The severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) readily infects a variety of cell types impacting the function of vital organ systems, with particularly severe impact on respiratory function. It proves fatal for one percent of those infected. Neurological symptoms, which range in severity, accompany a significant proportion of COVID-19 cases, indicating a potential vulnerability of neural cell types. To assess whether human cortical cells can be directly infected by SARS-CoV-2, we utilized primary human cortical tissue and stem cell-derived cortical organoids. We find significant and predominant infection in cortical astrocytes in both primary and organoid cultures, with minimal infection of other cortical populations. Infected astrocytes had a corresponding increase in reactivity characteristics, growth factor signaling, and cellular stress. Although human cortical cells, including astrocytes, have minimal ACE2 expression, we find high levels of alternative coronavirus receptors in infected astrocytes, including DPP4 and CD147. Inhibition of DPP4 reduced infection and decreased expression of the cell stress marker, ARCN1. We find tropism of SARS-CoV-2 for human astrocytes mediated by DPP4, resulting in reactive gliosis-type injury.

Abstract Project-based learning (PBL) has long been recognized as an effective way to teach complex biology concepts. However, not all institutions have the resources to facilitate effective project-based coursework for students. We have developed a framework for facilitating PBL using remote-controlled internet-connected microscopes. Through this approach, one lab facility can host an experiment allowing simultaneous interaction by many students worldwide. Experiments on this platform can be run on long timescales and with materials that are typically unavailable to high school classrooms. This allows students to perform novel research projects rather than just repeat standard classroom experiments. To investigate the impact of this program, we designed and ran six user studies with students worldwide. All experiments were executed in Santa Cruz and San Francisco, California, with observations and decisions made remotely by the students using their personal computers and cellphones. In surveys gathered after the experiments’ conclusion, students reported increased excitement for science and a greater desire to pursue a career in STEM. This framework represents a novel, scalable, and effective PBL approach that has the potential to democratize biology and STEM education around the world.

Abstract The Internet of Things (IoT) provides a simple framework to easily control online devices. IoT is now a commonplace tool used by technology companies, but it is rarely used in biology experiments. IoT can benefit research through alarm notifications, automation, and the real-time monitoring of experiments. We developed and implemented an IoT architecture to control biological devices used in experiments. We developed our own electrophysiology, microscopy, and microfluidic devices so that may be controlled through a unified IoT architecture. The system allows each device to be monitored and controlled through an online web tool. We present our IoT architecture so other labs may replicate it for their own experiments.

Despite many interventions, science education remains highly inequitable throughout the world. Among all life sciences fields, Bioinformatics and Computational Biology suffer from the strongest underrepresentation of racial and gender minorities. Internet-enabled project-based learning (PBL) has the potential to reach underserved communities and increase the diversity of the scientific workforce. Here, we demonstrate the use of lab-on-a-chip (LoC) technologies to train Latinx life science undergraduate students in concepts of computer programming by taking advantage of open-loop cloud-integrated LoCs. We developed a context-aware curriculum to train students at over 8,000 km from the experimental site. We showed that this approach was sufficient to develop programming skills and increase the interest of students in continuing careers in Bioinformatics. Altogether, we conclude that LoC-based Internet-enabled PBL can become a powerful tool to train Latinx students and increase the diversity in STEM.

ABSTRACT Simultaneous longitudinal imaging across multiple conditions and replicates has been crucial for scientific studies aiming to understand biological processes and disease. Yet, imaging systems capable of accomplishing these tasks are economically unattainable for most academic and teaching laboratories around the world. Here we propose the Picroscope, which is the first low cost system for simultaneous longitudinal biological imaging made primarily using off-the-shelf and 3D-printed materials. The Picroscope is compatible with standard 24-well cell culture plates and captures 3D z-stack image data. The Picroscope can be controlled remotely, allowing for automatic imaging with minimal intervention from the investigator. Here we use this system in a range of applications. We gathered longitudinal whole organism image data for frogs, zebrafish and planaria worms. We also gathered image data inside an incubator to observe 2D monolayers and 3D mammalian tissue culture models. Using this tool, we can measure the behavior of entire organisms or individual cells over long time periods.

