WO2022055339A1 - Dispositif de détection prévisionnelle de la présence d'un virus de l'espèce sars-cov tel que le virus sars-cov-2 dans un échantillon biologique prélevé sur un patient - Google Patents
Dispositif de détection prévisionnelle de la présence d'un virus de l'espèce sars-cov tel que le virus sars-cov-2 dans un échantillon biologique prélevé sur un patient Download PDFInfo
- Publication number
- WO2022055339A1 WO2022055339A1 PCT/MA2021/050011 MA2021050011W WO2022055339A1 WO 2022055339 A1 WO2022055339 A1 WO 2022055339A1 MA 2021050011 W MA2021050011 W MA 2021050011W WO 2022055339 A1 WO2022055339 A1 WO 2022055339A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- virus
- sars
- variables
- sample
- cov
- Prior art date
Links
- 241000700605 Viruses Species 0.000 title claims description 41
- 239000012472 biological sample Substances 0.000 title description 8
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 241000711573 Coronaviridae Species 0.000 claims abstract description 8
- 230000005284 excitation Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 49
- 238000001228 spectrum Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 25
- 238000004611 spectroscopical analysis Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 20
- 238000002835 absorbance Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000010238 partial least squares regression Methods 0.000 claims description 10
- 230000003612 virological effect Effects 0.000 claims description 9
- 241000894007 species Species 0.000 claims description 8
- 238000011529 RT qPCR Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 241001678559 COVID-19 virus Species 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 4
- 238000000576 coating method Methods 0.000 claims description 4
- 230000003071 parasitic effect Effects 0.000 claims description 4
- 238000004497 NIR spectroscopy Methods 0.000 claims description 3
- 238000003753 real-time PCR Methods 0.000 claims description 3
- 239000011521 glass Substances 0.000 abstract description 7
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 28
- 238000003762 quantitative reverse transcription PCR Methods 0.000 description 6
- 238000001069 Raman spectroscopy Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000013610 patient sample Substances 0.000 description 2
- 238000003752 polymerase chain reaction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 229920000995 Spectralon Polymers 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Definitions
- the present invention falls within the field of medical diagnosis. It relates in particular to an instrument for detecting by spectroscopy the presence or not of a virus of the SARS-COV species such as the SARS-COV-2 virus in a biological sample taken from a patient.
- an instrument for detecting by spectroscopy the presence or not of a virus of the SARS-COV species such as the SARS-COV-2 virus in a biological sample taken from a patient PRIOR ART
- the diagnostic test adopted for detecting the presence or absence of virus in a biological sample taken from a patient is PCR (for “Polymerase Chain Reaction”) in real time RT-qPCR.
- PCR for “Polymerase Chain Reaction”
- the object of the present invention is thus to propose a device for predictive detection of the presence of a virus of the SARS-COV species such as the SARS-CoV-2 virus in a biological sample. taken from a patient, which is less expensive and simpler to implement than the devices currently available.
- a device for instantaneous detection of the presence of a virus of the SARS-COV species such as the SARS-COV2 virus in a sample of nasopharyngeal or oropharyngeal swabs taken from a patient comprising - spectrometry means cooperating with means for receiving a nasopharyngeal or oropharyngeal swab sample and delivering spectral absorbance data, and - means for processing these spectral absorbance data, so as to deliver information for detecting the presence of said virus in said sample.
- the spectrometry means comprise near infrared (NIR) spectrometry means provided for identifying zones of viral absorbance and treatment means. These means are arranged to (i) select wavelength variables, (ii) find among said selected variables variables having a direct or indirect relationship with viral absorbance zones of the SARS-COV2 virus, (iii) the comparing with important reference variables for a classification of positive or negative cases and (iv) predicting the presence or absence of the virus in said sample.
- NIR near infrared
- the spectrometry means are arranged within a box comprising guide means for positioning the sample in front of an excitation light beam from the spectrometer, via an opening of said box.
- the box is advantageously provided with a lid designed to receive means for calibrating the spectrometry means.
- These calibration means may for example comprise a white coating arranged on the inner surface of the cover substantially opposite the opening when this cover is in the closed position.
- the processing means can also be arranged to pre-process the measured spectrum so as to eliminate the parasitic noises and effects therefrom and to clarify the relevant bands in said spectrum, and to select the wavelength variables important for the classification of the cases positive or negative for Coronavirus SARS-COV 2 among the following reference wavelengths: 1355 nm, 1359 nm, 1386 nm, 1480 nm, 1510 nm, 1719 nm, 1726 nm, 1733 nm, 1740 nm, 1840 nm, 1860 nm,1917nm,1926nm,1935nm,1962nm,2200-2300nm,2477nm,2492nm,2507nm,2522nm,2538nm.
- the processing means can also be arranged to identify important characteristic variables for the detection of the virus using NIR spectroscopy, by implementing at least one algorithm from a group of algorithms comprising genetic algorithms, an algorithm " Random Forest", a non-informative variable elimination algorithm (UVE-PLS), an interval PLS regression algorithm (iPLS), an interactive variable selection PLS regression algorithm (IVS-PLS), as well as the implementation of a training database containing the spectra of SARS-COV positive and negative case samples. Provision can also be made for the processing means to be arranged to predict whether or not the virus is present in the sample by implementing one or more prediction equations and a model driven by an external training database.
- UVE-PLS non-informative variable elimination algorithm
- iPLS interval PLS regression algorithm
- IVS-PLS interactive variable selection PLS regression algorithm
- the detection device is particularly suitable for processing a nasopharyngeal or oropharyngeal swab sample recovered according to the real-time PCR (RT-qPCR) reference test protocol.
- a method for the predictive detection of the presence of a virus of the SARS-COV species such as the SARS-CoV-2 virus in a sample of nasopharyngeal or oropharyngeal swabs taken from a patient, implemented in a detection device, this method comprising: - a spectrometry step performed on a sample (12) of nasopharyngeal or oropharyngeal swab and delivering spectral absorbance data, and - a step for processing these spectral absorbance data so as to deliver information for predicting the presence or absence of said virus in said sample,
- the spectrometry step is characterized in that it comprises an infrared (NIR) spectrometry provided
- the detection method according to the invention can also advantageously comprise a step for pre-processing the measured spectrum so as to eliminate the parasitic noises and effects therefrom, and a step for pre-processing the measured spectrum so as to clarify the relevant bands in said spectrum.
