Societat 21/07/2020

L’agrupació de mostres pot reduir en un 90% la quantitat de proves PCR

Una senzilla estratègia d’agrupament permet detectar un positiu en 16 mostres amb 9 proves

Toni Pou
3 min
Veïns de Lleida, en un carrer de la ciutat

BarcelonaA hores d’ara ha quedat clar que una acció clau per contenir els brots de covid-19 és la realització massiva de tests PCR. Aquestes proves són fiables, però si s’han de fer a grans quantitats de gent el cost del procés pot augmentar i esdevenir insostenible per a alguns sistemes sanitaris. Per resoldre aquesta limitació, països com la Xina, l’Índia, Alemanya i els Estats Units estan utilitzant una estratègia que es va popularitzar durant la Segona Guerra Mundial per fer proves de sífilis als soldats: agrupar les mostres i aplicar-los un sol test.

Si el resultat del test grupal és negatiu, significa que cap de les mostres agrupades és positiva. D’aquesta manera es pot determinar un conjunt de negatius amb una sola prova, cosa que estalvia tests i temps de laboratori. Si el resultat és positiu, però, cal recuperar les mostres individuals per fer més tests i esbrinar quines són positives. I això es pot fer de diverses maneres. L’opció més directa és fer un test a cada mostra. En aquest cas, si s’han fet agrupacions de 16 mostres, s’haurien fet 17 tests per trobar tots els positius del grup. Aquest excés d’un test més del que seria necessari quedaria compensat pel fet que en les agrupacions en què no es trobés cap positiu només hauria calgut un test per a tot el grup de mostres.

Dividir la mostra en subgrups

Una altra manera d’esbrinar els positius en un agrupament consisteix en dividir la mostra en subgrups i aplicar un sol test a cadascun d’ells. En els subgrups amb resultat negatiu, no caldria fer res més, mentre que en els subgrups que donessin positiu, s’haurien de fer tests individuals a cadascuna de les mostres per identificar-ne les positives. Amb aquest procediment, si en un agrupament de 16 mostres n’hi ha una de positiva i es fan subgrups de 4, caldrien 9 tests per identificar-la. No hi ha dubte que aquest mètode estalvia tests, però, com a contrapartida, implica tres rondes de proves, amb la qual cosa pot endarrerir el temps del diagnòstic, un paràmetre que pot ser crític per controlar l’epidèmia.

Hi ha, però, una manera d’estalviar una ronda de testatge. Si es distribueixen les 16 mostres en una quadrícula de 4 mostres de costat, es pot fer un test per a cada fila i un test per a cada columna. Si una de les mostres és positiva, hi haurà una columna i una fila amb resultats positius. Un cop fet això, identificar la mostra positiva és tan senzill com jugar a vaixells: la fila i la columna positives es creuaran en la mostra positiva. Amb aquest mètode, el nombre de tests necessaris per fer la identificació es manté en 9, però només es requereixen dues rondes de proves.

Fórmules més complexes

Si es vol guanyar encara més temps, hi ha maneres més sofisticades d’identificar un positiu amb una sola ronda de tests. En un treball publicat al repositori en línia arXiv, científics del Perimeter Institute for Theoretical Physics del Canadà i de diversos centres de recerca de Ruanda han desenvolupat una metodologia que ja estan aplicant al país africà. Amb aquest mètode, basat en un complex model matemàtic, es pot identificar una mostra positiva agrupada amb 26 mostres negatives amb tan sols 9 tests que es poden fer alhora. Segons aquest model, a mesura que la prevalença de la malaltia baixa, l’optimització del procés de test augmenta. Els autors, que donen una estimació del nombre òptim de mostres que s’han d’agrupar en funció de la prevalença, afirmen que si s’aplica aquesta metodologia es pot reduir el cost d’un procés de testatge massiu en un 90%.

Ara bé, una cosa és la teoria i l’altra el que es pot fer en un laboratori. A mesura que augmenta la quantitat de mostres agrupades, el procés de subdividir-les per fer una sola ronda de proves és més complicat. Fer agrupacions de 9, 10 o 16 mostres, subdividir-les i aplicar els primers processos de testatge descrits més amunt és a l’abast de qualsevol tècnic de laboratori, però si l’objectiu és assolir la màxima optimització, no hi ha més remei que dissenyar un programari que indiqui com agrupar i aplicar els tests a les mostres. Això és el que han fet a l’Institut Indi de Tecnologia, a Bombai, on, segons anuncia la revista Nature, s’han pogut detectar 5 mostres positives d’entre un total de 320 a partir de 48 tests executats en una sola ronda.

stats