Abstract Despite many interventions, science education remains highly inequitable throughout the world. Internet-enabled experimental learning has the potential to reach underserved communities and increase the diversity of the scientific workforce. Here, we demonstrate the use of lab-on-a-chip (LoC) technologies to expose Latinx life science undergraduate students to introductory concepts of computer programming by taking advantage of open-loop cloud-integrated LoCs. We developed a context-aware curriculum to train students at over 8000 km from the experimental site. Through this curriculum, the students completed an assignment testing bacteria contamination in water using LoCs. We showed that this approach was sufficient to reduce the students’ fear of programming and increase their interest in continuing careers with a computer science component. Altogether, we conclude that LoC-based internet-enabled learning can become a powerful tool to train Latinx students and increase the diversity in STEM.

Abstract Objective Neural activity represents a functional readout of neurons that is increasingly important to monitor in a wide range of experiments. Extracellular recordings have emerged as a powerful technique for measuring neural activity because these methods do not lead to the destruction or degradation of the cells being measured. Current approaches to electrophysiology have a low throughput of experiments due to manual supervision and expensive equipment. This bottleneck limits broader inferences that can be achieved with numerous long-term recorded samples. Approach We developed Piphys, an inexpensive open source neurophysiological recording platform that consists of both hardware and software. It is easily accessed and controlled via a standard web interface through Internet of Things (IoT) protocols. Main Results We used a Raspberry Pi as the primary processing device and Intan bioamplifier. We designed a hardware expansion circuit board and software to enable voltage sampling and user interaction. This standalone system was validated with primary human neurons, showing reliability in collecting real-time neural activity. Significance The hardware modules and cloud software allow for remote control of neural recording experiments as well as horizontal scalability, enabling long-term observations of development, organization, and neural activity at scale.

Abstract Large single-cell RNA datasets have contributed to unprecedented biological insight. Often, these take the form of cell atlases and serve as a reference for automating cell labeling of newly sequenced samples. Yet, classification algorithms have lacked the capacity to accurately annotate cells, particularly in complex datasets. Here we present SIMS (Scalable, Interpretable Ma-chine Learning for Single-Cell), an end-to-end data-efficient machine learning pipeline for discrete classification of single-cell data that can be applied to new datasets with minimal coding. We benchmarked SIMS against common single-cell label transfer tools and demonstrated that it performs as well or better than state of the art algorithms. We then use SIMS to classify cells in one of the most complex tissues: the brain. We show that SIMS classifies cells of the adult cerebral cortex and hippocampus at a remarkably high accuracy. This accuracy is maintained in trans-sample label transfers of the adult hu-man cerebral cortex. We then apply SIMS to classify cells in the developing brain and demonstrate a high level of accuracy at predicting neuronal sub-types, even in periods of fate refinement, shedding light on genetic changes affecting specific cell types across development. Finally, we apply SIMS to single cell datasets of cortical organoids to predict cell identities and unveil genetic variations between cell lines. SIMS identifies cell-line differences and misannotated cell lineages in human cortical organoids derived from different pluripotent stem cell lines. When cell types are obscured by stress signals, label transfer from primary tissue improves the accuracy of cortical organoid annotations, serving as a reliable ground truth. Altogether, we show that SIMS is a versatile and robust tool for cell-type classification from single-cell datasets.

The introduction of internet-connected technologies to the classroom has the potential to revolutionize STEM education by allowing students to perform experiments in complex models that are unattainable in traditional teaching laboratories. By connecting laboratory equipment to the cloud, we introduce students to experimentation in pluripotent stem cell-derived cortical organoids in two different settings: Using microscopy to monitor organoid growth in an introductory tissue culture course, and using high density multielectrode arrays to perform neuronal stimulation and recording in an advanced neuroscience mathematics course. We demonstrate that this approach develops interest in stem cell and neuroscience in the students of both courses. All together, we propose cloud technologies as an effective and scalable approach for complex project-based university training.

Precise modulation of brain activity is fundamental for the proper establishment and maturation of the cerebral cortex. To this end, cortical organoids are promising tools to study circuit formation and the underpinnings of neurodevelopmental disease. However, the ability to manipulate neuronal activity with high temporal resolution in brain organoids remains limited. To overcome this challenge, we introduce a bioelectronic approach to control cortical organoid activity with the selective delivery of ions and neurotransmitters. Using this approach, we sequentially increased and decreased neuronal activity in brain organoids with the bioelectronic delivery of potassium ions (K+) and γ-aminobutyric acid (GABA), respectively, while simultaneously monitoring network activity. This works highlights bioelectronic ion pumps as tools for high-resolution temporal control of brain organoid activity toward precise pharmacological studies that can improve our understanding of neuronal function.