ABSTRACT Extracellular matrix (ECM) deposition after central nervous system (CNS) injury leads to inhibitory scarring in mammals, whereas it facilitates axon regeneration in the zebrafish. However, the molecular basis of these different fates is not understood. Here, we identify small leucine-rich proteoglycans (SLRPs) as a causal factor in regeneration failure. We demonstrate that the SLRPs Chondroadherin, Fibromodulin, Lumican, and Prolargin are enriched in human, but not zebrafish, CNS lesions. Targeting SLRPs to the zebrafish injury ECM inhibits axon regeneration and functional recovery. Mechanistically, we find that SLRPs confer structural and mechanical properties to the lesion environment that are adverse to axon growth. Our study reveals SLRPs as previously unknown inhibitory ECM factors in the human CNS that impair axon regeneration by modifying tissue mechanics and structure. ONE SENTENCE SUMMARY Composition, structural organization, and mechanical properties of the injury ECM direct central nervous system regeneration.

The quantification of physical properties of biological matter gives rise to novel ways of understanding functional mechanisms by utilizing models that explicitly depend on physical observables. One of the basic biophysical properties is the mass density (MD), which determines the degree of crowdedness. It impacts the dynamics in sub-cellular compartments and further plays a major role in defining the opto-acoustical properties of cells and tissues. As such, the MD can be connected to the refractive index (RI) via the well known Lorentz-Lorenz relation, which takes into account the polarizability of matter. However, computing the MD based on RI measurements poses a challenge as it requires detailed knowledge of the biochemical composition of the sample. Here we propose a methodology on how to account for a priori and a posteriori assumptions about the biochemical composition of the sample as well as respective RI measurements. To that aim, we employ the Biot mixing rule of RIs alongside the assumption of volume additivity to find an approximate relation of MD and RI. We use Monte-Carlo simulations as well as Gaussian propagation of uncertainty to obtain approximate analytical solutions for the respective uncertainties of MD and RI. We validate this approach by applying it to a set of well characterized complex mixtures given by bovine milk and intralipid emulsion. Further, we employ it to estimate the mass density of trunk tissue of living zebrafish Danio rerio larvae. Our results enable quantifying changes of mass density estimates based on variations in the a priori assumptions. This illustrates the importance of implementing this methodology not only for MD estimations but for many other related biophysical problems, such as mechanical measurements using Brillouin microscopy and transient optical coherence elastography.