Abstract Complex organisms perceive their surroundings with sensory neurons which encode physical stimuli into spikes of electrical activities. The past decade has seen reports of DNA-based chemical neurons that mimic artificial neural networks with chemical reactions. Yet, they lack the physical sensing and temporal coding of sensory biological neurons. Here we report a thermosensory chemical neuron based on DNA and enzymes that spikes with chemical activity when exposed to cold. Surprisingly, this chemical neuron shares deep mathematical similarities with a toy model of a cold nociceptive neuron: they follow a similar bifurcation route between rest and oscillations and avoid artefacts associated with canonical bifurcations (such as irreversibility, damping or untimely spiking). We experimentally demonstrate this robustness by encoding - digitally and analogically - thermal messages into chemical waveforms. This chemical neuron could pave the way for implementing in DNA the third generation of neural network models (spiking networks), and opens the door for associative learning. One-Sentence Summary A DNA-based chemical network mathematically mimics the sensing of cold by a biological neuron.

Complex organisms perceive their surroundings with sensory neurons that encode physical stimuli into spikes of electrical activities. The past decades have seen a throve of computing approaches taking inspiration from neurons, including reports of DNA-based chemical neurons that mimic artificial neural networks with chemical reactions. Yet, they lack the physical sensing and temporal coding of sensory biological neurons. Here we report a thermosensory chemical neuron based on DNA and enzymes that spikes with chemical activity when exposed to cold. Surprisingly, this chemical neuron shares deep mathematical similarities with a toy model of a cold nociceptive neuron: they follow a similar bifurcation route between rest and oscillations and avoid artefacts associated with canonical bifurcations (such as irreversibility, damping or untimely spiking). We experimentally demonstrate this robustness by encoding—digitally and analogically—thermal messages into chemical waveforms. This chemical neuron could pave the way for implementing the third generation of neural network models (spiking networks) in DNA and opens the door for associative learning. Complex organisms perceive their surroundings with sensory neurons that encode physical stimuli into spikes of electrical activities. Here a thermosensory chemical neuron based on DNA and enzymes has been reported, which spikes with chemical activity when exposed to cold.

ABSTRACT Despite several demonstrations of electrochemical devices with limits of detection (LOD) of 1 cell/mL, the implementation of single-cell bioelectrochemical sensor arrays has remained elusive due to the challenges of scaling up. In this study, we show that the recently introduced nanopillar array technology combined with redox-labelled aptamers targeting epithelial cell adhesion molecule (EpCAM) is perfectly suited for such implementation. Combining nanopillar arrays with microwells determined for single cell trapping directly on the sensor surface, single target cells are successfully detected and analyzed. This first implementation of a single-cell electrochemical aptasensor array, based on Brownian-fluctuating redox species, opens new opportunities for large-scale implementation and statistical analysis of early cancer diagnosis and cancer therapy in clinical settings. For Table of Contents only

Abstract Droplet microfluidics has become a powerful tool in life sciences, underlying digital assays, single-cell sequencing or directed evolution, and it is making foray in physical sciences as well. Imaging and incubation of droplets are crucial, yet they are encumbered by the poor optical, thermal and mechanical properties of PDMS - the de facto material for microfluidics. Here we show that silicon is an ideal material for droplet chambers. Si chambers pack droplets in a crystalline and immobile monolayer, are immune to evaporation or sagging, boost the number of collected photons, and tightly control the temperature field sensed by droplets. We use the mechanical and optical benefits of Si chambers to image ∼1 million of droplets from a multiplexed digital assay - with an acquisition rate similar to the best in-line methods. Lastly, we demonstrate their applicability with a demanding assay that maps the thermal dependence of Michaelis-Menten constants with an array of ∼150,000. The design of the Si chambers is streamlined to avoid complicated fabrication and improve reproducibility, which makes Silicon a complementary material to PDMS in the toolbox of droplet microfluidics. Significance Statement As the technological engine behind single-cell sequencing and digital assays, droplets microfluidics has revolutionized life science and molecular diagnosis, and is making foray into physical sciences as well. Observing droplets in a controlled manner is becoming crucial, but PDMS - the de facto material of microfluidics – hampers imaging and incubation. Here we revisit silicon as a microfluidic material and show that its superior mechanical, optical and thermal performances improve the throughput and operation of droplets assay.

et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d'enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.