Top
SCIENCE. STORIES. IMPACT.

iBiology

Bringing the World's Best Biology to You

Synthetic Biology and Biological Circuits

00;00;12;03 00;00;15;05 Hi, my name is Tim Lu. I'm a professor at MIT.
00;00;15;10 00;00;17;24 I'm here to tell you today about synthetic biology.
00;00;17;25 00;00;19;22 An emerging engineering discipline.
00;00;20;14 00;00;23;04 One of the challenges in defining the term synthetic
00;00;23;05 00;00;25;12 biology is that its a term that used
00;00;25;13 00;00;27;24 to mean different things to different people.
00;00;27;25 00;00;31;17 And I've listed several of the common definitions
00;00;31;19 00;00;34;28 that people use for this particular term here on the slide.
00;00;35;08 00;00;38;00 Regardless of how you exactly define synthetic biology
00;00;38;02 00;00;40;24 I think this is a community that's unified by the desire
00;00;40;25 00;00;43;18 to engineer biological systems for new function.
00;00;43;19 00;00;46;00 Whether we're doing this from the ground up
00;00;46;01 00;00;47;23 for minimal systems.
00;00;47;24 00;00;48;25 Or from the top down.
00;00;48;26 00;00;50;24 Taking an existing system, trying to retrofit it
00;00;50;26 00;00;52;09 to do new things.
00;00;52;10 00;00;55;05 This is a robust and vibrant community that is growing.
00;00;55;18 00;00;57;12 I come from the community at MIT.
00;00;57;13 00;00;59;16 We have a synthetic biology center there.
00;00;59;17 00;01;01;27 Where we're actively engaged in various aspects
00;01;01;28 00;01;03;25 of engineering biological systems.
00;01;04;17 00;01;07;04 Globally, there is a growing community of labs
00;01;07;06 00;01;09;22 interested in the field of synthetic biology, and this is
00;01;09;24 00;01;12;06 well evidenced by the iGem competition.
00;01;12;08 00;01;15;00 Which has grown from a very small community to a
00;01;15;01 00;01;17;00 very large global community that comes together
00;01;17;02 00;01;18;12 every year to compete
00;01;18;13 00;01;21;09 in terms of genetically engineered machines.
00;01;23;16 00;01;25;28 From an engineer's perspective one of the exciting things
00;01;25;29 00;01;28;15 about the field of synthetic biology is that we're moving
00;01;29;05 00;01;30;23 from an era where we were simply
00;01;30;25 00;01;33;02 cutting and pasting DNA from one place to another.
00;01;33;15 00;01;35;11 To a point where we are able to specifically
00;01;35;14 00;01;37;20 program the As, Ts, Gs, and Cs,
00;01;37;21 00;01;39;14 that go into a biological software.
00;01;39;26 00;01;42;22 And, in some sense this is really a technologically driven
00;01;43;06 00;01;45;02 improvement. So here
00;01;45;04 00;01;46;15 this is a graph showing
00;01;46;24 00;01;49;05 a comparison of Moore's Law, shown in blue.
00;01;49;10 00;01;50;29 Which is named after one of the founders
00;01;51;01 00;01;52;14 of Intel, Gordon Moore.
00;01;52;24 00;01;55;03 And, he basically predicted that the semiconductor
00;01;55;05 00;01;57;00 industry would be able to double the number of
00;01;57;03 00;01;59;23 transistors on a given chip every one or two years.
00;01;59;25 00;02;02;11 And this exponential scaling in computing power
00;02;02;14 00;02;04;19 has led to tremendous advancement in our ability
00;02;04;20 00;02;06;14 program silicon based systems.
00;02;06;25 00;02;08;25 Now if you look at the other two curves on this graph
00;02;08;26 00;02;09;18 you can see that
00;02;09;19 00;02;12;00 our capabilities for DNA sequencing and
00;02;12;02 00;02;14;27 DNA synthesis are also increasing at an exponential rate.
00;02;14;28 00;02;17;23 And therefor our raw capability to program
00;02;18;02 00;02;21;10 and read DNA, is increasing every year.
00;02;21;11 00;02;23;15 That's really giving us the raw capability
00;02;23;17 00;02;26;16 to modify biological systems to do new functions.
00;02;28;00 00;02;29;26 However, there are multiple challenges that are
00;02;29;27 00;02;32;07 associated with engineering biological systems
00;02;32;08 00;02;33;21 that are very different from
00;02;33;22 00;02;35;26 conventional ways of engineering electrical circuits.
00;02;36;09 00;02;38;03 So, for example, electrical circuits
00;02;38;05 00;02;40;19 you can take components and explicitly wire them
00;02;40;20 00;02;42;09 together to achieve new functions.
00;02;42;11 00;02;44;11 Where as in biological systems
00;02;44;18 00;02;45;28 parts that we develop
00;02;46;08 00;02;47;27 are bouncing together in
00;02;47;29 00;02;49;22 the cell and really
00;02;49;24 00;02;52;00 are wired based on chemical specificity
00;02;52;02 00;02;53;10 rather than physical wiring.
00;02;53;12 00;02;54;22 And this poses a challenge when you are
00;02;54;23 00;02;56;13 trying to scale and build
00;02;56;15 00;02;58;05 complex biological circuits.
00;02;59;00 00;03;00;08 As a result of this
00;03;00;10 00;03;02;26 implication in electrical circuits you can actually
00;03;02;27 00;03;05;03 duplicate the same identical device,
00;03;05;04 00;03;07;02 the same transistor, over and over on a chip
00;03;07;04 00;03;09;23 and wire these identical devices together.
00;03;09;25 00;03;11;23 To achieve some more complex function.
00;03;11;26 00;03;14;12 Whereas because biology requires
00;03;14;14 00;03;17;12 specific chemical wiring between components
00;03;17;14 00;03;19;08 you need to develop unique devices to
00;03;19;09 00;03;21;10 implement every additional
00;03;21;11 00;03;23;04 level of complexity you are trying to achieve.
00;03;24;18 00;03;26;25 Electrical circuits have had many years
00;03;26;27 00;03;29;04 to try to develop formal languages and designs
00;03;29;05 00;03;31;13 that allow you to propose more complex functions.