- the reference variables are the wavelengths used for the classification of positive or negative cases of Coronavirus SARS-COV 2 and consist of the following wavelengths: 1355 nm, 1359 nm, 1386 nm, 1480 nm, 1510 nm , 1719 nm, 1726 nm, 1733 nm, 1740 nm, 1840 nm, 1860 nm, 1917 nm, 1926 nm, 1935 nm, 1962 nm, 2200-2300 nm, 2477 nm, 2492 nm, 2507 nm, nm, 25252 nm .
- the step for detecting reference variables for the NIR spectrometry means can implement at least one algorithm from among a group of algorithms comprising genetic algorithms, a “Random Forest” algorithm, an algorithm for eliminating non-informative variables (UVE -PLS), an interval PLS regression algorithm (iPLS), an interactive variable selection PLS regression algorithm (IVS-PLS).
- the step for detecting important variables for the spectrometry means can implement a training database containing the spectra of samples of positive cases of SARS-COV 2.
- the prediction step can implement one or more equations prediction and a model trained by an external training database.
- the predictive detection device of the present invention comprises a near infrared light source, called NIR spectroscope, and means for positioning a biological sample taken from a patient, in particular a nasopharyngeal swab extract or oropharyngeal in front of the excitation light source of the NIR spectrometer.
- a component having a reflectance close to 100% is positioned so as to reflect the light beam after it has passed through the biological sample to be tested. This component is used to calibrate the device which must display a horizontal spectrum, when there is no sample to be tested and the beam of the mini-spectrometer is reflected directly on the surface of the component.
- the device includes electronic cards for the acquisition and processing of the spectrum transmitted by the NIR spectrometer.
- the processing consists of a set of artificial intelligence algorithms to assess whether or not the virus is present in the biological sample through its spectral signature.
- the processing card is connected to a training database made up of the spectra confirmed positive or negative by the reference technique RT-qPCR.
- the invention also presents the method for evaluating the presence or absence of the virus through a model based on training algorithms (Deep Learning) implemented at the level of the training card.
- the model is based on the combination of a series of artificial intelligence algorithms.
- the assembly is managed through a display and control means which can be a mobile telephone or a fixed display at the level of the device.
- the device is powered directly by the electrical network or by batteries.
- Figure 1 Detailed view of all the components of the device
- Figure 2 Exploded diagram of the device showing the internal components
- Figure 3 Spectra with the different spectral preprocessing algorithms
- Figure 4 Wavelengths selected using a random forest based algorithm
- Figure 5 Wavelengths selected using an algorithm based on the genetic algorithm coupled with PLS-DA
- Figure 6 Variable selection algorithms used for the sensor of the invention.
- Figure 7 Spatial projection of the PCA with the first three principal components PC1, PC2 and PC3
- Figure 8 Prediction results for the test database.
- the invention describes an instrument capable of rapidly predicting the presence of Coronavirus SARS-Cov2 in a nasopharyngeal or oropharyngeal swab sample with high sensitivity.
- the device comprises a glass slide sample holder, a near infrared (NIR) mini-spectrometer and an excitation light source, an electronic data acquisition board, an electronic data storage and transfer board , a USB power interface, a mobile application for data processing and display of results.
- NIR near infrared
- the analysis is then launched by defining the parameters via the mobile application.
- the device performs the analysis automatically and instantaneously, displaying the positivity or negativity of the sample, thanks to the recovery of the spectral signature of the sample and the application of algorithms developed specifically to isolate the signature of the SARS-COV2 virus.
- the predictive detection device as shown schematically in FIGS.
- a main body 2 in the form of a box containing an NIR spectrometer 5, electronic acquisition 8 and processing 9 cards, a power supply 6, a sample holder 4 to receive a transparent glass slide 11 on which a sample 12 of nasopharyngeal or oropharyngeal swabs recovered according to the test protocol for real-time PCR (RT-qPCR) has been deposited.
- the glass slide 11 is an inactive spectroscopy glass in the near infrared range. It is then placed on the sample holder 4 which comprises a means 13 for guiding the sample to position it in front of the light beam of an NIR spectrometer 5, itself housed in a box 2 with the electronic cards 8, 9 and the power supply means 6.
- the spectrometer sensor is housed in the opening 10 of the box 2.
- the box 2 comprises a cover 1 provided with a housing 7 to receive a reference white coating covering at least the surface opposite of the slot forming an opening 10 where the spectrometer 5 is housed when the cover 1 is in the closed position, with reference to FIG. 1(a).
- the white coating housed at 7 serves to calibrate the device to give approximately 100% reflectance. Mention may be made, for example, of Spectralon® from the company Labsphere. In the absence of sample, the spectrum is a straight line which represents the reference.
- the acquisition card 8 receives the spectrum generated by the spectrometer (NIR) 5 and sends it to the processing card 9 and to the cloud (or "cloud”: remote computing infrastructure ).
- the Cloud is used to update the processing map using Artificial Intelligence (AI) algorithms that are installed at the Cloud level.
- AI Artificial Intelligence
- a main objective of this network architecture is to improve the efficiency of prediction thanks to the principle of Deep Learning (for “Deep Learning”).
- the predictive detection method comprises, after calibration of the spectrometer (5) by launching a test without a white reference sample housed at 7, the following steps: - placing the sample 12 taken on the door glass sample 11 then place it on the sample holder 4 and then place the support 4 in front of the slot of the spectrometer thanks to the guide means 13, then close the cover 1; - launch the test via a mobile application; - read the result of the prediction test via the mobile application installed at the level of the user interface 14.
- the user interface can be fixed or mobile. Communication with the electronic cards 8 and 9 can thus be ensured by cable or by wireless communication such as Bluetooth.
- the first step is to apply spectral pre-processing algorithms to remove noise, multiplicative effects and additive effects in the spectrum and also to clarify the relevant bands in the spectrum.
- spectral pre-processing algorithms are Savitsky-Golay first and second derivative, smoothing, Standard normal variates (SNV), multiplicative signal correction (MSC), orthogonal signal correction (OSC), Kubelka–Munk transform, piecewise multiplicative scatter correction (PMSC) and normalization.
- the second step is to apply the variable selection algorithms, this step is to find the variables that have a direct or indirect relationship with the viral absorbance zones of SARS-COV 2 virus.
