Het gebied van de synthetische biologie van zoogdieren heeft zich snel ontwikkeld, van het ontwikkelen van eenvoudige zintuiglijke en responsonderdelen in gekweekte cellijnen tot de optimalisatie van complexe netwerken van genen om echte uitdagingen in diagnostiek en therapieën aan te pakken1. Deze geavanceerde circuits zijn in staat om biologische inputs te detecteren, van microRNA-profielen tot cytokines tot geneesmiddelen met kleine moleculen, en het implementeren van logische verwerkingscircuits, waaronder transistors, banddoorlaatfilters, tuimelschakelaars en oscillatoren. Ze hebben ook veelbelovende resultaten laten zien in diermodellen van ziekten zoals kanker, artritis, diabetes en nog veel meer 1,2,3,4,5. Naarmate de complexiteit van een circuit groeit, wordt het optimaliseren van de niveaus van elk van de componenten echter steeds uitdagender.
Een bijzonder nuttig type genetisch circuit is een celclassificatie, die kan worden geprogrammeerd om cellulaire toestanden te detecteren en erop te reageren. Selectieve productie van eiwit- of RNA-outputs in specifieke cellulaire toestanden is een krachtig hulpmiddel om differentiatie van cellen en organoïden te begeleiden en te programmeren, zieke cellen en / of ongewenste celtypen te identificeren en te vernietigen en de functie van therapeutische cellen te reguleren 1,2,3,4,5 . Het creëren van circuits in zoogdiercellen die celtoestanden van meerdere cellulaire RNA- en / of eiwitsoorten nauwkeurig kunnen classificeren, is echter zeer uitdagend geweest.
Een van de meest tijdrovende stappen van het ontwikkelen van een celclassificatiecircuit is het optimaliseren van de relatieve expressieniveaus van individuele componentgenen, zoals sensoren en verwerkingsfactoren, binnen het circuit. Om circuitoptimalisatie te versnellen en de bouw van meer geavanceerde circuits mogelijk te maken, heeft recent werk wiskundige modellering van celclassificatiecircuits en hun componenten gebruikt om optimale samenstellingen en topologieën te voorspellen 6,7. Hoewel dit tot nu toe krachtige resultaten heeft opgeleverd, wordt wiskundige analyse beperkt door de noodzaak om het input-outputgedrag van componentgenen in het circuit systematisch te karakteriseren, wat tijdrovend is. Verder kunnen een groot aantal contextafhankelijke problemen opduiken in complexe genetische circuits, waardoor het gedrag van een volledig circuit voorspellingen op basis van individuele onderdeelkarakteriseringentart 8,9.
Om sneller complexe zoogdiercircuits zoals celtoestandclassificatoren te ontwikkelen en te testen, ontwikkelde ons lab een techniek genaamd polytransfectie10, een evolutie van plasmide co-transfectieprotocollen. Bij co-transfectie worden meerdere plasmide-DNA-soorten samen met een positief geladen lipide- of polymeerreagens gecomplexeerd en vervolgens op een gecorreleerde manier aan cellen afgeleverd (figuur 1A). Bij polytransfectie worden plasmiden afzonderlijk gecomplexeerd met het reagens, zodat het DNA van elk transfectiecomplex op een gedecorreleerde manier aan cellen wordt afgeleverd (figuur 1B). Met behulp van deze methode worden cellen binnen de getransfecteerde populatie blootgesteld aan talrijke combinaties van verhoudingen van twee of meer DNA-ladingen die verschillende circuitcomponenten dragen.
Om de verhoudingen van circuitcomponenten te meten die aan elke cel worden geleverd, bevat elk transfectiecomplex binnen een polytransfectie een constitutief tot expressie gebrachte fluorescerende reporter die dient als een proxy voor cellulaire opname van het complex. Filler-DNA dat geen elementen bevat die actief zijn in een zoogdiercel, wordt gebruikt om de relatieve hoeveelheid van de fluorescerende reporter en circuitcomponenten af te stemmen die aan een cel worden geleverd in een enkel transfectiecomplex en wordt in meer detail besproken in de discussie. Een voorbeeld van filler-DNA dat in het Weiss-lab wordt gebruikt, is een plasmide met een terminatorsequentie, maar geen promotor, coderende sequentie, enz. Cellen met verschillende verhoudingen van circuitcomponenten kunnen vervolgens worden vergeleken om optimale verhoudingen voor de gencircuitfunctie te vinden. Dit levert op zijn beurt nuttige voorspellingen op voor het kiezen van promotors en andere circuitelementen om optimale genexpressieniveaus te bereiken bij het combineren van circuitcomponenten in een enkele vector voor genetische integratie (bijvoorbeeld een lentivirus, transposon of landingsplatform). Dus in plaats van verhoudingen tussen circuitcomponenten te kiezen op basis van intuïtie of via een tijdrovend proces van vallen en opstaan, evalueert polytransfectie een breed scala aan stoichiometrieën tussen genetische delen in een eenpotreactie.
In ons lab heeft polytransfectie de optimalisatie van vele genetische circuits mogelijk gemaakt, waaronder celclassificaties, feedback- en feedforward-controllers en bistabiele motieven. Deze eenvoudige maar krachtige methode versnelt de ontwerpcycli voor complexe genetische circuits in zoogdiercellen aanzienlijk. Polytransfectie is sindsdien gebruikt om verschillende genetische circuits te karakteriseren om hun multidimensionale input-output overdrachtsfuncties met hoge resolutie10 te onthullen, een alternatieve circuittopologie voor celstatusclassificatie 11 te optimaliseren en verschillende gepubliceerde12,13 en lopende projecten te versnellen.
Hier beschrijven en verbeelden we de workflow voor het gebruik van polytransfectie om een genetisch circuit snel te optimaliseren (figuur 2). Het protocol laat zien hoe hoogwaardige polytransfectiegegevens kunnen worden gegenereerd en verschillende veelvoorkomende fouten in het polytransfectieprotocol en de gegevensanalyse kunnen worden vermeden (figuur 3). Vervolgens wordt gedemonstreerd hoe polytransfectie kan worden gebruikt om eenvoudige circuitcomponenten te karakteriseren en, in het proces, polytransfectieresultaten te benchmarken tegen co-transfectie (figuur 4). Ten slotte tonen de resultaten van polytransfectie optimalisatie van het kankerclassificatiecircuit (figuur 5).