Using an active approach to preventing biofilm formation, we implemented a microfluidic bioreactor that enables long-term culture and monitoring of extremely small populations of bacteria with single-cell resolution. We used this device to observe the dynamics of Escherichia coli carrying a synthetic “population control” circuit that regulates cell density through a feedback mechanism based on quorum sensing. The microfluidic bioreactor enabled long-term monitoring of unnatural behavior programmed by the synthetic circuit, which included sustained oscillations in cell density and associated morphological changes, over hundreds of hours.

We have constructed a synthetic ecosystem consisting of two Escherichia coli populations, which communicate bi-directionally through quorum sensing and regulate each other's gene expression and survival via engineered gene circuits. Our synthetic ecosystem resembles canonical predator-prey systems in terms of logic and dynamics. The predator cells kill the prey by inducing expression of a killer protein in the prey, while the prey rescue the predators by eliciting expression of an antidote protein in the predator. Extinction, coexistence and oscillatory dynamics of the predator and prey populations are possible depending on the operating conditions as experimentally validated by long-term culturing of the system in microchemostats. A simple mathematical model is developed to capture these system dynamics. Coherent interplay between experiments and mathematical analysis enables exploration of the dynamics of interacting populations in a predictable manner.

Synthetic gene circuits are often engineered by considering the host cell as an invariable 'chassis'. Circuit activation, however, may modulate host physiology, which in turn can substantially impact circuit behavior. We illustrate this point by a simple circuit consisting of mutant T7 RNA polymerase (T7 RNAP*) that activates its own expression in the bacterium Escherichia coli. Although activation by the T7 RNAP* is noncooperative, the circuit caused bistable gene expression. This counterintuitive observation can be explained by growth retardation caused by circuit activation, which resulted in nonlinear dilution of T7 RNAP* in individual bacteria. Predictions made by models accounting for such effects were verified by further experimental measurements. Our results reveal a new mechanism of generating bistability and underscore the need to account for host physiology modulation when engineering gene circuits.

Betacoronavirus SARS-CoV-2 infections caused the global Covid-19 pandemic. The nucleocapsid protein (N-protein) is required for multiple steps in the betacoronavirus replication cycle. SARS-CoV-2-N-protein is known to undergo liquid-liquid phase separation (LLPS) with specific RNAs at particular temperatures to form condensates. We show that N-protein recognizes at least two separate and distinct RNA motifs, both of which require double-stranded RNA (dsRNA) for LLPS. These motifs are separately recognized by N-protein's two RNA binding domains (RBDs). Addition of dsRNA accelerates and modifies N-protein LLPS in vitro and in cells and controls the temperature condensates form. The abundance of dsRNA tunes N-protein-mediated translational repression and may confer a switch from translation to genome packaging. Thus, N-protein's two RBDs interact with separate dsRNA motifs, and these interactions impart distinct droplet properties that can support multiple viral functions. These experiments demonstrate a paradigm of how RNA structure can control the properties of biomolecular condensates.

Abstract Treatment of sensitive bacteria with beta-lactam antibiotics often leads to two salient population-level features: a transient increase in total population biomass before a subsequent decline, and a linear correlation between growth and killing rates. However, it remains unclear how these population-level responses emerge from collective single-cell responses. During beta-lactam treatment, it is well recognized that individual cells often exhibit varying degrees of filamentation before lysis. We show that the probability of cell lysis increases with the extent of filamentation and that this dependence is characterized by unique parameters that are specific to bacterial strain, antibiotic dose, and growth condition. Modeling demonstrates how the single-cell lysis probabilities can give rise to population-level biomass dynamics, which were experimentally validated. This mapping provides insights into how the population biomass time-kill curve emerges from single cells and allows the representation of both single-and population-level responses with universal parameters.

Abstract Dynamical systems often generate distinct outputs according to different initial conditions, and one can infer the corresponding input configuration given an output. This property captures the essence of information encoding and decoding. Here, we demonstrate the use of self-organized patterns, combined with machine learning, to achieve distributed information encoding and decoding. Our approach exploits a critical property of many natural pattern-formation systems: in repeated realizations, each initial configuration generates similar but not identical output patterns due to randomness in the patterning process. However, for sufficiently small randomness, different groups of patterns that arise from different initial configurations can be distinguished from one another. Modulating the pattern generation and machine learning model training can tune the tradeoff between encoding capacity and security. We further show that this strategy is applicable to non-biological dynamical systems and scalable by implementing the encoding and decoding of all characters of the standard English keyboard. Significance Statement Self-organized patterns are ubiquitous in biology. They arise from interactions in and between cells, and with the environment. These patterns are often used as a composite phenotype to distinguish cell states and environment conditions. Conceptually, pattern generation under an initial condition is encoding; discerning the initial condition from the pattern represents decoding. Inspired by these examples, we develop a scheme, integrating mathematical modeling and machine learning, to use self-organization for secure and accurate information encoding and decoding. We show that this strategy is applicable to non-biological dynamical systems. We further demonstrate the scalability of the scheme by generating a complete mapping of the standard English keyboard, allowing encoding of English text. Our work serves as an example of nature-inspired computation.

Abstract A new class of viroid-like circular RNAs, called Obelisks, was recently reported by Zheludev et al . 1 . They identify a specific 1137 nt Obelisk, called Obelisk- S.s , in monoculture transcriptomes of Streptococcus sanguinis SK36, a commensal bacterium of the human oral microbiome. Here, we report that Obelisk- S.s . is highly abundant in SK36, despite its absence from the SK36 genome (i.e., as DNA). In 11 out of 17 monoculture SK36 RNA-seq datasets examined, Obelisk- S.s . is more abundant than any mRNA. Given its abundance, we hypothesized that multiple Obelisk- S.s variants could coexist within SK36. We found three Obelisk- S.s mutations at 5-10% allele frequency in some samples: a R162R synonymous mutation in one set of replicate transcriptomes, and an I48I synonymous mutation and an intergenic mutation in another set of replicate transcriptomes. A simple mathematical model shows how high Obelisk abundance can transiently stabilize intracellular Obelisk populations, and how extreme Obelisk abundances may stabilize intracellular Obelisk populations indefinitely. Evolution experiments with SK36 could test this theory and could shed light on how Obelisks function and evolve within their microbial hosts.

Bacteria in nature often form surface-attached communities that initially comprise distinct subpopulations, or patches. For pathogens, these patches can form at infection sites, persist during antibiotic treatment, and develop into mature biofilms. Evidence suggests that patches can emerge due to heterogeneity in the growth environment and bacterial seeding, as well as cell-cell signaling. However, it is unclear how these factors contribute to patch formation and how patch formation might affect bacterial survival and evolution. Here, we demonstrate that a 'rich-get-richer' mechanism drives patch formation in bacteria exhibiting collective survival (CS) during antibiotic treatment. Modeling predicts that the seeding heterogeneity of these bacteria is amplified by local CS and global resource competition, leading to patch formation. Increasing the dose of a non-eradicating antibiotic treatment increases the degree of patchiness. Experimentally, we first demonstrated the mechanism using engineered Escherichia coli and then demonstrated its applicability to a pathogen, Pseudomonas aeruginosa. We further showed that the formation of P. aeruginosa patches promoted the evolution of antibiotic resistance. Our work provides new insights into population dynamics and resistance evolution during surface-attached bacterial growth.