- variable selection algorithms include Genetic Algorithms, Random Forest, Elimination of Uninformative Variables (UVE-PLS), Interval PLS Regression (iPLS), PLS Regression by Interactive Variable Selection (IVS-PLS).
- UVE-PLS Uninformative Variables
- iPLS Interval PLS Regression
- IVS-PLS PLS Regression by Interactive Variable Selection
- the following wavelengths are selected as reference variables, important for the classification of Coronavirus SARS-COV 2 positive or negative cases from the patient sample: 1355 nm, 1359 nm , 1386 nm, 1480 nm, 1510 nm, 1719 nm, 1726 nm, 1733 nm, 1740 nm, 1840 nm, 1860 nm, 1917 nm, 1926 nm, 1935 nm, 1962 nm, 2200-2300 nm, n 24792 nm , 2507nm, 2522nm, 2538nm.
- the third step is to develop the prediction model using prediction equations and the model trained by a training database. For the validation of this model an external test database was used. This step aims to find the weights of the characteristic wavelengths of the SARS-COV 2 virus, generated by the second step.
- model 1 intended for the prediction of a Ypos value to classify the positive cases
- model 2 intended for the prediction of a Yneg value for classify negative cases.
- the PLS-DA classification algorithm was adopted. 300 samples with 150 positive cases and 150 negative cases were used for training, and 125 samples with 61 negative cases and 64 positive cases were used to validate the training results.
- the calibration database was used to build models 1 and 2 using the PLS-DA approach (for "Partial Least Square”: Partial Least Squares), a cross-validation was programmed during training to facilitate model optimization (i.e.
- - ⁇ 0 represents the correction constant of the second model.
- - xi represents the reflectance corresponding to each wavelength i.
- - ⁇ i represents the coefficients of the model which corresponds to each wavelength i of the first model.
- - ⁇ i represents the coefficients of the model which corresponds to each wavelength i of the second model.
- the final models are generated by a set of variables including the characteristic variables which are selected from the second step. The total number of selected variables is 345 wavelengths. Some coefficients of each wavelength are indicated in the following table: Table -1
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
L'invention concerne un instrument de test capable de détecter rapidement la présence du Coronavirus SARS-COV2 dans un échantillon de frottis nasopharyngé ou oropharyngé d'un patient avec une sensibilité élevée. Le dispositif comprend un porte échantillon à lamelle de verre, un mini-spectromètre proche infra-rouge (NIR) ayant une source de lumière d'excitation, une carte électronique d'acquisition des données, une carte électronique de stockage et de transfert des données, une interface d'alimentation USB, une application mobile pour le traitement des données spectrales et l'affichage des résultats. L'ensemble peut être relié à une base de données en Cloud pour une amélioration permanente de la sensibilité de l'instrument de test.
Description
Dispositif de détection prévisionnelle de la présence d’un virus de l’espèce SARS-COV tel que le virus SARS-COV-2 dans un échantillon biologique prélevé sur un patient Domaine de l’invention La présente invention entre dans le domaine des instruments de diagnostic médical. Elle concerne en particulier un instrument de détection par spectroscopie de la présence ou non d’un virus de l’espèce SARS-COV tel que le virus SARS-COV-2 dans un échantillon biologique prélevé sur un patient. Art antérieur Actuellement, le test de diagnostic adopté pour la détection de la présence ou non de virus dans un échantillon biologique prélevé sur un patient est la PCR (pour « Polymerase Chain Reaction ») en temps réel RT-qPCR. Le test réalisé selon cette technique, considérée comme la méthode de référence, exige un délai important, des équipements couteux et du personnel qualifié. Ces contraintes constituent un frein à la détection précoce des cas contaminés par le virus, en particulier dans un contexte d’épidémie. Il existe déjà des solutions basées sur de la spectroscopie, particulièrement le Raman. C’est le cas pour le brevet US10253346_B2 relatif à un système et une méthode d'examen basés sur la spectroscopie Raman. Cette solution se présente comme un micro-Raman et consiste en un procédé de criblage rapide et rentable de divers échantillons contenant des protéines telles que des bactéries, des virus, …etc. Le dispositif est un spectroscope portatif qui comprend un laser et un train optique pour générer un signal d'échantillon à décalage, des algorithmes de traitement, d'identification et de conditionnement du signal et la détection de cible avec des combinaisons de résolution ultra-élevée. La solution Raman a toutefois l’inconvénient de présenter un coût élevé, non compatible avec la nécessité d’un déploiement massif de tests de dépistage du coronavirus qui soient accessibles au plus grand nombre. Le but de la présente invention est ainsi de proposer un dispositif de détection prévisionnelle de la présence d’un virus de l’espèce SARS-COV tel que le virus SARS-CoV-2 dans un échantillon biologique
prélevé sur un patient, qui soit moins coûteux et plus simple de mise en œuvre que les dispositifs proposés actuellement. Exposé de l’invention Cet objectif est atteint avec un dispositif de détection instantané de la présence d’un virus de l’espèce SARS-COV tel que le virus SARS-COV2 dans un échantillon de frottis nasopharyngé ou oropharyngé prélevé sur un patient, comprenant : - des moyens de spectrométrie coopérant avec des moyens pour recevoir un échantillon de frottis nasopharyngé ou oropharyngé et délivrant des données spectrales d’absorbance, et - des moyens pour traiter ces données spectrales d’absorbance, de façon à délivrer une information de détection de la présence dudit virus dans ledit échantillon. Suivant l’invention, les moyens de spectrométrie comprennent des moyens de spectrométrie proche infrarouge (NIR) prévus pour identifier des zones d’absorbance virale et des moyens de traitement. Ces moyens sont agencés pour (i) sélectionner des variables de longueur d’onde, (ii) trouver parmi lesdites variables sélectionnées des variables ayant une relation directe ou indirecte avec des zones d’absorbance virale du virus SARS-COV2, (iii) les comparer avec des variables importantes de référence pour une classification de cas positifs ou négatifs et (iv) prédire la présence ou non du virus dans ledit échantillon. Ainsi, la présente invention se présente comme une solution alternative avantageuse utilisant un mini- spectroscope proche infra-rouge (NIR), combiné avec un filtrage par des algorithmes et de l’apprentissage, notamment de type « Deep learning » (apprentissage profond). Dans une version préférée de l’invention, les moyens de spectrométrie sont disposés au sein d’un boitier comportant des moyens de guidage pour positionner l’échantillon devant un faisceau lumineux d’excitation du spectromètre, via une ouverture dudit boitier. Le boitier est avantageusement pourvu d’un couvercle prévu pour recevoir des moyens pour calibrer les moyens de spectrométrie. Ces moyens de calibration peuvent par exemple comprendre un revêtement blanc disposé sur la surface intérieure du couvercle sensiblement en vis-à-vis de l’ouverture lorsque ce couvercle est en position fermée.
