Accelerating the pace of synthetic biology experiments requires new approaches for rapid prototyping of circuits from individual DNA regulatory elements. However, current testing standards require days to weeks due to cloning and in vivo transformation. In this work, we first characterized methods to protect linear DNA strands from exonuclease degradation in an Escherichia coli based transcription-translation cell-free system (TX-TL), as well as mechanisms of degradation. This enabled the use of linear DNA PCR products in TX-TL. We then compared expression levels and binding dynamics of different promoters on linear DNA and plasmid DNA. We also demonstrated assembly technology to rapidly build circuits entirely in vitro from separate parts. Using this strategy, we prototyped a four component genetic switch in under 8 h entirely in vitro. Rapid in vitro assembly has future applications for prototyping multiple component circuits if combined with predictive computational models.

While complex dynamic biological networks control gene expression in all living organisms, the forward engineering of comparable synthetic networks remains challenging. The current paradigm of characterizing synthetic networks in cells results in lengthy design-build-test cycles, minimal data collection, and poor quantitative characterization. Cell-free systems are appealing alternative environments, but it remains questionable whether biological networks behave similarly in cell-free systems and in cells. We characterized in a cell-free system the 'repressilator', a three-node synthetic oscillator. We then engineered novel three, four, and five-gene ring architectures, from characterization of circuit components to rapid analysis of complete networks. When implemented in cells, our novel 3-node networks produced population-wide oscillations and 95% of 5-node oscillator cells oscillated for up to 72 hr. Oscillation periods in cells matched the cell-free system results for all networks tested. An alternate forward engineering paradigm using cell-free systems can thus accurately capture cellular behavior.

Abstract Applications in synthetic and systems biology can benefit from measuring whole-cell response to biochemical perturbations. Execution of experiments to cover all possible combinations of perturbations is infeasible. In this paper, we present the host response model (HRM), a machine learning approach that takes the cell response to single perturbations as the input and predicts the whole cell transcriptional response to the combination of inducers. We find that the HRM is able to qualitatively predict the directionality of dysregulation to a combination of inducers with an accuracy of >90% using data from single inducers. We further find that the use of known prior, known cell regulatory networks doubles the predictive performance of the HRM (an R 2 from 0.3 to 0.65). This tool will significantly reduce the number of high-throughput sequencing experiments that need to be run to characterize the transcriptional impact of the combination of perturbations on the host.

Abstract A major challenge in biotechnology and biomanufacturing is the identification of a set of biomarkers for perturbations and metabolites of interest. Here, we develop a data-driven, transcriptome-wide approach to rank perturbation-inducible genes from time-series RNA sequencing data for the discovery of analyte-responsive promoters. This provides a set of biomarkers that act as a proxy for the transcriptional state referred to as cell state. We construct low-dimensional models of gene expression dynamics and rank genes by their ability to capture the perturbation-specific cell state using a novel observability analysis. Using this ranking, we extract 15 analyte-responsive promoters for the organophosphate malathion in the underutilized host organism Pseudomonas fluorescens SBW25. We develop synthetic genetic reporters from each analyte-responsive promoter and characterize their response to malathion. Furthermore, we enhance malathion reporting through the aggregation of the response of individual reporters with a synthetic consortium approach, and we exemplify the library’s ability to be useful outside the lab by detecting malathion in the environment. The library of living malathion sensors can be optimized for use in environmental diagnostics while the developed machine learning tool can be applied to discover perturbation-inducible gene expression systems in the compendium of host organisms.

It is well known that synthetic gene expression is highly sensitive to how genetic elements (promoter structure, spacing regions between promoter and coding sequences, ribosome binding sites, etc.) are spatially configured. An important topic that has received far less attention is how the compositional context, or spatial arrangement, of entire genes within a synthetic gene network affects their individual expression levels. In this paper we show, both quantitatively and qualitatively, that compositional context significantly alters transcription levels in synthetic gene networks. We demonstrate that key characteristics of gene induction, such as ultra-sensitivity and dynamic range, strongly depend on compositional context. We postulate that supercoiling can be used to explain this interference and validate this hypothesis through modeling and a series of in vitro supercoiling relaxation experiments. This compositional interference enables a novel form of feedback in synthetic gene networks. We illustrate the use of this feedback by redesigning the toggle switch to incorporate compositional context. We show the context-optimized toggle switch has improved threshold detection and memory properties.

Modern microbial biodesign relies on the principle that well-characterized genetic parts can be reused and reconfigured for different functions. However, this paradigm has only been successful in a limited set of hosts, mostly comprised from common lab strains of Escherichia coli . It is clear that new applications – such as chemical sensing and event logging in complex environments – will benefit from new host chassis. This study quantitatively compared how a chemical event logger performed across multiple microbial species. An integrase-based sensor and memory device was operated by two representative soil Pseudomonads – Pseudomonas fluorescens SBW25 and Pseudomonas putida DSM 291. Quantitative comparisons were made between these two non-traditional hosts and two bench-mark Escherichia coli chassis including the probiotic Nissle 1917 and common cloning strain DH5α. The performance of sensor and memory components changed according to each host, such that a clear chassis effect was observed and quantified. These results were obtained via fluorescence from reporter proteins that were transcriptionally fused to the integrase and down-stream recombinant region and via data-driven kinetic models. The Pseudomonads proved to be acceptable chassis for the operation of this event logger, which outperformed the common E. coli DH5α in many ways. This study advances an emerging frontier in synthetic biology that aims to build broad-host-range devices and understand the context by which different species can execute programmable genetic operations.

