Abstract Coronavirus disease 2019 (COVID-19) is caused by the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). The rapid, sensitive and specific diagnosis of SARS-CoV-2 by fast and unambiguous testing is widely recognized to be critical in responding to the ongoing outbreak. Since the current testing capacity of RT-PCR-based methods is being challenged due to the extraordinary demand of supplies, such as RNA extraction kits and PCR reagents worldwide, alternative and/or complementary testing assays should be developed. Here, we exploit the potential of mass spectrometry technology combined with machine learning algorithms as an alternative fast tool for SARS-CoV-2 detection from nasopharyngeal swabs samples. According to our preliminary results, mass spectrometry-based methods combined with multivariate analysis showed an interesting potential as a complementary diagnostic tool and further steps should be focused on sample preparation protocols and the improvement of the technology applied.

ABSTRACT Laboratory surveillance of Streptococcus pneumoniae serotypes is crucial for the successful implementation of vaccines to prevent invasive pneumococcal diseases. The reference method of serotyping is the Quellung reaction, which is labor-intensive and expensive. In the last few years, the introduction of MALDI-TOF MS into the microbiology laboratory has been revolutionary. In brief, this new technology compares protein profiles by generating spectra based on the mass to charge ratio (m/z). We evaluated the performance of MALDI-TOF MS for typing serotypes of S. pneumoniae isolates included in the PCV13 vaccine using a machine learning approach. We challenged our classification algorithms in “real time” with a total of new 100 isolates of S. pneumoniae from Argentinian nationwide surveillance. Our best approach could correctly identify the isolates with a sensitivity of 58.33 % ([95%IC 40.7-71.7]); specificity of 81.48 % ([95%IC 53.6-79.7]); accuracy of 63.0% ([95%IC 61.9-93.7]); PPV of 80.77% ([95%IC 64.5-90.6]) and NPV of 59.46% ([95%IC 48.9-69.2]). In this work, it was possible to demonstrate that the combination of MALDI-TOF mass spectrometry and multivariate analysis allows the development of new strategies for the identification and characterization of Spn isolates of clinical importance; and we consider that by using AI, as more data becomes available the models will get better and more precise.