Les moyens de traitement peuvent en outre être agencés pour prétraiter le spectre mesuré de façon à en éliminer les bruits et effets parasites et à clarifier les bandes pertinentes dans ledit spectre, et pour sélectionner les variables de longueur d’onde importantes pour la classification des cas positifs ou négatifs de Coronavirus SARS-COV 2 parmi les longueurs d'ondes de références suivantes : 1355 nm, 1359 nm, 1386 nm, 1480 nm, 1510 nm, 1719 nm, 1726 nm, 1733 nm, 1740 nm, 1840 nm ,1860 nm,1917 nm , 1926 nm, 1935 nm , 1962 nm, 2200-2300 nm, 2477 nm, 2492 nm, 2507 nm, 2522 nm, 2538 nm. Les moyens de traitement peuvent en outre être aussi agencés pour identifier des variables importantes caractéristiques pour la détection du virus a l’aide de la spectroscopie NIR , en implémentant au moins un algorithme parmi un groupe d’algorithmes comprenant des algorithmes génétiques, un algorithme « Random Forest », un algorithme d’élimination des variables non informatives (UVE-PLS), un algorithme de régression PLS par intervalles (iPLS), un algorithme de régression PLS par sélection interactive de variables (IVS-PLS), ainsi que par la mise en œuvre d’une base de données d'entrainement contenant les spectres d’échantillons de cas positifs et négatifs du SARS-COV. On peut en outre prévoir que les moyens de traitement soient agencés pour prédire une présence ou non du virus dans l’échantillon en implémentant une ou plusieurs équations de prédiction et un modèle entraîné par une base de données d’apprentissage externe. Le dispositif de détection selon l’invention est particulièrement adapté pour traiter un échantillon de frottis nasopharyngé ou oropharyngé récupéré selon le protocole de test de référence de la PCR en temps réel (RT-qPCR). Suivant un autre aspect de l’invention, il est proposé un procédé de détection prévisionnelle de la présence d’un virus de l’espèce SARS-COV tel que le virus SARS-CoV-2 dans un échantillon de frottis nasopharyngé ou oropharyngé prélevé sur un patient, mis en œuvre dans un dispositif de détection , ce procédé comprenant : - une étape de spectrométrie réalisée sur un échantillon (12) de frottis nasopharyngé ou oropharyngé et délivrant des données spectrales d’absorbance, et
- une étape de traitement de ces données spectrales d’absorbance de façon à délivrer une information de détection prévisionnelle de la présence ou non dudit virus dans ledit échantillon, Suivant l’invention, l’étape de spectrométrie se caractérise en ce qu’elle comprend une spectrométrie infrarouge (NIR) prévue pour identifier des zones d’absorbance virale et en ce que l’étape de traitement comprend des étapes suivantes : (i) sélectionner des variables de longueur d’onde, (ii) trouver parmi lesdites variables sélectionnées des variables ayant une relation directe ou indirecte avec des zones d’absorbance virale du virus SARS-COV2, (iii) les comparer avec des variables de référence établies selon un modèle expérimental, en se basant sur une base de données de spectres de cas confirmés positif au virus SARS-COV2, pour une classification de cas positifs ou négatifs et (iv) prédire la présence ou non du virus dans ledit échantillon. Le procédé de détection selon l’invention peut en outre avantageusement comprendre une étape pour prétraiter le spectre mesuré de façon à en éliminer les bruits et effets parasites, et une étape pour prétraiter le spectre mesuré de façon à clarifier les bandes pertinentes dans ledit spectre. Les variables de référence sont les longueurs d’onde utilisées pour la classification des cas positifs ou négatifs de Coronavirus SARS-COV 2 et sont constituées par les longueurs d'onde suivantes : 1355 nm, 1359 nm, 1386 nm, 1480 nm, 1510 nm, 1719 nm, 1726 nm, 1733 nm, 1740 nm, 1840 nm ,1860 nm,1917 nm , 1926 nm, 1935 nm , 1962 nm, 2200-2300 nm, 2477 nm, 2492 nm, 2507 nm, 2522 nm, 2538 nm. L’étape pour détecter des variables de référence pour les moyens de spectrométrie NIR peut implémenter au moins un algorithme parmi un groupe d’algorithmes comprenant des algorithmes génétiques, un algorithme « Random Forest », un algorithme d’élimination des variables non informatives (UVE-PLS), un algorithme de régression PLS par intervalles (iPLS), un algorithme de régression PLS par sélection interactive de variables (IVS-PLS). L’étape pour détecter des variables importantes pour les moyens de spectrométrie peut mettre en œuvre une base de données d'entrainement contenant les spectres d’échantillons de cas positifs du SARS-COV 2. L’étape de prédiction peut implémenter une ou plusieurs équations de prédiction et un modèle entraîné par une base de données d’apprentissage externe.