00;03;31;16 00;03;34;13 Whereas the field of designing biological circuits
00;03;34;15 00;03;37;06 is in its relative infancy. Where there are still
00;03;37;08 00;03;39;06 new concepts and new circuit designs
00;03;39;08 00;03;40;12 being developed every day.
00;03;40;14 00;03;43;20 And therefor no dominant formal language being
00;03;43;22 00;03;47;08 present to describe how to program biological systems.
00;03;49;02 00;03;51;07 The dream of the field is really to start from
00;03;51;08 00;03;52;02 the bottom up.
00;03;52;03 00;03;54;10 To be able to program the DNA code
00;03;54;12 00;03;56;21 and to start to developing devices and circuits
00;03;56;23 00;03;58;07 and modules that have
00;03;58;08 00;03;59;25 additional layers of complexity.
00;03;59;26 00;04;01;15 With the ultimate dream of to build
00;04;01;17 00;04;03;16 very complex systems and networks.
00;04;03;17 00;04;05;13 Something like a whole organism
00;04;05;14 00;04;06;27 that carries out a specific function.
00;04;06;29 00;04;08;19 We're still quite away from
00;04;08;21 00;04;10;12 the ultimate dream of kind of
00;04;10;13 00;04;11;28 engineering a very complex system.
00;04;11;29 00;04;13;16 But we have made a lot of progress
00;04;13;17 00;04;15;18 in terms of building devices and circuits
00;04;15;19 00;04;16;29 and starting to layer these together into
00;04;17;01 00;04;18;05 higher order modules. Which I'll
00;04;18;07 00;04;19;27 describe in my talk today.
00;04;22;05 00;04;24;00 The idea I like to communicate to you today
00;04;24;01 00;04;26;16 is that biological circuits are at the
00;04;26;17 00;04;28;15 core of synthetic biology
00;04;28;17 00;04;31;01 because they enable complex sense
00;04;31;02 00;04;32;23 and respond behaviors from cells.
00;04;33;01 00;04;35;19 So cells can be thought of as little mini-computers
00;04;35;20 00;04;38;03 in that they sense all sorts of information.
00;04;38;12 00;04;40;06 They process that information, so they
00;04;40;07 00;04;41;19 can perform computations.
00;04;41;20 00;04;44;04 But they can also store the output of these
00;04;44;05 00;04;45;13 computations in memory.
00;04;45;18 00;04;47;21 And then the cells can respond by carrying out
00;04;47;23 00;04;49;27 new function. Whether its deciding to live or
00;04;49;28 00;04;52;09 die, divide or not, or produce a certain molecule.
00;04;53;00 00;04;55;05 So at the core of this we need the ability to
00;04;55;06 00;04;57;26 program biological systems, to compute information,
00;04;57;27 00;04;59;16 and to store this information in memory.
00;04;59;17 00;05;01;03 Because this will enable us to build very
00;05;01;05 00;05;02;22 generalizable frameworks
00;05;02;23 00;05;05;00 for sense and respond behaviors.
00;05;05;28 00;05;07;08 The other thing that I like to talk about
00;05;07;10 00;05;10;08 towards the end of the talk, is really how far we are
00;05;10;10 00;05;13;07 in this field from being able to rationally program
00;05;13;09 00;05;15;16 biological systems that carry out specific function.
00;05;16;00 00;05;18;14 So we'd like to really adopt the engineer's framework
00;05;18;16 00;05;21;06 where we can go from concept, to design, model,
00;05;21;07 00;05;22;15 simulation, where we kind of
00;05;22;16 00;05;24;21 develop our designs in silico.
00;05;25;02 00;05;27;24 Then we experimentally construct, probe, and measure
00;05;27;26 00;05;30;07 these systems and iteratively improve our systems.
00;05;30;09 00;05;32;21 And I'll talk about some of the design challenges
00;05;32;22 00;05;34;05 that are still remaining in the field
00;05;34;07 00;05;35;21 that make it challenging to implement
00;05;35;22 00;05;37;00 this entire pipeline.
00;05;37;10 00;05;40;06 The other interesting thing about biology is that unlike
00;05;40;08 00;05;43;23 silicon based systems or other engineering disciplines
00;05;43;26 00;05;47;15 we have the added capability of evolving biological systems.
00;05;47;17 00;05;51;05 And that can present, actually interesting ways of trying
00;05;51;07 00;05;53;11 to design systems that carry out new function
00;05;53;13 00;05;55;10 but also poses a challenge when you're tyring to
00;05;55;11 00;05;57;23 design a biological system that carries out a function
00;05;57;24 00;06;00;06 and we want the cells to continue to
00;06;00;07 00;06;02;05 develop that function. Or display that function
00;06;02;07 00;06;04;12 without evolving away from it.
00;06;04;14 00;06;06;20 Due to other evolutionary pressures.
00;06;06;21 00;06;09;17 So this is a unique challenge, but opportunity for biology.
00;06;09;18 00;06;11;16 This idea that you can incorporate evolution
00;06;11;17 00;06;13;01 into the design process.
00;06;14;24 00;06;16;21 So as I mentioned there are many flavors of
00;06;16;22 00;06;18;27 synthetic biology. And even in the field of
00;06;18;29 00;06;21;00 circuit design, there are many reasons why
00;06;21;01 00;06;23;21 people are trying to design biological systems.
00;06;23;22 00;06;26;06 For example, people are interested in soley the idea
00;06;26;07 00;06;28;02 of computation. Can you design circuits that can
00;06;28;03 00;06;30;26 allow you to compute functions inside of living cells.
00;06;30;27 00;06;33;07 Other folks are interested in this idea of therapeutics.
00;06;33;09 00;06;36;00 So if you can design cells that carry out a
00;06;36;02 00;06;37;27 specific function, could you use that program
00;06;37;29 00;06;39;14 new cell and gene therapy
00;06;39;16 00;06;41;11 that are responsive to their environment.
00;06;41;21 00;06;44;04 Other folks are interested in producing new molecules.
00;06;44;05 00;06;47;00 So, if you could design circuits that can sense metabolites,
00;06;47;02 00;06;50;07 or sense intracellular state, because you optimized the
00;06;50;08 00;06;52;09 expression of new heterologous materials
00;06;52;10 00;06;53;09 that cells are making.
