[论文解读] A Compressed Sensing Approach to Group-testing for COVID-19 Detection

Sabyasachi Ghosh, Rishi Agarwal+9 more|arXiv (Cornell University)|May 16, 2020

SARS-CoV-2 detection and testing被引用 28

一句话总结

Tapestry 是一种基于压缩感知的混合检测方法，用于通过定量 PCR 检测 SARS-CoV-2，可在单轮检测中实现对 pooled 样本的个体病毒载量估计。该方法即使在 10% 的流行率下，也能以较低的假阳性和假阴性率识别最多 $ k = O(t / \log n) $ 个感染样本，显著减少检测时间和试剂使用量，且无需进行确证性检测。

ABSTRACT

We propose Tapestry, a novel approach to pooled testing with application to COVID-19 testing with quantitative Polymerase Chain Reaction (PCR) that can result in shorter testing time and conservation of reagents and testing kits. Tapestry combines ideas from compressed sensing and combinatorial group testing with a novel noise model for PCR. Unlike Boolean group testing algorithms, the input is a quantitative readout from each test, and the output is a list of viral loads for each sample. While other pooling techniques require a second confirmatory assay, Tapestry obtains individual sample-level results in a single round of testing. When testing $n$ samples with $t$ tests, as many as $k= O(t / \log n)$ infected samples can be identified at clinically-acceptable false positive and false negative rates. This makes Tapestry viable even at prevalence rates as high as 10\%. Tapestry has been validated in simulations as well as in wet lab experiments with oligomers. Clinical trials with Covid-19 samples are underway. An accompanying Android application Byom Smart Testing which makes the Tapestry protocol straightforward to implement in testing centres is available for free download.

研究动机与目标

• 开发一种可扩展、高效的 SARS-CoV-2 混合检测方法，以减少检测时间并节约试剂使用量。
• 利用定量 PCR 检测结果，实现从 pooled 样本中估计个体病毒载量，避免确证性检测的需要。
• 即使在高流行率（如 10%）下，仍能保持较低的假阳性率和假阴性率。
• 设计一种实用且可实施的检测方案，适用于真实临床检测环境。
• 通过模拟、使用寡核苷酸的湿实验以及针对真实 SARS-CoV-2 样本的临床试验，对方法进行验证。

提出的方法

• Tapestry 将压缩感知与组合群组检测原理相结合，并引入一种专为定量 PCR 检测设计的新型噪声模型。
• 采用 pooling 矩阵将多个个体样本混合为单一检测样本，利用 PCR 的定量输出推断个体病毒载量。
• 该方法将 PCR 噪声建模为病毒载量和 pooling 效应的函数，从而实现对个体样本结果的稳健重建。
• 采用一种重建算法，通过求解优化问题，从 pooled 检测结果中估计个体病毒载量。
• 该方法旨在通过 $ t $ 次 pooled 检测，在 $ n $ 个样本中识别最多 $ k = O(t / \log n) $ 个感染样本。
• 提供一款名为 Byom Smart Testing 的 Android 应用程序，以简化临床环境中检测流程的实施。

实验结果

研究问题

• RQ1 能否将压缩感知方法适配于使用定量 PCR 的 SARS-CoV-2 混合检测，以实现在单轮检测中完成个体诊断？
• RQ2 在临床可接受的误差率下，该方法最多能可靠识别多少个感染样本？
• RQ3 与标准布尔群组检测相比，所提出的 pooled 检测中 PCR 的噪声模型如何提升重建准确性？
• RQ4 该方法在高流行率（如 10%）下是否仍能保持性能，且无需进行确证性检测？
• RQ5 该方法在真实世界检测环境（包括临床实验室）中是否具备可扩展性和实用性？

主要发现

• Tapestry 可在单轮检测中实现从 pooled 样本中估计个体病毒载量，无需确证性检测。
• 该方法可识别最多 $ k = O(t / \log n) $ 个感染样本，即使在 10% 流行率下也具有可行性。
• 临床验证正在进行中，使用真实 SARS-CoV-2 样本；该方法已在模拟和使用寡核苷酸的湿实验中得到验证。
• 该方法通过每轮检测合并多个样本，显著缩短检测时间，并节约试剂和检测试剂盒。
• 新型 PCR 噪声模型提升了从 pooled 定量读数中重建个体病毒载量的准确性。
• 提供一款开源的 Android 应用程序 Byom Smart Testing，以支持检测中心的实时实施。