Abstract Current technologies for acquiring spatial transcript information from tissue sections rely on either RNA probes or spatial barcodes. The former methods require a priori knowledge for probeset formulation; the latter have yet to achieve single cell resolution and/or transcript capture efficiencies approaching dissociative, single-cell methods. Here, we describe a novel spatial transcriptome assay called p olony (or DNA cluster)- i nde xe d l ibrary-sequencing (PIXEL-seq). It improves upon other spatial barcoding methods by employing “continuous” polony oligos arrayed across a customized gel surface. In terms of assay performance, PIXEL-seq attains ≤ 1 µm resolution and captures >1,000 unique molecular identifiers/10×10 µm 2 . In other words, this global, naive platform achieves subcellular spatial transcriptome mapping while maintaining high transcript capture efficiencies.

Abstract Protein dimerization systems that can be controlled by red light with increased tissue penetration depth are a highly needed optogenetic tool for clinical applications such as cell and gene therapies. However, existing red light-induced dimerization systems are all based on phytochrome photoreceptors and naturally occurring binding partners with complex structures and suboptimal in vivo performance, limiting mammalian applications. Here, we introduce an efficient, generalizable method (COMBINES-LID) for creating highly specific light-induced dimerization systems. Proof-of-principle was provided by creating nano body-based, r ed light-induced d imerization (nanoReD) systems comprising a truncated bacterial phytochrome sensory module using a mammalian endogenous chromophore, biliverdin, and light-form specific nanobodies. Selected nanoReD systems were biochemically characterized and exhibited low dark activity and high induction specificity for in vivo activation of gene expression. Overall, COMBINES-LID opens new opportunities for creating genetically encoded actuators for the optical manipulation of biological processes.

Abstract An outstanding challenge in protein design is the design of binders against therapeutically relevant target proteins via scaffolding the discontinuous binding interfaces present in their often large and complex binding partners. There is currently no method for sampling through the almost unlimited number of possible protein structures for those capable of scaffolding a specified discontinuous functional site; instead, current approaches make the sampling problem tractable by restricting search to structures composed of pre-defined secondary structural elements. Such restriction of search has the disadvantage that considerable trial and error can be required to identify architectures capable of scaffolding an arbitrary discontinuous functional site, and only a tiny fraction of possible architectures can be explored. Here we build on recent advances in de novo protein design by deep network hallucination to develop a solution to this problem which eliminates the need to pre-specify the structure of the scaffolding in any way. We use the trRosetta residual neural network, which maps input sequences to predicted inter-residue distances and orientations, to compute a loss function which simultaneously rewards recapitulation of a desired structural motif and the ideality of the surrounding scaffold, and generate diverse structures harboring the desired binding interface by optimizing this loss function by gradient descent. We illustrate the power and versatility of the method by scaffolding binding sites from proteins involved in key signaling pathways with a wide range of secondary structure compositions and geometries. The method should be broadly useful for designing small stable proteins containing complex functional sites.