Abstract Cooperation through division of labor underpins biological complexity for organisms and communities. In microbes, stochastic differentiation coupled to programmed cell death drives diverse altruistic behaviors that promote cooperation. Utilizing cell death for developmental multicellular programs requires control over differentiation rate to balance cell proliferation against the utility of sacrifice. However, these behaviors are often controlled by complex regulatory networks and have yet to be demonstrated from first principles. Here we engineered a synthetic developmental gene network that couples stochastic differentiation with programmed cell death to implement a two-member division of labor. Progenitor consumer cells were engineered to grow on cellobiose and differentiate at a controlled rate into self-destructive altruists that release an otherwise sequestered cellulase payload through autolysis. This circuit produces a developmental Escherichia coli consortium that utilizes cellulose for growth. We used an experimentally parameterized model of task switching, payload delivery and nutrient release to set key parameters to achieve overall population growth, liberating 14-23% of the available carbon. An inevitable consequence of engineering self-destructive altruism is the emergence of cheaters that undermine cooperation. We observed cheater phenotypes for consumers and altruists, identified mutational hotspots and developed a predictive model of circuit longeivity. This work introduces the altruistic developmental program as a tool for synthetic biology, demonstrates the utility of population dynamics models to engineer multicellular behaviors and provides a testbed for probing the evolutionary biology of self-destructive altruism.

ABSTRACT Yeasts are naturally diverse, genetically tractable, and easy to grow in a myriad of experimental conditions such that researchers have the ability to investigate any number of genotypes, strains, environments, or the interaction thereof. However, studies of variation in the yeast transcriptome have been limited by the processing capabilities of available RNA sequencing techniques. Here we optimize a powerful, high-throughput single-cell RNA sequencing (scRNAseq) platform for yeasts. This platform utilizes a combinatorial barcoding strategy to enable massively parallel RNA sequencing of hundreds of yeast genotypes or growth conditions at once. This method can be applied to most species or strains of yeast for a fraction of the cost of traditional scRNAseq approaches. Thus, our technology permits researchers to leverage “the awesome power of yeast” by allowing us to survey the transcriptome of hundreds of strains and environments in a short period of time, and with no specialized equipment. The key to this method is that sequential barcodes are probabilistically appended to cDNA copies of RNA while the molecules remain trapped inside of each cell. Thus, the transcriptome of each cell is labeled with a unique combination of barcodes. Since we use the cell membrane as a container for this reaction, many cells can be processed together without the need to physically isolate them from one another in separate wells or droplets. Further, the first barcode in the sequence can be chosen intentionally to identify samples from different environments or genetic backgrounds, enabling multiplexing of hundreds of unique samples in a single experiment. In addition to greater multiplexing capabilities, our method also facilitates a deeper investigation of biological heterogeneity given its single-cell nature. For example, in the data presented here we report transcriptionally distinct cell states related to cell cycle, growth rate, metabolic strategies, stress responses, etc. all within clonal yeast populations grown in the same environment. Hence, our technology has two obvious and impactful applications for yeast research: the first is the general study of transcriptional phenotypes across many strains and environments, and the second is investigating cell-to-cell heterogeneity across the entire transcriptome.

In the past decade, matrix-assisted laser desorption/ionization time-of-flight (MALDI-ToF) mass spectrometry (MS) has become a timely and cost-effective alternative to bacterial identification. The MALDI-ToF MS technique analyzes the total protein of culturable microorganisms at the species level and produces a mass spectra based on peptides which is compared to a database of identified profiles. Consequently, unique signatures of each microorganism are produced allowing identification at the species and, more importantly, strain level. Our present study proposes that the MALDI-ToF MS can be further used to screen functional and metabolic differences. While other studies applied the MALDI-ToF technique to identify subgroups within species, we investigated how various environmental factors could alter the unique bacterial signatures. We found that genetic and phenotypic differences between microorganisms belonging to the same species can be reflected in peptide-mass fingerprints generated by MALDI-ToF MS. These results suggest that MALDI-ToF MS can screen intra-species phenotypic differences of several microorganisms.

Single-cell RNA-sequencing (scRNA-seq) has become an essential tool for characterizing multi-celled eukaryotic systems but current methods are not compatible with bacteria. Here, we introduce microSPLiT, a low cost and high-throughput scRNA-seq method that works for gram-negative and gram-positive bacteria and can resolve transcriptional states that remain hidden at a population level. We applied microSPLiT to >25,000 Bacillus subtilis cells sampled from different growth stages, creating a detailed atlas of changes in metabolism and lifestyle. We not only retrieve detailed gene expression profiles associated with known but rare states such as competence and PBSX prophage induction, but also identify novel and unexpected gene expression states including heterogeneous activation of a niche metabolic pathway in a subpopulation of cells. microSPLiT empowers high-throughput analysis of gene expression in complex bacterial communities.

Previous work has suggested that the number of ribosomes in a cell is optimized to maximize cell growth given nutrient availability. The resulting correlation between ribosome number and growth rate, called a 'growth law', appears to be independent of which nutrient limits growth rate and is apparent in many organisms. Growth laws have had a powerful impact on many biological disciplines, having fueled predictions about how organisms evolve to maximize their growth and models about how cells regulate their growth. Problematically, the growth law is rarely studied at the single-cell level. While populations of fast-growing cells tend to have more ribosomes than populations of slow-growing cells, it is unclear whether individual cells tightly regulate their ribosome content to match their environment. Here we use recent ground-breaking single-cell RNA sequencing techniques to study the growth law at the single cell level in two different microbes, S. cerevisiae (a single-celled yeast and eukaryote) and B. subtilis (a bacterium and prokaryote). In both species, we find enormous variation in the ribosomal content of single cells that is not predictive of growth rate. Fast-growing populations of cells include cells showing transcriptional signatures of slow growth and stress, as do some cells with the highest ribosome content we survey. These results demonstrate that single-cell ribosome levels are not finely tuned to match population growth rates or nutrient availability and encourage expansion of models that predict how growth rates evolve or are regulated to consider single-cell heterogeneity.