00;06;53;10 00;06;55;19 Such as chemicals, or other physical material.
00;06;55;28 00;06;58;06 And, finally there are folks who are interested in this idea
00;06;58;07 00;06;59;28 of using genetic engineering,
00;06;59;29 00;07;02;06 or synthetic biology, to build circuits
00;07;02;08 00;07;04;13 to understand biology at a deeper level.
00;07;04;15 00;07;06;22 With the idea that if I cannot build a system
00;07;06;23 00;07;08;00 then I cannot fully understand it.
00;07;08;01 00;07;09;17 And therefor people are interested in
00;07;09;20 00;07;11;28 building genetic circuits as a way of understanding
00;07;12;00 00;07;14;18 basic principles of how biology functions
00;07;16;03 00;07;19;10 So before I get into the deep circuit engineering aspects
00;07;19;12 00;07;21;27 I still wanted to introduce the concept of
00;07;21;29 00;07;26;09 sensors in synthetic biology. And so, many of
00;07;26;11 00;07;28;07 the circuits that I am going to describe to you later on
00;07;28;09 00;07;31;08 take in either chemical or light triggered input.
00;07;31;13 00;07;34;01 There are additional inputs that cells can take in,
00;07;34;02 00;07;36;09 but I wanted to focus on chemicals and light
00;07;36;10 00;07;39;06 because this allows us, kind of a very flexible
00;07;39;08 00;07;41;14 set of inputs that you can put into cells.
00;07;41;20 00;07;44;13 And, so there have been a lot of work to develop
00;07;44;15 00;07;46;06 a variety of different sensors. Either at the
00;07;46;07 00;07;48;15 transcriptional level, or the translational level,
00;07;48;17 00;07;50;02 or at the protein level.
00;07;50;03 00;07;53;05 That can arbitrarily bind to different chemical inputs
00;07;53;07 00;07;55;27 and trigger gene expression downstream.
00;07;56;06 00;07;58;26 And what this allows you to do is to then take these inputs,
00;07;58;28 00;08;02;01 for example, here we have salicylate and arabinose
00;08;02;02 00;08;03;05 as two different inputs,
00;08;03;06 00;08;05;27 to a circuit that actually calculates an AND function.
00;08;05;28 00;08;08;18 That allows us to then build cells
00;08;08;20 00;08;11;22 that only respond in the presence of both of these inputs.
00;08;11;24 00;08;15;01 Because of this logical AND circuit that comes downstream.
00;08;15;10 00;08;18;09 and so these inputs, you can think about as ways
00;08;18;10 00;08;20;12 of inducing changes inside of the cell
00;08;20;13 00;08;22;20 they're kind of like little knobs that you can use
00;08;22;21 00;08;25;04 to turn on, and turn off, gene expression inside the cell.
00;08;25;06 00;08;27;06 And then for real world applications
00;08;27;08 00;08;30;01 you can think about these inputs, or sensors
00;08;30;03 00;08;33;08 that can detect real world analytes or chemicals
00;08;33;10 00;08;35;23 such as, biomarkers of disease
00;08;35;25 00;08;38;06 or small molecule chemicals, in the environment
00;08;38;07 00;08;40;06 that you're trying to detect. These can hooked in
00;08;40;08 00;08;42;24 to the genetic circuits that I'm going to talk about later on.
00;08;43;21 00;08;46;14 Another set of sensors that have been used to quite
00;08;46;16 00;08;48;09 good success has been light.
00;08;48;11 00;08;51;25 So here is an example, from the lab of Chris Voigt,
00;08;51;27 00;08;54;27 that have developed optogenetic sensors in bacteria
00;08;54;29 00;08;57;17 that can trigger the production of a pigment
00;08;57;19 00;08;59;01 from these bacteria.
00;08;59;09 00;09;01;28 And what this allows you to do is to actually program
00;09;02;04 00;09;04;15 cells to be responsive to light.
00;09;04;17 00;09;06;14 Here's an example where they've made a mask of
00;09;06;16 00;09;09;10 Albert Einstein, and shone light on a plate of bacteria.
00;09;09;12 00;09;12;06 And basically developed a bacterial photograph,
00;09;12;08 00;09;16;22 by triggering gene expression based on light input.
00;09;16;24 00;09;19;12 And so light is another very interesting knob, by which you
00;09;19;14 00;09;21;22 use to turn on, and turn off, gene expression.
00;09;21;24 00;09;24;00 With the advantage that you can program
00;09;24;02 00;09;26;10 multiple orthogonal inputs to a cell
00;09;26;11 00;09;28;13 by using different wavelengths of light.
00;09;28;15 00;09;30;10 And you can control dynamically
00;09;30;12 00;09;34;16 and spatial-temporally the gene expression
00;09;34;18 00;09;36;24 by basically turning on, turning off, light
00;09;36;25 00;09;38;19 at different locations, or with different timing.
00;09;39;29 00;09;42;04 Now as I mentioned, there are other sensors
00;09;42;05 00;09;44;02 that you can plug into genetic circuits.
00;09;44;20 00;09;48;09 And, so what I want to tell you now is about
00;09;48;10 00;09;50;11 different genetic circuits that you can actually start
00;09;50;12 00;09;53;16 layering on top of these different types of inputs.
00;09;53;25 00;09;56;04 So, in our lab we're quite interested in
00;09;56;07 00;09;57;27 two forms of computation.
00;09;57;29 00;10;00;02 Digital and analog computation.
00;10;00;03 00;10;02;10 So digital computing is kind of the classic
00;10;02;12 00;10;04;15 computing that you think about when you think about
00;10;04;16 00;10;07;03 silicon based computing, like the computers that you use.
00;10;07;04 00;10;10;04 And this is where you take a signal, whether it's a voltage,
00;10;10;06 00;10;12;00 or a chemical concentration.
00;10;12;02 00;10;14;06 And you split into 0s and 1s.
00;10;14;07 00;10;16;20 Then you only compute based on 0s and 1s.