Description sommaire de l’invention Le dispositif de détection prévisionnelle de la présente invention comprend une source lumineuse en proche infra-rouge, appelée spectroscope NIR, et des moyens pour positionner un échantillon biologique prélevé sur un patient, en particulier un extrait de frottis nasopharyngé ou oropharyngé devant la source lumineuse d’excitation du spectromètre NIR. Un composant ayant une réflectance avoisinant les 100% est positionné de manière à réfléchir le faisceau lumineux après qu’il ait traversé l’échantillon biologique à tester. Ce composant sert à la calibration du dispositif qui doit afficher un spectre horizontal, lorsqu’il n’y pas d’échantillon à tester et que le faisceau du mini-spectromètre se réfléchit directement sur la surface du composant. Le dispositif comprend des cartes électroniques pour l’acquisition et le traitement du spectre transmis par le spectromètre NIR. Le traitement consiste en un ensemble d’algorithmes d’intelligence artificielle pour évaluer la présence ou non du virus dans l’échantillon biologique à travers sa signature spectrale. La carte de traitement est connectée à une base de données d’entrainement constituée par les spectres confirmés positifs ou négatifs par la technique de référence RT-qPCR. L’invention présente aussi la méthode d’évaluation de la présence ou non du virus à travers un modèle basé sur des algorithmes d’entrainement (Deep Learning) implémentés au niveau de la carte d’entrainement. Le modèle est basé sur la combinaison d’une série d’algorithmes d’intelligence artificielle. L’ensemble est géré à travers un moyen d’affichage et de commande qui peut être un téléphone mobile ou un afficheur fixe au niveau du dispositif. Le dispositif est alimenté directement par le réseau électrique ou par des batteries. Brève description des figures La description qui suit se réfère aux figures données à titre d’illustration pour mieux comprendre la topologie et le fonctionnement du dispositif de l’invention. Figure 1 : Vue détaillée de l’ensemble des composants du dispositif Figure 2 : Schéma éclaté du dispositif montrant les composants internes Figure 3 : Spectres avec les différents algorithmes de prétraitements spectraux Figure 4 : Longueurs d'ondes sélectionnées à l'aide d'un algorithme basé sur la forêt aléatoire
Figure 5 : Longueurs d'ondes sélectionnées à l'aide d'un algorithme basé sur l’algorithme génétique couplé avec la PLS-DA Figure 6 : Algorithmes de sélection des variables utilisées pour le capteur de l’invention. Figure 7 : Projection dans l’espace de l’ACP avec les trois premières composantes principales PC1, PC2 et PC3 Figure 8 : Résultats de prédiction pour la base de données de tests. Description détaillée de l’invention L'invention décrit un instrument capable de prédire rapidement la présence du Coronavirus SARS- Cov2 dans un échantillon de frottis nasopharyngé ou oropharyngé avec une sensibilité élevée. Le dispositif comprend un porte échantillon à lamelle de verre, un mini-spectromètre proche infra-rouge (NIR) et une source de lumière d’excitation, une carte électronique d’acquisition des données, une carte électronique de stockage et de transfert des données, une interface d'alimentation USB, une application mobile pour le traitement des données et l’affichage des résultats. Une fois qu'un échantillon à diagnostiquer de frottis nasopharyngé ou oropharyngé est récupéré selon le protocole de test de la RT-qPCR, il est placé sur une lamelle de verre, laquelle est installée dans le porte échantillon. L’analyse est ensuite lancée en définissant les paramètres via le l’application mobile. Le dispositif effectue automatiquement et instantanément l’analyse, en affichant la positivité ou négativité de l'échantillon et ce, grâce à la récupération de la signature spectrale de l’échantillon et à l’application d’algorithmes développés spécifiquement pour isoler la signature du virus SARS-COV2. Mode de réalisation préféré Le dispositif de détection prévisionnelle, tel que schématisé dans les figures 1 et 2, comporte un corps principal 2 sous forme d’un boitier contenant un spectromètre NIR 5, des cartes électroniques d’acquisition 8 et de traitement 9, une alimentation électrique 6, un porte échantillon 4 pour recevoir une lamelle 11 de verre transparent sur laquelle a été déposé un échantillon 12 de frottis nasopharyngé ou oropharyngé récupéré selon le protocole de test pour la PCR en temps réel (RT- qPCR).
La lamelle de verre 11 est un verre de spectroscopie inactif dans le domaine du proche infrarouge. Elle est ensuite posée sur le porte échantillon 4 qui comprend un moyen de guidage 13 de l’échantillon pour le positionner devant le faisceau lumineux d’un spectromètre NIR 5, lui-même logé dans un boitier 2 avec les cartes électroniques 8, 9 et le moyen d’alimentation électrique 6. Le capteur du spectromètre est logé dans l’ouverture 10 du boitier 2. Le boitier 2 comporte un couvercle 1 muni d’un logement 7 pour recevoir un revêtement blanc de référence couvrant au moins la surface en face de la fente faisant ouverture 10 ou est logé le spectromètre 5 lorsque le couvercle 1 est en position fermée, en référence à la figure 1(a). Le revêtement blanc logé en 7 sert à calibrer le dispositif pour donner environ 100% de réflectance. On peut par exemple citer le Spectralon® de la société Labsphere. En l’absence d’échantillon, le spectre est une ligne droite qui représente la référence. L’un des aspects de l’invention est que la carte d’acquisition 8 reçoit le spectre généré par le spectromètre (NIR) 5 et l’envoie vers la carte traitement 9 et vers le Cloud (ou « nuage » : infrastructure informatique distante). Le Cloud sert à mettre à jour la carte de traitement à l’aide des algorithmes d’Intelligence Artificielle (IA) qui sont installées au niveau du Cloud. Un objectif principal de cette architecture réseau est d’améliorer l’efficacité de prédiction grâce au principe du Deep Learning (pour « Apprentissage Profond »). Un autre aspect de l’invention est que la méthode de détection prévisionnelle comprend, après calibration du spectromètre (5) en lançant un test sans échantillon blanc de référence logé en 7, les étapes suivantes : - placer l’échantillon 12 prélevé sur le porte échantillon en verre 11 puis le poser sur le porte échantillon 4 et ensuite placer le support 4 devant la fente du spectromètre grâce au moyen de guidage 13, puis fermer le couvercle 1 ; - lancer le test via une application mobile ; - lire le résultat du test de prédiction via l’application mobile installée au niveau de l’interface utilisateur 14. L’interface utilisateur peut être fixe ou mobile. La communication avec les cartes électroniques 8 et 9 peut ainsi être assurée par câble ou par communication sans fils comme le Bluetooth.
