publique, mobilisant la science pour le développement d’outils. Considérant les risques du SARS-CoV-2, celui doit être manipulé en laboratoire de niveau de sécurité 3, limitant la recherche. Le coronavirus OC43 représente un modèle utile manipulable en niveau de sécurité 2, mais peu de méthodes standardisées existent pour celui-ci. La première partie de cette étude consiste au développement de modèle de culture cellulaire pour la production et la titration de OC43. Mes travaux démontrent l’utilité des lignées MRC-5 et HRT-18 ainsi que la sensibilité de la titration par Tissue Culture Infectious Dose 50 Immunoperoxidase Assay (TCID50-IPA). La seconde partie emploie une méthode de pointe en virologie qui n’a pas encore été démontrée pour les coronavirus, soit la virométrie en flux. Celle-ci permet la quantification absolue de particules virales, ce qui est un avantage aussi bien pour la recherche que pour une potentielle méthode diagnostique. J'ai ainsi développé une méthode de purification et de concentration du coronavirus OC43 pour permettre son étude en virométrie en flux avec un bruit de fond négligeable. Un marquage efficace de ~99% des particules virales a été démontré avec les marqueurs Syto 13 et Syto 62. De plus, le marquage par un anticorps contre la protéine S permet de d’évaluer la présence de virus. Finalement, les nouvelles méthodes développées ici permettront des études plus poussées sur les coronavirus.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".