00;10;16;26 00;10;19;03 There's also the idea of analog computing where you
00;10;19;04 00;10;21;12 don't discretize the signal to 0s and 1s,
00;10;21;13 00;10;24;04 and you basically compute using continuous values.
00;10;24;21 00;10;26;28 And what we've done in our group is to split up
00;10;27;00 00;10;29;26 both digital and analog computing into
00;10;29;29 00;10;32;14 two different categories. One where you have memory.
00;10;32;16 00;10;35;16 Where you basically store the output of a computation.
00;10;35;18 00;10;37;01 And then you also have computing,
00;10;37;02 00;10;38;25 where you calculate specific function.
00;10;38;26 00;10;41;02 So in the digital case, I'm going to talk about
00;10;41;04 00;10;43;00 how you can build digital logic gates that
00;10;43;02 00;10;44;27 calculate Boolean logic functions.
00;10;44;28 00;10;47;10 And simultaneously store the output of those
00;10;47;11 00;10;49;13 calculations in DNA coded memory.
00;10;49;15 00;10;53;04 And the ability to integrate both logic and memory together.
00;10;53;06 00;10;55;26 really gives you more powerful computing powers.
00;10;56;09 00;10;58;15 I'll also talk briefly upon analog computing
00;10;58;16 00;11;00;03 so how you can engineer a cell to compute
00;11;00;05 00;11;02;06 mathematical function, based on
00;11;02;07 00;11;04;00 continuous chemical concentration.
00;11;04;04 00;11;05;29 And, finally, how you can build memory circuits
00;11;06;01 00;11;07;27 that actually record analog memory.
00;11;07;28 00;11;09;19 What I mean by analog memory
00;11;09;21 00;11;12;21 is when you want to encode more than
00;11;12;22 00;11;14;21 just absence or presence information
00;11;14;22 00;11;16;07 into DNA coded memory.
00;11;16;08 00;11;17;21 But encode something like how
00;11;17;22 00;11;19;16 long or how much of a signal you've seen.
00;11;21;13 00;11;22;27 So just to summarize again,
00;11;22;28 00;11;24;06 digitally computing is this idea where
00;11;24;07 00;11;26;14 take a signal. In the case of biology
00;11;26;15 00;11;28;18 this might be a chemical concentration.
00;11;28;20 00;11;30;19 And you split it into 0s and 1s.
00;11;30;21 00;11;32;00 So you set thresholds.
00;11;32;01 00;11;33;09 And you say, everything below a certain
00;11;33;10 00;11;34;15 threshold is 0.
00;11;34;17 00;11;36;20 Everything above a certain threshold is a 1.
00;11;36;22 00;11;38;06 And we basically compute solely based upon
00;11;38;08 00;11;39;03 0s and 1s.
00;11;39;04 00;11;40;23 And the reason that we might want to do this
00;11;40;25 00;11;43;00 is that digital computing
00;11;43;02 00;11;45;26 allows you to take 0s and 1s
00;11;45;28 00;11;48;24 and build together more complex logic functions,
00;11;48;25 00;11;50;15 like Boolean logic gates. Here we have an
00;11;50;16 00;11;52;24 example of an AND gate. Where you can very
00;11;52;25 00;11;54;17 easily reason what the input-output
00;11;54;19 00;11;57;07 relationship might be. So for example in an AND gate
00;11;57;09 00;12;00;18 the output is TRUE, or a 1, only when both inputs are TRUE.
00;12;01;07 00;12;03;29 And the reason we might do that is that there's a whole
00;12;04;01 00;12;06;24 framework developed where you can take these individual
00;12;06;25 00;12;09;15 simple logic gates, and piece them together as shown
00;12;09;16 00;12;11;01 here into more complex systems.
00;12;11;02 00;12;13;25 Here this is an example of an adder.
00;12;13;27 00;12;15;27 That is composed of multiple logic gates
00;12;15;28 00;12;17;14 hooked together in a defined way.
00;12;17;28 00;12;21;11 We would argue that in biology, some systems
00;12;21;13 00;12;25;18 perform in a digital-like fashion. So if you think about
00;12;25;20 00;12;28;20 a cell making a decision whether to live or die, that's
00;12;28;22 00;12;30;27 essentially a digital decision. Because, basically
00;12;30;28 00;12;32;28 cells can be in one of two states: alive or dead.
00;12;33;11 00;12;36;03 Or the idea of cell differentiation. Where a cell starts
00;12;36;04 00;12;38;21 in a single state, but then differentiates into multiple
00;12;38;22 00;12;41;09 downstream states. Is another example where this
00;12;41;10 00;12;44;12 digital idea, where you have discrete states
00;12;44;13 00;12;45;13 may make sense.
00;12;46;24 00;12;49;04 So there have been efforts in the past to build
00;12;49;06 00;12;51;20 digital logic gates, and memory circuits.
00;12;51;22 00;12;55;01 Here's one example where folks built
00;12;55;02 00;12;59;09 a genetic toggle switch, based on two cross-coupled
00;12;59;11 00;13;02;24 transcription factors. Each of which represses the other.
00;13;02;26 00;13;05;14 And what this allows you to do is create a genetic toggle switch.
00;13;05;15 00;13;07;11 Where either one transcription factor is high,
00;13;07;12 00;13;08;26 and the other one is low.
00;13;09;08 00;13;11;03 Or the other transcription factor is high,
00;13;11;04 00;13;12;05 and the other one is low.
00;13;12;09 00;13;13;24 And you can switch between these two states
00;13;13;25 00;13;14;27 by adding an input.
00;13;15;01 00;13;17;11 For example, in this case, one input is heat.
00;13;17;13 00;13;19;18 The other input is a small molecule, IPTG.
00;13;19;25 00;13;22;00 And, what that does is inactivates one of the two
00;13;22;01 00;13;23;25 repressors, and allows you to flip the switch.
00;13;23;28 00;13;26;09 So this is one way of encoding digital
00;13;26;11 00;13;28;06 memory inside of a living cell.
00;13;28;08 00;13;30;19 This idea that you can use two cross-coupled
00;13;30;21 00;13;34;23 transcription factors. Very similar to how bacteriophages
00;13;34;25 00;13;38;02 encode a switch. Or in electronics, how people encode
00;13;38;05 00;13;40;07 a set and reset latch.