Selon un aspect de l’invention, après l'acquisition des données par la carte d’acquisition 8, plusieurs étapes successives se déroulent pour extraire l'information afin de conclure si le virus SARS-COV 2 est présent ou non dans l’échantillon du patient. Ces étapes sont des outils de science des données et d'intelligence artificielle. La première étape consiste à appliquer des algorithmes de prétraitement spectral pour éliminer le bruit, les effets multiplicatifs et les effets additifs dans le spectre et également pour clarifier les bandes pertinentes dans le spectre. Parmi les algorithmes appliqués, on trouve la première et la deuxième dérivée de Savitsky-Golay, le lissage, Standard normal variates (SNV), multiplicative signal correction (MSC), orthogonal signal correction (OSC), Kubelka–Munk transform, piecewise multiplicative scatter correction (PMSC) et la normalisation. La deuxième étape consiste à appliquer les algorithmes de sélection de variables, cette étape consiste à trouver les variables qui ont une relation directe ou indirecte avec les zones d'absorbance virale de virus SARS-COV 2. Pour détecter ces variables, plusieurs algorithmes sont programmés et testés tels que les algorithmes génétiques, Random Forest, l’élimination des variables non informatives (UVE- PLS), la régression PLS par intervalles (iPLS) , la régression PLS par la sélection interactive de variables (IVS-PLS). Pour cela, une base de données de l'entrainement a été utilisée pour trouver ces variables. 300 échantillons de cas positifs et négatifs du SARS-COV 2 sont étudiés. Avec les algorithmes qui ont été testés, les longueurs d'onde suivantes sont sélectionnées comme variables de référence, importantes pour la classification des cas positifs ou négatifs de Coronavirus SARS-COV 2 à partir de l’échantillon de patient : 1355 nm, 1359 nm, 1386 nm, 1480 nm, 1510 nm, 1719 nm, 1726 nm, 1733 nm, 1740 nm, 1840 nm ,1860 nm,1917 nm , 1926 nm, 1935 nm , 1962 nm, 2200-2300 nm, 2477 nm, 2492 nm, 2507 nm, 2522 nm, 2538 nm. En outre, une étude utilisant l'analyse en composantes principales a été réalisée sur le spectre collecté, et sur la base de données avec les longueurs d'ondes sélectionnées pour voir s'il y a une séparation dans l'espace entre les spectres positifs et négatifs en utilisant ce capteur NIR. Les résultats obtenus (figure 7) montrent qu'il y a une séparation visuelle en utilisant seulement trois composants principaux.
La troisième étape consiste à développer le modèle de prédiction en utilisant des équations de prédiction et le modèle entraîné par une base de données d'apprentissage. Pour la validation de ce modèle une base de données de tests externes a été utilisée. Cette étape vise à trouver les poids des longueurs d'ondes caractéristiques du virus SARS-COV 2, générées par la deuxième étape. En effet, l'idée est d’utiliser une équation constituée par deux modèles de classification : le modèle 1 destiné à la prédiction d'une valeur Ypos pour classifier les cas positifs et le modèle 2 destiné à la prédiction d'une valeur Yneg pour classifier les cas négatifs. Pour trouver le contact et les coefficients du premier et du deuxième modèle, l'algorithme de classification PLS-DA a été adopté. 300 échantillons avec 150 cas positifs et 150 cas négatifs ont été utilisés pour l’entrainement, et 125 échantillons avec 61 cas négatifs et 64 cas positifs ont été utilisés pour valider les résultats de l'entrainement. Dans un premier temps, la base de données de calibration a été utilisée pour construire les modèles 1 et 2 en utilisant l'approche PLS-DA (pour «Partial Least Square » : Moindres Carrés Partiels), une validation croisée a été programmée lors de l'entrainement pour faciliter l'optimisation des modèles (c'est-à-dire que la validation croisée permet de trouver les meilleurs coefficients qui séparent mieux les cas positifs et négatifs). Dans un deuxième temps, une règle de séparation a été adoptée pour classer les deux cas (si la valeur prédite par le premier modèle Ypos dépasse la valeur prédite par le deuxième modèle Yneg, l'algorithme déclarera que le cas est positif sinon l'algorithme déclarera le cas négatif. Enfin, la précision de cette approche a été testée par la base de données de validation de la Fig.7 pour justifier la validité de cette approche. Pour cela une base de données comprenant 425 (300 pour la calibration et 125 pour le test) échantillons de patients testés et dont les résultats ont été confirmés par le test de référence RT-qPCR, a été utilisée pour entrainer le modèle de prédiction. L’algorithme de prédiction s'écrit selon la logique suivante :
En se basant sur les modèles suivants :
avec : - α0 représente la constante de correction du premier modèle. - β0 représente la constante de correction du deuxième modèle. - xi représente la réflectance correspond à chaque longueur d'onde i. - αi représente les coefficients du modèle qui correspond à chaque longueur d'onde i du premier modèle. - βi représente les coefficients du modèle qui correspond à chaque longueur d'onde i du deuxième modèle. Les modèles finaux sont générés par un ensemble de variables comprenant les variables caractéristiques qui sont sélectionnées à partir de la deuxième étape. Le nombre total des variables sélectionnées est de 345 longueurs d'ondes. Quelques coefficients de chaque longueur d'onde sont indiqués dans le tableau suivant : Tableau -1
Claims
Revendications 1. Dispositif de détection prévisionnelle de la présence d’un virus de l’espèce SARS-COV tel que le virus SARS-COV2, dans un échantillon de frottis nasopharyngé ou oropharyngé prélevé sur un patient, comprenant : - des moyens de spectrométrie coopérant avec des moyens pour recevoir un échantillon (12) de frottis nasopharyngé ou oropharyngé et délivrant des données spectrales d’absorbance, et - des moyens pour traiter ces données spectrales d’absorbance, de façon à délivrer une information de détection de la présence dudit virus dans ledit échantillon, lesdits moyens de spectrométrie comprenant des moyens de spectrométrie proche infrarouge NIR (5) prévus pour identifier des zones d’absorbance virale et lesdits moyens de traitement étant agencés pour (i) sélectionner des variables de longueur d’onde, (ii) trouver parmi lesdites variables sélectionnées des variables ayant une relation directe ou indirecte avec des zones d’absorbance virale du virus SARS-COV2, (iii) les comparer avec des variables importantes de référence pour une classification de cas positifs ou négatifs et (iv) prédire la présence ou non du virus dans ledit échantillon (12), caractérisé en ce que les moyens de spectrométrie sont disposés au sein d’un boitier comportant des moyens de guidage (13) pour positionner l’échantillon (12) devant un faisceau lumineux d’excitation du spectromètre (5), via une ouverture (10) dudit boitier (2).
2. Dispositif de détection selon la revendication précédente, caractérisé en ce que le boitier (2) est pourvu d’un couvercle (1) prévu pour recevoir des moyens (7) pour calibrer les moyens de spectrométrie.
3. Dispositif de détection selon la revendication précédente, caractérisé en ce que les moyens de calibration (7) comprennent un revêtement blanc de référence disposé sur la surface intérieure du couvercle sensiblement en vis-à-vis de l’ouverture (10) lorsque ledit couvercle (1) est en position fermée.
