The recent spread of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) exemplifies the critical need for accurate and rapid diagnostic assays to prompt clinical and public health interventions. Currently, several quantitative reverse transcription–PCR (RT–qPCR) assays are being used by clinical, research and public health laboratories. However, it is currently unclear whether results from different tests are comparable. Our goal was to make independent evaluations of primer–probe sets used in four common SARS-CoV-2 diagnostic assays. From our comparisons of RT–qPCR analytical efficiency and sensitivity, we show that all primer–probe sets can be used to detect SARS-CoV-2 at 500 viral RNA copies per reaction. The exception for this is the RdRp-SARSr (Charité) confirmatory primer–probe set which has low sensitivity, probably due to a mismatch to circulating SARS-CoV-2 in the reverse primer. We did not find evidence for background amplification with pre-COVID-19 samples or recent SARS-CoV-2 evolution decreasing sensitivity. Our recommendation for SARS-CoV-2 diagnostic testing is to select an assay with high sensitivity and that is regionally used, to ease comparability between outcomes. This is a comparative analysis of the performance of the primer–probe sets from four open-source molecular diagnostic assays for SARS-CoV-2 recommended by the World Health Organization.

COVID-19 manifests with a wide spectrum of clinical phenotypes that are characterized by exaggerated and misdirected host immune responses1–6. Although pathological innate immune activation is well-documented in severe disease1, the effect of autoantibodies on disease progression is less well-defined. Here we use a high-throughput autoantibody discovery technique known as rapid extracellular antigen profiling7 to screen a cohort of 194 individuals infected with SARS-CoV-2, comprising 172 patients with COVID-19 and 22 healthcare workers with mild disease or asymptomatic infection, for autoantibodies against 2,770 extracellular and secreted proteins (members of the exoproteome). We found that patients with COVID-19 exhibit marked increases in autoantibody reactivities as compared to uninfected individuals, and show a high prevalence of autoantibodies against immunomodulatory proteins (including cytokines, chemokines, complement components and cell-surface proteins). We established that these autoantibodies perturb immune function and impair virological control by inhibiting immunoreceptor signalling and by altering peripheral immune cell composition, and found that mouse surrogates of these autoantibodies increase disease severity in a mouse model of SARS-CoV-2 infection. Our analysis of autoantibodies against tissue-associated antigens revealed associations with specific clinical characteristics. Our findings suggest a pathological role for exoproteome-directed autoantibodies in COVID-19, with diverse effects on immune functionality and associations with clinical outcomes. Rapid extracellular antigen profiling of a cohort of 194 individuals infected with SARS-CoV-2 uncovers diverse autoantibody responses that affect COVID-19 disease severity, progression and clinical and immunological characteristics.

BACKGROUND. The effects of the novel coronavirus disease 2019 (COVID-19) in pregnancy remain relatively unknown. We present a case of second trimester pregnancy with symptomatic COVID-19 complicated by severe preeclampsia and placental abruption.

Abstract SARS-CoV-2 remdesivir resistance mutations have been generated in vitro but have not been reported in patients receiving treatment with the antiviral agent. We present a case of an immunocompromised patient with acquired B-cell deficiency who developed an indolent, protracted course of SARS-CoV-2 infection. Remdesivir therapy alleviated symptoms and produced a transient virologic response, but her course was complicated by recrudescence of high-grade viral shedding. Whole genome sequencing identified a mutation, E802D, in the nsp12 RNA-dependent RNA polymerase, which was not present in pre-treatment specimens. In vitro experiments demonstrated that the mutation conferred a ~6-fold increase in remdesivir IC 50 but resulted in a fitness cost in the absence of remdesivir. Sustained clinical and virologic response was achieved after treatment with casirivimab-imdevimab. Although the fitness cost observed in vitro may limit the risk posed by E802D, this case illustrates the importance of monitoring for remdesivir resistance and the potential benefit of combinatorial therapies in immunocompromised patients with SARS-CoV-2 infection.

1 Summary The biomedical community is producing increasingly high dimensional datasets, integrated from hundreds of patient samples, which current computational techniques struggle to explore. To uncover biological meaning from these complex datasets, we present an approach called Multiscale PHATE, which learns abstracted biological features from data that can be directly predictive of disease. Built on a continuous coarse graining process called diffusion condensation, Multiscale PHATE creates a tree of data granularities that can be cut at coarse levels for high level summarizations of data, as well as at fine levels for detailed representations on subsets. We apply Multiscale PHATE to study the immune response to COVID-19 in 54 million cells from 168 hospitalized patients. Through our analysis of patient samples, we identify CD16 hi CD66b lo neutrophil and IFNγ + GranzymeB + Th17 cell responses enriched in patients who die. Further, we show that population groupings Multiscale PHATE discovers can be directly fed into a classifier to predict disease outcome. We also use Multiscale PHATE-derived features to construct two different manifolds of patients, one from abstracted flow cytometry features and another directly on patient clinical features, both associating immune subsets and clinical markers with outcome.

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.