Abstract Cell-free gene expression systems have emerged as a promising platform for field-deployed biosensing and diagnostics. When combined with programmable toehold switch-based RNA sensors, these systems can be used to detect arbitrary RNAs and freeze-dried for room temperature transport to the point-of-need. These sensors, however, have been implemented using reconstituted PURE cell-free protein expression systems that are difficult to source in the Global South due to their high commercial cost and cold-chain shipping requirements. Here, we describe the implementation of RNA toehold switch-based sensors using E. coli cell lysate-based cell-free protein expression systems, which can be produced locally and reduce the cost of sensors by two orders of magnitude. We then demonstrate that these in-house cell lysates provide sensor performance comparable to commercial PURE cell-free systems. We further optimize use of these lysates with a CRISPRi strategy to enhance the stability of linear DNAs, enabling the direct use of PCR products for fast screening of new designs. As a proof-of-concept, we develop novel toehold sensors for the plant pathogen Potato Virus Y (PVY), which dramatically reduces the yield of this important staple crop. The local implementation of low-cost cell-free toehold sensors could enable biosensing capacity at the regional level and lead to more decentralized models for global surveillance of infectious disease.

Abstract Open Educational Resources (OER), freely accessible learning, teaching and research materials, have been proposed as key enabling tools to achieve inclusive knowledge societies and equitable access to education. Here, we describe novel OER consisting of low cost and locally produced public domain biological reagents, open source hardware and free software collaborative notebooks to teach LAMP DNA amplification, RT-PCR RNA detection, enzyme kinetics and fluorescence imaging. These resources have been distributed nationwide to students’ homes as a lab-in-a-box, i.e. remote teaching during the pandemic lockdowns, as well as in the form of personalized learning environments during in-person teaching after the opening of teaching laboratories. All the protocols and design files are available under open source licenses.

Abstract Characterization is fundamental to the design, build, test, learn (DBTL) cycle for engineering synthetic genetic circuits. Components must be described in such a way as to account for their behavior in a range of contexts. Measurements and associated metadata, including part composition, constitute the test phase of the DBTL cycle. These data may consist of measurements of thousands of circuits, measured in hundreds of conditions, in multiple assays potentially performed in different labs and using different techniques. In order to inform the learn phase this large volume of data must be filtered, collated, and analyzed. Characterization consists of using this data to parameterize models of component function in different contexts, and combining them to predict behaviors of novel circuits. Tools to store, organize, share, and analyze large volumes of measurement and metadata are therefore essential to linking the test phase to the build and learn phases, closing the loop of the DBTL cycle. Here we present such a system, implemented as a web app with a backend data registry and analysis engine. An interactive frontend provides powerful querying, plotting and analysis tools, and we provide a REST API and Python package for full integration with external build and learn software. All measurements are associated to circuit part composition via SBOL. We demonstrate our tool by characterizing a range of genetic components and circuits according to composition and context.