00;13;41;10 00;13;44;15 Another way of encoding digital information is to use
00;13;44;16 00;13;46;23 a class of proteins, known as recombinases.
00;13;47;02 00;13;49;21 And what these recombinases do is they can actually flip
00;13;49;23 00;13;51;22 a piece of DNA upside down.
00;13;51;24 00;13;55;29 So if you imagine DNA as kind of a memory device
00;13;56;07 00;13;59;21 where you can specifically address locations on the DNA
00;13;59;22 00;14;01;25 and flip them from one orientation to the other.
00;14;02;05 00;14;04;15 This allows you to store 0 or 1 information
00;14;04;16 00;14;06;14 in the orientation of the DNA. So here is an example
00;14;06;15 00;14;08;18 where we have a sequence of DNA here that carries
00;14;08;19 00;14;11;24 a specific orientation. We can define this as the off-state.
00;14;11;26 00;14;14;12 And then if we express a recombinase that flips the DNA
00;14;14;13 00;14;17;03 upside-down. The DNA has now adopted
00;14;17;10 00;14;21;00 another sequence, because its inverted.
00;14;21;06 00;14;24;00 And we can define these two sequences as distinct
00;14;24;01 00;14;26;26 from each other. One being 0 and one being a 1.
00;14;27;27 00;14;29;08 So, one state we have OFF,
00;14;29;09 00;14;30;15 and the other state, we have ON.
00;14;30;16 00;14;32;26 And the nice thing about this approach, is that
00;14;32;28 00;14;35;12 because we have a single piece of DNA, that can be
00;14;35;14 00;14;37;12 in any one of two orientations. You can naturally have
00;14;37;13 00;14;38;20 digital behavior.
00;14;38;21 00;14;41;02 So the DNA can only be in one of two orientations.
00;14;41;25 00;14;44;09 This platform is potentially very extensible.
00;14;44;10 00;14;46;06 For example, there are many known recombinases
00;14;46;07 00;14;48;02 that are available that you can use to encode
00;14;48;04 00;14;49;25 multiple bits of information in DNA.
00;14;49;27 00;14;51;18 As I'll show you this system is modular.
00;14;51;19 00;14;53;21 So you can put together multiple reombinase based
00;14;53;22 00;14;56;04 switches together to build higher-order circuits.
00;14;57;13 00;14;58;28 So here is just an example.
00;14;59;00 00;15;01;03 Imagine you have a stretch of DNA, where you have
00;15;01;05 00;15;02;27 three different sequences.
00;15;03;06 00;15;05;21 Red, blue, and green.
00;15;05;29 00;15;07;27 And each one of these is targeted by a
00;15;07;28 00;15;10;05 different recombinase, and the have a specific sequence.
00;15;10;10 00;15;12;24 So, if we could express a recombinase that only
00;15;12;25 00;15;15;06 targeted the blue sequence. And would flip
00;15;15;07 00;15;16;24 the blue sequence upside-down.
00;15;16;25 00;15;19;27 Now we've changed the blue sequence from a 0 to a 1.
00;15;19;28 00;15;21;12 We've changed the sequence that's intervening
00;15;21;13 00;15;23;29 between the blue, recombinase recognition sites.
00;15;24;01 00;15;25;10 as show here in brackets.
00;15;25;21 00;15;27;27 Now, if we express a green recombinase,
00;15;28;05 00;15;30;12 that targets the green brackets, the green
00;15;30;13 00;15;31;23 recombinase recognition sites.
00;15;31;25 00;15;33;10 And flips that DNA over.
00;15;33;21 00;15;35;08 This would allow you to then
00;15;35;19 00;15;38;21 encode another bit of memory into the DNA
00;15;38;23 00;15;41;08 by flipping the 0 to a 1.
00;15;41;10 00;15;43;26 In the DNA that's located between green sites.
00;15;44;04 00;15;45;24 So this is a way by which we can encode
00;15;45;25 00;15;47;15 multiple bits of memory into DNA.
00;15;47;17 00;15;49;24 And because DNA is passed down stably from
00;15;49;25 00;15;51;12 mother to daughter cells.
00;15;51;17 00;15;54;04 This allows you to pass on long-term memory
00;15;54;06 00;15;57;23 down a chain of living cells, encoded memory.
00;15;58;29 00;16;02;02 So now how can we use this to encode higher-order functions.
00;16;02;11 00;16;04;24 One of the things we like to do is to be able to encode
00;16;04;26 00;16;07;09 integrated digital logic with memory.
00;16;07;20 00;16;10;12 So we want the ability to store information in DNA.
00;16;10;14 00;16;12;16 But we also want the ability to compute
00;16;12;18 00;16;15;01 digital logic functions like Boolean logic gates.
00;16;15;03 00;16;16;27 And so for example, we want the ability to
00;16;16;28 00;16;18;21 build a Boolean logic gate that's shown up here
00;16;18;22 00;16;20;24 where you have an AND gate that has two inputs,
00;16;20;25 00;16;21;16 A and B.
00;16;21;17 00;16;23;12 It has output that is only 1,
00;16;23;13 00;16;25;28 or TRUE, when both inputs are 1 or TRUE.
00;16;27;21 00;16;30;17 So we want people to be able dig into a set of predefined
00;16;30;19 00;16;32;26 parts to assemble these circuits in a very easy way.
00;16;32;28 00;16;36;15 So in this example we actually used two different
00;16;36;16 00;16;38;24 recombinases. The blue recombinases, which target these
00;16;38;25 00;16;41;21 blue brackets, as shown here. And we have red recombinases
00;16;41;22 00;16;43;06 that target these red triangles.
00;16;43;07 00;16;45;03 And then sandwiched between these recognition sites
00;16;45;04 00;16;47;06 we have actually a variety of gene regulatory elements,
00;16;47;07 00;16;50;03 including transcriptional terminators. They're
00;16;50;04 00;16;52;18 shown here by the T. We also have promoters.
00;16;52;19 00;16;53;21 They're shown here by the arrows.
00;16;53;22 00;16;56;03 We have genes, like GFP, that represent the output.
