Microphysiological systems (MPSs) are in vitro models that capture facets of in vivo organ function through use of specialized culture microenvironments, including 3D matrices and microperfusion. Here, we report an approach to co-culture multiple different MPSs linked together physiologically on re-useable, open-system microfluidic platforms that are compatible with the quantitative study of a range of compounds, including lipophilic drugs. We describe three different platform designs - "4-way", "7-way", and "10-way" - each accommodating a mixing chamber and up to 4, 7, or 10 MPSs. Platforms accommodate multiple different MPS flow configurations, each with internal re-circulation to enhance molecular exchange, and feature on-board pneumatically-driven pumps with independently programmable flow rates to provide precise control over both intra- and inter-MPS flow partitioning and drug distribution. We first developed a 4-MPS system, showing accurate prediction of secreted liver protein distribution and 2-week maintenance of phenotypic markers. We then developed 7-MPS and 10-MPS platforms, demonstrating reliable, robust operation and maintenance of MPS phenotypic function for 3 weeks (7-way) and 4 weeks (10-way) of continuous interaction, as well as PK analysis of diclofenac metabolism. This study illustrates several generalizable design and operational principles for implementing multi-MPS "physiome-on-a-chip" approaches in drug discovery.

Integrating synthetic biology into wearables could expand opportunities for noninvasive monitoring of physiological status, disease states and exposure to pathogens or toxins. However, the operation of synthetic circuits generally requires the presence of living, engineered bacteria, which has limited their application in wearables. Here we report lightweight, flexible substrates and textiles functionalized with freeze-dried, cell-free synthetic circuits, including CRISPR-based tools, that detect metabolites, chemicals and pathogen nucleic acid signatures. The wearable devices are activated upon rehydration from aqueous exposure events and report the presence of specific molecular targets by colorimetric changes or via an optical fiber network that detects fluorescent and luminescent outputs. The detection limits for nucleic acids rival current laboratory methods such as quantitative PCR. We demonstrate the development of a face mask with a lyophilized CRISPR sensor for wearable, noninvasive detection of SARS-CoV-2 at room temperature within 90 min, requiring no user intervention other than the press of a button.

A CRISPR set of materials CRISPR technology is best known as a gene editing tool. English et al. developed a group of stimuli-responsive hydrogels to respond to the programmable nuclease Cas12a (see the Perspective by Han et al. ). The materials undergo molecular to macroscopic changes after Cas12a-dependent cleavage of double- or single-stranded DNA integrated into the gel. The authors show controlled release of particles linked to or imprisoned within the DNA, degradation of a gel with DNA solely forming the cross-links, and permeabilization of a gel with DNA partially forming the cross-links. These tools allow for the production of materials that release encapsulated nanoparticles and cells, act as degradable fuses, and enable remote radio-frequency identification signaling. Science , this issue p. 780 ; see also p. 754

An integrated, low-cost, sample-to-answer, CRISPR-based diagnostic detects SARS-CoV-2 and variants from unprocessed saliva.

Deep neural networks facilitate detection of suspicious pigmented lesions in wide-field images and could allow for efficient primary care screening.

Engineered RNA elements are programmable tools capable of detecting small molecules, proteins, and nucleic acids. Predicting the behavior of these tools remains a challenge, a situation that could be addressed through enhanced pattern recognition from deep learning. Thus, we investigate Deep Neural Networks (DNN) to predict toehold switch function as a canonical riboswitch model in synthetic biology. To facilitate DNN training, we synthesized and characterized in vivo a dataset of 91,534 toehold switches spanning 23 viral genomes and 906 human transcription factors. DNNs trained on nucleotide sequences outperformed (R2=0.43-0.70) previous state-of-the-art thermodynamic and kinetic models (R2=0.04-0.15) and allowed for human-understandable attention-visualizations (VIS4Map) to identify success and failure modes. This deep learning approach constitutes a major step forward in engineering and understanding of RNA synthetic biology.

Abstract Current public health guidelines on diabetes management recommend frequent self-monitoring and physician tracking of blood glucose to reduce complications caused by this condition. While Internet-of-Things glucometers exist to aid in this goal, most commercial glucometers seen in wide-spread use worldwide do not provide these online tracking capabilities or allow for convenient data sharing with health care providers. This situation is caused, among several factors, due to premium pricing of IoT glucometers and resistance from older users to dispose of their previous glucometers. We propose an add-on strategy to enable IoT integration in glucometers to increase the use of wireless connectivity features in this sector. Here we describe and test a simple do-it-yourself system fabricated with low-cost commercially available wireless connectivity components that aim to demonstrate this IoT augmentation strategy to track glucose readings from previously unconnected standard glucometers.

Precise fluid height sensing in open-channel microfluidics has long been a desirable feature for a wide range of applications. However, performing accurate measurements of the fluid level in small-scale reservoirs (<1mL) has proven to be an elusive goal, especially if direct fluid-sensor contact needs to be avoided. In particular, gravity-driven systems used in several microfluidic applications to establish pressure gradients and impose flow remain open-loop and largely unmonitored due to these sensing limitations. Here we present an optimized self-shielded coplanar capacitive sensor design and automated control system to provide submillimeter fluid-height resolution (~250 μm) and control of small-scale open reservoirs without the need for direct fluid contact. Results from testing and validation of our optimized sensor and system also suggest that accurate fluid height information can be used to robustly characterize, calibrate and dynamically control a range of microfluidic systems with complex pumping mechanisms, even in cell culture conditions. Capacitive sensing technology provides a scalable and cost-effective way to enable continuous monitoring and closed-loop feedback control of fluid volumes in small-scale gravity-dominated wells in a variety of microfluidic applications.

With the rise of research utilizing microphysiological systems (MPSs), the need for tools that enable the physiological mimicking of the relevant cellular environment is vital. The limited ability to reproduce crucial features of the microenvironment, such as surrounding fluid flow and dynamic changes in biochemical stimuli, severely limits the types of experiments that can be carried out. Current equipment to achieve this, such as syringe and peristaltic pumps, is expensive, large, difficult to program and has limited potential for scalability. Here, we present a new pumping platform that is open-source, low-cost, modular, scalable, fully-programmable and easy to assemble that can be incorporated into cell culture systems to better recapitulate physiological environments. By controlling two commercially available piezoelectric pumps using a Raspberry Pi Zero microcontroller, the system is capable of producing arbitrary dynamic flow profiles with reliable flow rates ranging from 1 to 3,000 μL/min as specified by an easily programmable Python-based script. We validated the accuracy of the flow rates, the use of time-varying profiles, and the practicality of the system by creating repeatable dynamic concentration profiles using a 3D-printed static micromixer.