Abstract Large-scale genetic circuits are rapidly becoming critical components for the next generation of biotechnologies and living therapeutics. However, the relationship between synthetic and host gene expression is poorly understood. To reveal the impact of genetic circuits on their host, we measure the transcriptional response of wild-type and engineered E. coli MG1655 subject to seven genomically integrated circuits and two plasmid-based circuits across 4 growth time points and 4 circuit input states resulting in 1007 transcriptional profiles. We train a classifier to distinguish profiles from wild-type or engineered strains and use the classifier to identify synthetic construct burdened genes, i.e., genes whose dysregulation is dependent on the presence of a genetic circuit and not what is encoded on the circuit. We develop a deep learning architecture, capable of disentangling influence of combinations of perturbations, to model the impact that synthetic genes have on their host. We use the model to hypothesize a generalizable, synthetic cell state phenotype and validate the phenotype through antibiotic challenge experiments. The synthetic cell state results in increased resistance to β -lactam antibiotics in gram-negative bacteria. This work enhances our understanding of circuit impact by quantifying the disruption of host biological processes and can guide the design of robust genetic circuits with minimal burden or uncover novel biological circuits and phenotypes.

An outstanding challenge in the design of synthetic biocircuits is the development of a robust and efficient strategy for interconnecting functional modules. Recent work demonstrated that a phosphorylation-based insulator (PBI) implementing a dual strategy of high gain and strong negative feedback can be used as a device to attenuate retroactivity. This paper describes the implementation of such a biological circuit in a cell-free transcription-translation system and the structural identifiability of the PBI in the system. We first show that the retroactivity also exists in the cell-free system by testing a simple negative regulation circuit. Then we demonstrate that the PBI circuit helps attenuate the retroactivity significantly compared to the control. We consider a complex model that provides an intricate description of all chemical reactions and leveraging specific physiologically plausible assumptions. We derive a rigorous simplified model that captures the output dynamics of the PBI. We performed standard system identification analysis and determined that the model is globally identifiable with respect to three critical parameters. These three parameters are identifiable under specific experimental conditions and we performed these experiments to estimate the parameters. Our experimental results suggest that the functional form of our simplified model is sufficient to describe the reporter dynamics and enable parameter estimation. In general, this research illustrates the utility of the cell-free expression system as an alternate platform for biocircuit implementation and system identification and it can provide interesting insights into future biological circuit designs.

Abstract Synthetic gene networks are frequently conceptualized and visualized as static graphs. This view of biological programming stands in stark contrast to the transient nature of biomolecular interaction, which is frequently enacted by labile molecules that are often unmeasured. Thus, the network topology and dynamics of synthetic gene networks can be difficult to verify in vivo or in vitro , due to the presence of unmeasured biological states. Here we introduce the dynamical structure function as a new mesoscopic, data-driven class of models to describe gene networks with incomplete measurements. We introduce a network reconstruction algorithm and a code base for reconstructing the dynamical structure function from data, to enable discovery and visualization of graphical relationships in a genetic circuit diagram as time-dependent functions rather than static, unknown weights. We prove a theorem, showing that dynamical structure functions can provide a data-driven estimate of the size of crosstalk fluctuations from an idealized model. We illustrate this idea with numerical examples. Finally, we show how data-driven estimation of dynamical structure functions can explain failure modes in two experimentally implemented genetic circuits, a historical genetic circuit and a new E. coli based transcriptional event detector.

While complex dynamic biological networks control gene expression and metabolism in all living organisms, engineering comparable synthetic networks remains challenging1,2. Conducting extensive, quantitative and rapid characterization during the design and implementation process of synthetic networks is currently severely limited due to cumbersome molecular cloning and the difficulties associated with measuring parts, components and systems in cellular hosts. Engineering gene networks in a cell-free environment promises to be an efficient and effective approach to rapidly develop novel biological systems and understand their operating regimes3-5. However, it remains questionable whether complex synthetic networks behave similarly in cells and a cell-free environment, which is critical for in vitro approaches to be of significance to biological engineering. Here we show that synthetic dynamic networks can be readily implemented, characterized, and engineered in a cell-free framework and consequently transferred to cellular hosts. We implemented and characterized the “repressilator”6, a three-node negative feedback oscillator in vitro. We then used our cell-free framework to engineer novel three-node, four-node, and five-node negative feedback architectures going from the characterization of circuit components to the rapid analysis of complete networks. We validated our cell-free approach by transferring these novel three-node and five-node oscillators to Escherichia coli, resulting in robust and synchronized oscillations reflecting the in vitro observation. We demonstrate that comprehensive circuit engineering can be performed in a cell-free system and that the in vitro results have direct applicability in vivo. Cell-free synthetic biology thus has the potential to drastically speed up design-build-test cycles in biological engineering and enable the quantitative characterization of synthetic and natural networks.