00;16;57;18 00;16;59;26 The idea then is that we can assemble
00;16;59;28 00;17;03;08 these regulatory parts into a linear stretch of DNA
00;17;03;09 00;17;05;20 shown here, that implements the AND gate.
00;17;06;04 00;17;08;14 And, this circuit will obey this
00;17;08;16 00;17;10;05 following logic function.
00;17;10;07 00;17;12;13 The output, which is GFP here,
00;17;12;15 00;17;15;08 should only be TRUE, or ON, or expressed,
00;17;15;10 00;17;18;00 if at least one promoter, so one of these
00;17;18;01 00;17;20;24 promoters is in the upstream, upright orientatation.
00;17;21;05 00;17;23;22 And, if none of these terminators are active.
00;17;23;25 00;17;26;08 So, for example when the terminators look like a T
00;17;26;10 00;17;28;11 they're active. So they block transcription.
00;17;28;13 00;17;30;18 But, when they're upside down, the are no longer active.
00;17;30;26 00;17;33;19 And, when the output gene is in the right orientation
00;17;33;21 00;17;35;06 that must mean that it must be upright
00;17;35;07 00;17;37;10 so it can be expressed from the upstream promoter.
00;17;37;11 00;17;39;06 And as I'll show you, this allows you to implement
00;17;39;07 00;17;40;24 every single Boolean logic gate that you might
00;17;40;25 00;17;43;05 want to build. It also allows you
00;17;43;12 00;17;45;07 to program things like an AND gate.
00;17;45;09 00;17;46;23 And I'll walk you through an example there.
00;17;48;21 00;17;50;21 So here's an example of the AND gate I showed you
00;17;50;22 00;17;53;06 before it had a GFP, which is the output gene.
00;17;53;08 00;17;56;05 It has a promoter upstream. Which drives transcription.
00;17;56;07 00;17;58;03 But it has two intervening terminators
00;17;58;04 00;18;01;12 that block the activity of that promoter.
00;18;01;20 00;18;03;21 And each of these two terminators are sandwiched
00;18;03;24 00;18;05;10 in between a recombinase recognition site.
00;18;05;12 00;18;07;08 For example, this terminator is sandwiched between
00;18;07;09 00;18;09;25 the red recombinase sights. This terminator is sandwiched
00;18;09;26 00;18;11;08 between the blue recombinase sites.
00;18;11;10 00;18;14;10 So the base state, both of these terminators block
00;18;14;12 00;18;17;03 the activity of the transcriptional promoter.
00;18;17;05 00;18;19;04 And, therefor GFP is not expressed.
00;18;19;16 00;18;22;10 So look at the data here, and the base state,
00;18;22;12 00;18;25;00 very few cells actually express GFP,
00;18;25;02 00;18;26;17 because these two terminators are active.
00;18;26;19 00;18;29;03 So therefor, this is the logic function we have.
00;18;29;05 00;18;31;24 Both inputs are 0, there is no input to the cell.
00;18;31;26 00;18;33;24 And the output is 0, because GFP is OFF.
00;18;34;26 00;18;36;24 Now if we had one input, for example
00;18;36;26 00;18;39;27 a small molecule, here a gel that turns on expression
00;18;39;29 00;18;42;07 of the red recombinase. This
00;18;42;09 00;18;44;15 produces the red recombination, shown here in red.
00;18;44;17 00;18;47;19 And that flips the red triangle upside-down.
00;18;47;26 00;18;50;02 Leads to a circuit that looks like this.
00;18;51;13 00;18;54;00 And when this terminator is upside-down its
00;18;54;01 00;18;56;17 no longer active. So it cannot block transcription
00;18;56;18 00;18;58;26 from this promoter. But this terminator
00;18;58;28 00;19;00;21 in the blue bracket, is still active.
00;19;00;22 00;19;03;03 So, because its still active it blocks transcription,
00;19;03;05 00;19;04;12 therefor GFP is not expressed.
00;19;04;13 00;19;07;01 That leads to the logic/truth table shown here.
00;19;07;25 00;19;10;17 Now we have a second input. Suppose you add aTc,
00;19;10;19 00;19;12;07 anhydrotetracycline to the media.
00;19;12;11 00;19;14;21 This induces expression of the blue recombinase,
00;19;14;23 00;19;17;04 which flips the blue bracketed terminator.
00;19;18;01 00;19;20;14 Now leads to a circuit that looks like this.
00;19;20;17 00;19;22;12 Where the second terminator is now upside-down
00;19;22;13 00;19;23;14 and no longer active.
00;19;23;15 00;19;25;19 The first terminator still remains active.
00;19;25;20 00;19;28;17 And, therefor we have low GFP expression, as shown here.
00;19;29;08 00;19;30;27 But, finally, if we have both inputs,
00;19;30;29 00;19;32;29 if you had both AHL and aTc,
00;19;33;01 00;19;35;10 you induce the expression of both recombinases
00;19;35;12 00;19;38;05 that will flip both of the terminators upside-down.
00;19;38;07 00;19;40;15 And when they are upside-down they are no longer active.
00;19;40;16 00;19;43;20 And therefor the promoter can then express GFP.
00;19;43;27 00;19;46;27 And therefor, most of the cells actually turn into
00;19;46;28 00;19;50;08 GFP positive cells, in the presence of both of the inputs.
00;19;50;10 00;19;52;21 And this corresponds to the truth table, bottom row,
00;19;52;22 00;19;55;11 shown here. Where you have both inputs as 1s.
00;19;55;14 00;19;57;12 And therefor the output is a 1. Because now you've
00;19;57;13 00;19;58;21 expressed GFP. So this
00;19;58;23 00;20;00;24 basically performs a logical AND gate.
00;20;00;25 00;20;02;15 A circuit that only turns on when you have
00;20;02;16 00;20;03;18 both inputs that are ON.
00;20;05;13 00;20;09;03 So, with this framework, you can actually build all possible
00;20;09;04 00;20;10;26 two-input Boolean logic gates.
00;20;10;28 00;20;12;27 I won't go through all of these in detail here.
00;20;12;28 00;20;15;23 But you can find the information in the paper citation below.
00;20;16;02 00;20;18;09 But this provides a very facile way
00;20;18;11 00;20;20;11 for you to program biological circuits
00;20;20;13 00;20;23;15 that carry out a specific genetic logic function.