4. Dispositif de détection selon l’une quelconque des revendications précédentes, caractérisé en ce que les moyens de traitement sont en outre agencés pour prétraiter le spectre mesuré de façon à en éliminer les bruits et effets parasites.
5. Dispositif de diagnostic selon l’une quelconque des revendications précédentes, caractérisé en ce que les moyens de traitement sont en outre agencés pour prétraiter le spectre mesuré de façon à clarifier les bandes pertinentes dans ledit spectre.
6. Dispositif de détection selon l’une quelconque des revendications précédentes, caractérisé en ce que les moyens de traitement sont en outre agencés pour sélectionner les variables de longueurs d’ondes importantes pour la classification des cas positifs ou négatifs de Coronavirus SARS-COV2 parmi les longueurs d'ondes de référence suivantes : 1355 nm, 1359 nm, 1386 nm, 1480 nm, 1510 nm, 1719 nm, 1726 nm, 1733 nm, 1740 nm, 1840 nm ,1860 nm,1917 nm , 1926 nm, 1935 nm , 1962 nm, 2200-2300 nm, 2477 nm, 2492 nm, 2507 nm, 2522 nm, 2538 nm.
7. Dispositif de détection selon l’une quelconque des revendications précédentes, caractérisé en ce que les moyens de traitement sont en outre agencés pour détecter des variables importantes pour les moyens de spectrométrie NIR en implémentant au moins un algorithme parmi un groupe d’algorithmes comprenant des algorithmes génétiques, un algorithme « Random Forest », un algorithme d’élimination des variables non informatives (UVE-PLS), un algorithme de régression PLS par intervalles (iPLS), un algorithme de régression PLS par sélection interactive de variables (IVS-PLS).
8. Dispositif de détection selon l’une quelconque des revendications précédentes, caractérisé en ce que les moyens de traitement sont en outre agencés pour détecter des variables importantes pour les moyens de spectrométrie par mise en œuvre d’une base de données d'entrainement contenant les spectres d’échantillons de cas positifs et négatifs du SARS-COV 2.
9. Dispositif de détection selon l’une quelconque des revendications précédentes, caractérisé en ce que les moyens de traitement sont en outre agencés pour prédire une présence ou non du virus dans l’échantillon en implémentant une ou plusieurs équations de prédiction et un modèle entraîné par une base de données d’apprentissage externe.
10. Dispositif de détection selon l’une quelconque des revendications précédentes, caractérisé en ce qu’il est adapté pour traiter un échantillon (12) de frottis nasopharyngé ou oropharyngé récupéré selon le protocole de test de référence de la PCR en temps réel (RT-qPCR).
11. Procédé pour la détection prévisionnelle de la présence d’un virus de l’espèce SARS- COV tel que le virus SARS-CoV-2, dans un échantillon de frottis nasopharyngé ou oropharyngé prélevé sur un patient, mis en œuvre dans un dispositif de détection prévisionnelle de la présence d’un virus de l’espèce SARS- COV tel que le virus SARS-CoV- 2, dans un échantillon de frottis nasopharyngé ou oropharyngé prélevé sur un patient, selon l’une quelconque des revendications précédentes, ce procédé comprenant : - une étape de spectrométrie réalisée sur un échantillon (12) de frottis nasopharyngé ou oropharyngé et délivrant des données spectrales d’absorbance, et - une étape de traitement de ces données spectrales d’absorbance de façon à délivrer une information de détection de la présence dudit virus dans ledit échantillon, ladite étape de spectrométrie comprenant une spectrométrie proche infrarouge (NIR) prévue pour identifier des zones d’absorbance virale et ladite étape de traitement comprenant des étapes pour (i) sélectionner des variables de longueur d’onde, (ii) trouver parmi lesdites variables sélectionnées des variables ayant une relation directe ou indirecte avec des zones d’absorbance virale du virus SARS- COV2, (iii) les comparer avec des variables importantes de référence pour une classification de cas positifs ou négatifs et (iv) prédire la présence ou non du virus dans ledit échantillon,
caractérisé en ce qu’il comprend en outre une étape pour positionner l’échantillon (12) devant un faisceau lumineux d’excitation d’un spectromètre (5) disposé au sein d’un boîtier pourvu d’une ouverture (10) pour faire passer ledit faisceau lumineux.
12. Procédé selon la revendication précédente, caractérisé en ce qu’il comprend en outre une étape pour prétraiter le spectre mesuré de façon à en éliminer les bruits et effets parasites.
13. Procédé selon l’une des deux revendications précédentes, caractérisé en ce qu’il comprend en outre une étape pour prétraiter le spectre mesuré de façon à clarifier les bandes pertinentes dans ledit spectre.
14. Procédé selon l’une quelconque des revendications 11 à 13, caractérisé en ce que les variables de longueurs d’ondes importantes pour la classification des cas positifs ou négatifs de Coronavirus SARS-COV 2 sont choisies parmi les longueurs d'ondes suivantes : 1355 nm, 1359 nm, 1386 nm, 1480 nm, 1510 nm, 1719 nm, 1726 nm, 1733 nm, 1740 nm, 1840 nm ,1860 nm,1917 nm , 1926 nm, 1935 nm , 1962 nm, 2200-2300 nm, 2477 nm, 2492 nm, 2507 nm, 2522 nm, 2538 nm.
15. Procédé selon la revendication précédente, caractérisé en ce que l’étape pour détecter des variables importantes pour prédire la présence du virus à l’aide de la spectroscopie NIR implémente au moins un algorithme parmi un groupe d’algorithmes comprenant des algorithmes génétiques, un algorithme « Random Forest », un algorithme d’élimination des variables non informatives (UVE-PLS), un algorithme de régression PLS par intervalles (iPLS), un algorithme de régression PLS par sélection interactive de variables (IVS-PLS).
16. Procédé selon l’une des deux revendications précédentes, caractérisé en ce que l’étape pour détecter des variables importantes pour prédire la présence du virus à l’aide de la spectroscopie NIR met en œuvre une base de données d'entrainement contenant les spectres d’échantillons de cas positifs et négatifs du SARS-COV 2.
17. Procédé selon l’une quelconque des revendications 11 à 16, caractérisé en ce que l’étape de prédiction implémente une ou plusieurs équations de prédiction et un modèle entraîné par une base de données d’apprentissage externe.
