A bstract Therapeutic modalities targeting pathogenic proteins are the gold standard of treatment for multiple disease indications. Unfortunately, a significant portion of these proteins are considered “undruggable” by standard small molecule-based approaches, largely due to their disordered nature and instability. Designing functional peptides to undruggable targets, either as standalone binders or fusions to effector domains, thus presents a unique opportunity for therapeutic intervention. In this work, we adapt recent models for contrastive language-image pre-training (CLIP) to devise a unified, sequence-based framework to design target-specific peptides. Furthermore, by leveraging known experimental binding proteins as scaffolds, we create a streamlined inference pipeline, termed Cut&CLIP , that efficiently selects peptides for downstream screening. Finally, we experimentally fuse candidate peptides to E3 ubiquitin ligase domains and demonstrate robust intracellular degradation of pathogenic protein targets in human cells, motivating further development of our technology for future clinical translation.

Abstract Germ cells are the vehicle of human reproduction, arising early in embryonic development and developing throughout adult life until menopause onset in women. Primordial germ cells are the common precursors of germline cells in both sexes, undergoing sexual specification into oogonia or gonocytes which further develop into oocytes or spermatocytes during development. Methods for recapitulation of primordial germ cell and oogonia formation have been developed extensively in recent decades, but fundamental technical limitations in their methodologies, throughput, and yield limit their utilization. Recently, transcription factor (TF)-based methods for human primordial germ cell-like cell (hPGCLC) formation, mouse meiotic entry, and mouse oocyte maturation have demonstrated the feasibility of gene overexpression screening in identifying potent regulators of germ cell development. Here we screened 47 folliculogenesis-regulating TFs for their role in hPGCLC and oogonia formation, identifying DLX5, HHEX , and FIGLA whose individual overexpression enhances hPGCLC formation from hiPSCs. Additionally, we identify a set of three TFs, ZNF281, LHX8 , and SOHLH1 , whose combinatorial overexpression drives direct oogonia-like formation from hiPSCs in a four-day, feeder-free monolayer culture condition with additional feeder-free culture capabilities post-isolation. We characterize these TF-based germ cells via gene and protein expression analyses, and demonstrate their broad similarity to in vivo germ cells. Together, these results identify novel regulators of human germ cell development and establish new TF-based tools for human in vitro oogenesis research.

Abstract An in vitro model of human ovarian follicles would greatly benefit the study of female reproduction. Ovarian development requires the combination of germ cells and their supporting somatic cells, known as granulosa cells. Whereas efficient protocols exist for generating human primordial germ cell-like cells (hPGCLCs) from human iPSCs, a method of generating granulosa cells has been elusive. Here we report that simultaneous overexpression of two transcription factors (TFs) can direct the differentiation of human iPSCs to granulosa-like cells. We elucidate the regulatory effects of several granulosa-related TFs, and establish that overexpression of NR5A1 and either RUNX1 or RUNX2 is necessary and sufficient to generate granulosa-like cells. Our granulosa-like cells form ovary-like organoids (ovaroids) when aggregated with hPGCLCs, and recapitulate key ovarian phenotypes including support of germ cell maturation, follicle formation, and steroidogenesis. This model system will provide unique opportunities for studying human ovarian biology, and may enable the development of therapies for female reproductive health.

Abstract Cancer cells require high levels of iron for rapid proliferation, leading to a significant upregulation of the iron carrier protein Transferrin Receptor (TfR) on their cell surface. Leveraging this phenomenon and the exceptionally fast endocytosis rate of TfR, we introduce Transferrin Receptor TArgeting Chimeras (TransTAC), a novel molecular archetype for membrane protein degradation in cancers and other cell types. TransTACs repurpose the naturally recycling receptor TfR1 for protein degradation. To accomplish this, we utilized a combination of protein engineering strategies to redirect the target protein from recycling-endosome trafficking to lysosomal degradation. We show that TransTACs can highly efficiently degrade a diverse range of single-pass, multi-pass, native, or synthetic membrane proteins, establishing new possibilities for targeted cancer therapy.

Protein language models (pLMs) have emerged as potent tools for predicting and designing protein structure and function, and the degree to which these models fundamentally understand the inherent biophysics of protein structure stands as an open question. Motivated by a discovery that pLM-based structure predictors erroneously predict non-physical structures for protein isoforms, we investigated the nature of sequence context needed for contact predictions in the pLM ESM-2. We demonstrate by use of a "categorical Jacobian" calculation that ESM-2 stores statistics of coevolving residues, analogously to simpler modelling approaches like Markov Random Fields and Multivariate Gaussian models. We further investigated how ESM-2 "stores" information needed to predict contacts by comparing sequence masking strategies, and found that providing local windows of sequence information allowed ESM-2 to best recover predicted contacts. This suggests that pLMs predict contacts by storing motifs of pairwise contacts. Our investigation highlights the limitations of current pLMs and underscores the importance of understanding the underlying mechanisms of these models.

The genome is a sequence that encodes the DNA, RNA, and proteins that orchestrate an organism’s function. We present Evo, a long-context genomic foundation model with a frontier architecture trained on millions of prokaryotic and phage genomes, and report scaling laws on DNA to complement observations in language and vision. Evo generalizes across DNA, RNA, and proteins, enabling zero-shot function prediction competitive with domain-specific language models and the generation of functional CRISPR-Cas and transposon systems, representing the first examples of protein-RNA and protein-DNA codesign with a language model. Evo also learns how small mutations affect whole-organism fitness and generates megabase-scale sequences with plausible genomic architecture. These prediction and generation capabilities span molecular to genomic scales of complexity, advancing our understanding and control of biology.