00;20;24;17 00;20;26;06 The other thing this allows you to do
00;20;26;07 00;20;28;20 is to encode the output of those logic functions
00;20;28;22 00;20;30;05 into DNA encoded memory.
00;20;30;15 00;20;33;00 So, for example, this is another AND gate
00;20;33;02 00;20;34;15 And I'll leave it up to you to kind of look
00;20;34;16 00;20;36;08 at why this implements a NAND gate.
00;20;36;29 00;20;39;14 But, what we do here is flip the circuit
00;20;39;15 00;20;41;13 from OFF, to ON.
00;20;41;23 00;20;43;07 Between Day 0 and Day 1.
00;20;43;09 00;20;45;27 So as you can see here, GFP goes from low to high.
00;20;46;13 00;20;48;26 And then we take away the inputs after Day 1.
00;20;48;28 00;20;50;18 And repeatedly passes the cells
00;20;50;19 00;20;52;15 over 9 days, over 90 generations.
00;20;52;17 00;20;55;21 And as you can see, the cells maintain GFP expression.
00;20;55;23 00;20;58;04 Which indicates that they maintain memory
00;20;58;10 00;21;00;09 of this AND gate being switched ON.
00;21;00;23 00;21;02;27 And the reason for this should be obvious once you flip
00;21;02;28 00;21;04;20 the GFP as well as the promoter.
00;21;04;22 00;21;07;03 This new orientation is passed down
00;21;07;04 00;21;08;21 from the mother cells to the daughter cells
00;21;08;23 00;21;11;12 and it continues in a stable fashion.
00;21;11;26 00;21;13;15 You can also use other ways of reading out the
00;21;13;16 00;21;16;21 the system. So here we've built nucleic acid probes
00;21;16;22 00;21;19;15 for PCR that can detect any one of the four states
00;21;19;16 00;21;21;21 in this other logic gate that we've built.
00;21;21;24 00;21;23;12 And you can see from the graph here
00;21;23;14 00;21;26;00 the gels here, you can actually get specific
00;21;26;01 00;21;28;09 bands that form in specific states
00;21;28;10 00;21;29;22 based on the primers that you use.
00;21;30;04 00;21;31;27 And so the reasons why we're excited about this
00;21;31;28 00;21;33;11 is one of the potential applications
00;21;33;12 00;21;35;21 is that you might be able to engineer cells,
00;21;35;23 00;21;37;20 for example, probiotic bacteria,
00;21;37;22 00;21;39;21 that contain these genetic switches
00;21;39;23 00;21;42;29 and, in the future, maybe you could have patients
00;21;43;01 00;21;44;29 or people, that can take these probiotics.
00;21;45;01 00;21;47;11 And as the probiotic transits through your gut,
00;21;47;13 00;21;49;17 goes into your small intestine, large intestine,
00;21;49;19 00;21;51;26 these probiotics can be engineered to sense things
00;21;51;28 00;21;54;00 like inflammation, or bleeding, or
00;21;54;01 00;21;55;09 other markers of disease.
00;21;55;11 00;21;57;01 Switch on a memory circuit
00;21;57;03 00;21;58;15 and when they come out the other end,
00;21;58;17 00;22;01;05 for example in your feces, they could actually generate a color.
00;22;01;07 00;22;03;21 Or other outputs that could tell you what actually happened
00;22;03;23 00;22;06;16 inside of your body. So these could serve as
00;22;06;18 00;22;08;06 new noninvasive diagnostics
00;22;08;09 00;22;11;00 or, noninvasive therapeutics, that could sense
00;22;11;01 00;22;14;19 and respond to environments inside of your body.
00;22;14;21 00;22;16;23 And memory, as well as logic, is a very
00;22;16;24 00;22;18;09 integral part of that equation.
00;22;19;28 00;22;22;22 So, I've told you a little about digital logic circuits.
00;22;22;24 00;22;25;29 And, how you could integrate Boolean logic computing.
00;22;26;01 00;22;29;12 As well as DNA encoded memory, with using recombinases.
00;22;29;21 00;22;32;14 In the remaining time I'll tell you now about analog circuits.
00;22;32;20 00;22;34;16 That can compute information.
00;22;34;18 00;22;36;11 As well as analog memory devices.
00;22;37;15 00;22;40;06 So analog computing is a different concept than digital.
00;22;40;08 00;22;43;20 Digital discretizes signals into 0s and 1s.
00;22;43;22 00;22;46;06 But analog computing uses the continuous
00;22;46;08 00;22;49;17 concentration of a molecule to compute information.
00;22;49;19 00;22;52;23 This is very similar to other forms of computing
00;22;52;25 00;22;56;07 that have use analog before. For example mechanical computers.
00;22;56;21 00;22;58;13 As well as the slide rule.
00;22;58;15 00;23;00;08 Basically computes mathematical functions
00;23;00;10 00;23;01;28 based on mechanical laws.
00;23;02;17 00;23;05;06 In electronics we also can build analog
00;23;05;08 00;23;07;28 circuits. Here is an example of an analog adder.
00;23;08;01 00;23;09;12 Where the output voltage
00;23;09;14 00;23;12;05 is a sum of the input voltages.
00;23;12;13 00;23;14;24 Scaled by different resistor concentrations
00;23;14;25 00;23;15;25 that are used in the circuit.
00;23;15;27 00;23;18;14 So here, we can build an adder
00;23;18;17 00;23;20;03 where the input/output relationship
00;23;20;05 00;23;22;01 between the output voltage and the input voltages
00;23;22;03 00;23;25;08 depends on the different resistors that are used.
00;23;25;10 00;23;27;21 And this gives you a quantitative
00;23;27;23 00;23;30;01 and analog way of computing information.
00;23;30;06 00;23;32;06 And we would argue that most biological systems
00;23;32;07 00;23;33;19 are actually analog and not digital.
00;23;33;27 00;23;37;02 So, many biological systems have different responses
00;23;37;04 00;23;38;21 have different concentrations of the input
00;23;38;22 00;23;40;14 which is an analog type behavior.