18. Procédé selon la revendication précédente, caractérisé en ce que les équations de prédictions pour les cas positifs Ypos et les cas négatifs Yneg sont : Ypos=α0+∑ni=0αi∗ xi et Yneg=β0+∑ni=0βi∗ xi avec : - α0 , β0 représentent les constantes de correction, - xi représente la réflectance correspondant à chaque longueur d'onde i, - αi, βi représentent les coefficients qui correspondent à chaque longueur d'onde i du premier et du deuxième modèle.
19. Procédé selon la revendication précédente, caractérisé en ce que le résultat de prédiction est positif si Ypos > Yneg , sinon le résultat est négatif.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| MA50886A MA50886B1 (fr) | 2020-09-11 | 2020-09-11 | Dispositif de détection prévisionnelle de la présence d’un virus de l’espèce sars-cov tel que le virus sars-cov-2 dans un échantillon biologique prélevé sur un patient |
| MA50886 | 2020-09-11 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| WO2022055339A1 true WO2022055339A1 (fr) | 2022-03-17 |
| WO2022055339A4 WO2022055339A4 (fr) | 2022-04-14 |
Family
ID=78087435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/MA2021/050011 WO2022055339A1 (fr) | 2020-09-11 | 2021-09-03 | Dispositif de détection prévisionnelle de la présence d'un virus de l'espèce sars-cov tel que le virus sars-cov-2 dans un échantillon biologique prélevé sur un patient |
Country Status (2)
| Country | Link |
|---|---|
| MA (1) | MA50886B1 (fr) |
| WO (1) | WO2022055339A1 (fr) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016063284A2 (fr) * | 2014-10-23 | 2016-04-28 | Verifood, Ltd. | Accessoires pour spectromètre portatif |
| US10253346B2 (en) | 2013-08-07 | 2019-04-09 | Seraph Biosciences, Inc. | Hand-held micro-raman based detection instrument and method of detection |
-
2020
- 2020-09-11 MA MA50886A patent/MA50886B1/fr unknown
-
2021
- 2021-09-03 WO PCT/MA2021/050011 patent/WO2022055339A1/fr active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10253346B2 (en) | 2013-08-07 | 2019-04-09 | Seraph Biosciences, Inc. | Hand-held micro-raman based detection instrument and method of detection |
| WO2016063284A2 (fr) * | 2014-10-23 | 2016-04-28 | Verifood, Ltd. | Accessoires pour spectromètre portatif |
Non-Patent Citations (2)
| Title |
|---|
| KHAN RABIA SANAM ET AL: "Spectroscopy as a tool for detection and monitoring of Coronavirus (COVID-19)", EXPERT REVIEWS IN MOLECULAR DIAGNOSTICS, vol. 20, no. 7, 2 July 2020 (2020-07-02), GB, pages 647 - 649, XP055866992, ISSN: 1473-7159, Retrieved from the Internet <URL:http://dx.doi.org/10.1080/14737159.2020.1766968> DOI: 10.1080/14737159.2020.1766968 * |
| SAKUDO A ET AL: "Near-infrared spectroscopy: Promising diagnostic tool for viral infections", BIOCHEMICAL AND BIOPHYSICAL RESEARCH COMMUNICATIONS, ELSEVIER, AMSTERDAM NL, vol. 341, no. 2, 10 March 2006 (2006-03-10), pages 279 - 284, XP024923869, ISSN: 0006-291X, [retrieved on 20060310], DOI: 10.1016/J.BBRC.2005.12.153 * |
Also Published As
| Publication number | Publication date |
|---|---|
| MA50886B1 (fr) | 2022-07-29 |
| WO2022055339A4 (fr) | 2022-04-14 |
| MA50886A1 (fr) | 2022-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Faltynkova et al. | Hyperspectral imaging as an emerging tool to analyze microplastics: A systematic review and recommendations for future development | |
| US11262286B2 (en) | Label-free bio-aerosol sensing using mobile microscopy and deep learning | |
| US8655807B2 (en) | Methods for forming recognition algorithms for laser-induced breakdown spectroscopy | |
| US8013991B2 (en) | Raman difference spectra based disease classification | |
| US8339598B2 (en) | Compact, low cost raman monitor for single substances | |
| US7808633B2 (en) | Spectroscopic system and method for predicting outcome of disease | |
| US7477378B2 (en) | Method for correlating spectroscopic measurements with digital images of contrast enhanced tissue | |
| US8253936B2 (en) | Raman characterization of transplant tissue | |
| US10360995B2 (en) | System and method for partitioning chemometric analysis | |
| US20180360390A1 (en) | Methods and systems for diagnosing or monitoring progress of a pathology using laser induced breakdown spectroscopy and biological fluids | |
| EP3257947B1 (fr) | Procede et systeme d'identification du type de gram d'une bacterie | |
| JP2014532873A5 (fr) | ||
| US7956996B2 (en) | Distinguishing between invasive ductal carcinoma and invasive lobular carcinoma using raman molecular imaging | |
| Randolph | Scale-based normalization of spectral data | |
| Yao et al. | Hyperspectral image classification and development of fluorescence index for single corn kernels infected with Aspergillus flavus | |
| US7843556B2 (en) | Portable device and method for on-site detection and quantification of drugs | |
| Korinth et al. | New methodology to process shifted excitation Raman difference spectroscopy data: a case study of pollen classification | |
| WO2022055339A1 (fr) | Dispositif de détection prévisionnelle de la présence d'un virus de l'espèce sars-cov tel que le virus sars-cov-2 dans un échantillon biologique prélevé sur un patient | |
| US8289503B2 (en) | System and method for classifying a disease state using representative data sets | |
| US11982568B2 (en) | Systems and methods for in situ optimization of tunable light emitting diode sources | |
| FR3050824A1 (fr) | Procede et appareil de mesure de la concentration en eau dans un materiau diffusant la lumiere. | |
| Lasch et al. | Data acquisition and analysis in biomedical vibrational spectroscopy | |
| FR3075965A1 (fr) | Procede non invasif de determination de la fertilite et/ou du sexe d'un oeuf en fonction d'au moins une caracteristique de fluorescence | |
| AU774890B2 (en) | Optical analysis of grain stream | |
| Quintás et al. | Multiplexed Fourier Transform Infrared and Raman Imaging |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21790573 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 21790573 Country of ref document: EP Kind code of ref document: A1 |