An integrated workflow based on liquid chromatography coupled to a quadrupole-time-of-flight mass spectrometer (LC-QTOF-MS) was developed and applied to detect and identify suspect and unknown contaminants in Greek wastewater. Tentative identifications were initially based on mass accuracy, isotopic pattern, plausibility of the chromatographic retention time and MS/MS spectral interpretation (comparison with spectral libraries, in silico fragmentation). Moreover, new specific strategies for the identification of metabolites were applied to obtain extra confidence including the comparison of diurnal and/or weekly concentration trends of the metabolite and parent compounds and the complementary use of HILIC. Thirteen of 284 predicted and literature metabolites of selected pharmaceuticals and nicotine were tentatively identified in influent samples from Athens and seven were finally confirmed with reference standards. Thirty four nontarget compounds were tentatively identified, four were also confirmed. The sulfonated surfactant diglycol ether sulfate was identified along with others in the homologous series (SO4C2H4(OC2H4)xOH), which have not been previously reported in wastewater. As many surfactants were originally found as nontargets, these compounds were studied in detail through retrospective analysis.

This study presents the development and validation of a comprehensive quantitative target methodology for the analysis of 2316 emerging pollutants in water based on Ultra-Performance Liquid Chromatography Quadrupole-Time-Of-Flight Mass Spectrometry (UPLC-Q-ToF-HRMS/MS). Target compounds include pesticides, pharmaceuticals, drugs of abuse, industrial chemicals, doping compounds, surfactants and transformation products, among others. The method was validated for 195 analytes, chosen to be representative of the chemical space of the target list, enabling the assessment of the performance of the method. The method involves a generic sample preparation based on mixed mode solid phase extraction, a UPLC-QTOF-MS/MS screening method using Data Independent Acquisition (DIA) mode, which provides MS and MS/MS spectra simultaneously and an elaborate strong post-acquisition evaluation of the data. The processing method was optimized to provide a successful identification rate >95 % and to minimize the number of false positive results (< 5 %). Decision limit (CCα) and detection capability (CCβ) were also introduced in the validation scheme to provide more realistic metrics on the performance of a HRMS-based wide-scope screening method. A new system of identification points (IPs) based on the one described in the Commission Decision 2002/657/EC was applied to communicate the confidence level in the identification of the analytes. This system considers retention time, mass accuracy, isotopic fit and fragmentation; taking full advantage of the capacities of the HRMS instruments. Finally, 398 contaminants were detected and quantified in real wastewater.

Abstract There is an urgent demand to manufacture an effective and safe vaccine to prevent SARS-CoV2 infection, which resulted in a global pandemic. In this study, we developed an inactivated whole-virus SARS-CoV-2 candidate vaccine named COVIran Barekat. Immunization at two different doses (3 µg or 5 µg per dose) elicited a high level of SARS-CoV-2 specific neutralizing antibodies in mice, rabbits, and non-human primates. The results show the safety profile in studied animals (include guinea pig, rabbit, mice, and monkeys). Rhesus macaques were immunized with the two-dose of 5 µg and 3 µg of the COVIran Barekat vaccine and showed highly efficient protection against 104 TCID50 of SARS-CoV-2 intratracheal challenge compared with the control group. These results highlight the COVIran Barekat vaccine as a potential candidate to induce a strong and potent immune response which may be a promising and feasible vaccine to protect against SARS-CoV2 infection.

Abstract Over the last century, outbreaks and pandemics have occurred with disturbing regularity, necessitating advance preparation and large-scale, coordinated response. Here, we developed a machine learning predictive model of disease severity and length of hospitalization for COVID-19, which can be utilized as a platform for future unknown viral outbreaks. We combined untargeted metabolomics on plasma data obtained from COVID-19 patients (n = 111) during hospitalization and healthy controls (n = 342), clinical and comorbidity data (n = 508) to build this patient triage platform, which consists of three parts: (i) the clinical decision tree, which amongst other biomarkers showed that patients with increased eosinophils have worse disease prognosis and can serve as a new potential biomarker with high accuracy (AUC = 0.974), (ii) the estimation of patient hospitalization length with ± 5 days error (R 2 = 0.9765) and (iii) the prediction of the disease severity and the need of patient transfer to the intensive care unit. We report a significant decrease in serotonin levels in patients who needed positive airway pressure oxygen and/or were intubated. Furthermore, 5-hydroxy tryptophan, allantoin, and glucuronic acid metabolites were increased in COVID-19 patients and collectively they can serve as biomarkers to predict disease progression. The ability to quickly identify which patients will develop life-threatening illness would allow the efficient allocation of medical resources and implementation of the most effective medical interventions. We would advocate that the same approach could be utilized in future viral outbreaks to help hospitals triage patients more effectively and improve patient outcomes while optimizing healthcare resources.

Abstract Background Prioritisation of chemical pollutants is a major challenge for environmental managers and decision-makers alike, which is essential to help focus the limited resources available for monitoring and mitigation actions on the most relevant chemicals. This study extends the original NORMAN prioritisation scheme beyond target chemicals, presenting the integration of semi-quantitative data from retrospective suspect screening and expansion of existing exposure and risk indicators. The scheme utilises data retrieved automatically from the NORMAN Database System (NDS), including candidate substances for prioritisation, target and suspect screening data, ecotoxicological effect data, physico-chemical data and other properties. Two complementary workflows using target and suspect screening monitoring data are applied to first group the substances into six action categories and then rank the substances using exposure, hazard and risk indicators. The results from the ‘target’ and ‘suspect screening’ workflows can then be combined as multiple lines of evidence to support decision-making on regulatory and research actions. Results As a proof-of-concept, the new scheme was applied to a combined dataset of target and suspect screening data. To this end, > 65,000 substances on the NDS, of which 2579 substances supported by target wastewater monitoring data, were retrospectively screened in 84 effluent wastewater samples, totalling > 11 million data points. The final prioritisation results identified 677 substances as high priority for further actions, 7455 as medium priority and 326 with potentially lower priority for actions. Among the remaining substances, ca. 37,000 substances should be considered of medium priority with uncertainty, while it was not possible to conclude for 19,000 substances due to insufficient information from target monitoring and uncertainty in the identification from suspect screening. A high degree of agreement was observed between the categories assigned via target analysis and suspect screening-based prioritisation. Suspect screening was a valuable complementary approach to target analysis, helping to prioritise thousands of substances that are insufficiently investigated in current monitoring programmes. Conclusions This updated prioritisation workflow responds to the increasing use of suspect screening techniques. It can be adapted to different environmental compartments and can support regulatory obligations, including the identification of specific pollutants in river basins and the marine environments, as well as the confirmation of environmental occurrence levels predicted by modelling tools. Graphical Abstract