00;23;40;22 00;23;43;18 Many biological systems, for example sensory systems,
00;23;43;19 00;23;45;13 also obey Weber's Law of Functions.
00;23;45;15 00;23;47;25 So, for example, Weber's Law, is this idea that
00;23;47;27 00;23;51;16 the percent change in signal
00;23;51;18 00;23;53;08 divided by the background, remains constant.
00;23;53;10 00;23;55;29 And this type of behavior is really an analog function.
00;23;56;01 00;23;58;09 So, for example, your ability to perceive
00;23;58;11 00;24;00;11 a one-percent change in light
00;24;00;13 00;24;02;28 stays invariant, depending on whether you're in a dark
00;24;02;29 00;24;04;27 or light condition. Again, that's an analog type
00;24;04;28 00;24;06;15 behavior rather than a digital behavior.
00;24;07;24 00;24;10;10 So how do we build analog gene circuits?
00;24;10;18 00;24;11;23 One of the ways we can do this is
00;24;11;24 00;24;13;18 actually with transcriptional circuits.
00;24;13;19 00;24;16;16 So here our goal is to take an input, like arabinose
00;24;16;28 00;24;19;11 and log-transform the arabinose input
00;24;19;13 00;24;20;29 into an mCherry concentration.
00;24;21;01 00;24;22;29 So here we want to implement the mathematical
00;24;23;01 00;24;24;15 function of a logarithm.
00;24;25;01 00;24;26;15 So the way we did this is to actually
00;24;26;16 00;24;28;04 look at a transcription factor.
00;24;28;12 00;24;31;05 Known as araC. Which activates transcription
00;24;31;07 00;24;32;24 at a promoter called PBAD.
00;24;32;29 00;24;35;11 In the presence of a small molecule known as arabinose.
00;24;35;13 00;24;37;05 So this is the original base circuit we built.
00;24;37;07 00;24;38;20 And the output is mCherry.
00;24;39;05 00;24;40;20 And so, when we do this,
00;24;40;22 00;24;43;09 we have the circuit input and output transfer function
00;24;43;10 00;24;45;11 as shown here in the red-dashed lines.
00;24;45;22 00;24;47;24 Where the more arabinose you add,
00;24;47;27 00;24;49;14 you start off actually in the low state,
00;24;49;16 00;24;50;18 then the more arabinose you add you
00;24;50;19 00;24;52;09 quickly get a switching from low to high.
00;24;52;12 00;24;54;16 So this is a pretty digital circuit
00;24;54;18 00;24;56;13 because the switching from low to high
00;24;56;15 00;24;57;26 happens over a very narrow range,
00;24;57;27 00;24;59;16 over about an order magnitude to the input.
00;25;00;01 00;25;02;10 One of the things that we noticed was that over this
00;25;02;12 00;25;03;23 short switching range,
00;25;04;06 00;25;07;05 this line here, of the fit,
00;25;07;07 00;25;08;08 was actually linear.
00;25;08;09 00;25;10;20 And if you notice on this graph, this is a linear
00;25;10;22 00;25;12;24 y-axis vs. a log x-axis,
00;25;12;29 00;25;15;10 Which means that a line here on the graph
00;25;15;12 00;25;18;29 really corresponds to a logarithm calculation.
00;25;19;02 00;25;20;21 So over this intermediate range,
00;25;20;22 00;25;22;06 from switching from low to high.
00;25;22;16 00;25;24;23 This circuit is actually calculating a logarithm.
00;25;24;25 00;25;27;10 In other word, the mCherry output is a log
00;25;27;12 00;25;31;11 proportional to the arabinose input.
00;25;31;14 00;25;33;17 However, because this happens over a very narrow range,
00;25;33;19 00;25;35;25 its not a very useful analog circuit.
00;25;36;01 00;25;38;26 So what we did was to devise another genetic circuit
00;25;38;28 00;25;40;26 that has a positive-feedback loop.
00;25;40;28 00;25;44;26 So that arabinose activates the araC transcription
00;25;44;27 00;25;47;13 factor, which then self-activates its own transcription.
00;25;47;24 00;25;50;20 And then the araC transcription factor is furthermore
00;25;50;22 00;25;53;11 on a low copy plasmid, and targeting
00;25;53;13 00;25;56;23 many copies of the PBAD promoter, on a high copy plasmid.
00;25;56;25 00;25;58;26 To activate output mCherry.
00;25;59;05 00;26;00;26 And what this does, it allows you to delay
00;26;00;27 00;26;02;29 the saturation of this transfer function.
00;26;03;00 00;26;06;22 Both with respect to the arabinose, araC interaction.
00;26;06;24 00;26;10;08 As well as the activated araC interaction with the promoter.
00;26;10;10 00;26;12;09 And this allows you to build a circuit that looks
00;26;12;10 00;26;14;18 like this, shown in black. Where you have
00;26;14;19 00;26;16;06 pretty linear relationship between
00;26;16;07 00;26;17;21 the output and the input.
00;26;17;22 00;26;19;26 Over several orders of magnitude.
00;26;19;28 00;26;21;24 And again, because this is plotted
00;26;21;25 00;26;23;26 on a linear vs. a log scale
00;26;23;28 00;26;26;12 a line on this graph indicates a logarithm.
00;26;26;15 00;26;29;01 that's being calculated over several orders of magnitude.
00;26;29;29 00;26;32;03 So here, with a very simple circuit motif
00;26;32;05 00;26;34;07 we've implemented a logarithm that can work
00;26;34;09 00;26;35;27 across several orders of magnitude.
00;26;36;10 00;26;38;12 We can also demonstrate a negative logarithm.
00;26;38;14 00;26;39;29 So one that has a negative slope.
00;26;40;01 00;26;41;13 And the way we do that is to take
00;26;41;15 00;26;43;11 basically the same motif I showed you before,
00;26;43;13 00;26;45;02 which has a positive feedback loop.
00;26;45;04 00;26;47;14 Here using a different transcription factor, luxR.
00;26;48;04 00;26;50;05 Where luxR self-activates itself
00;26;50;07 00;26;52;01 in the presence of AHL, and targets
00;26;52;03 00;26;55;19 a high copy plasmid promoter for activation of GFP.
00;26;56;08 00;26;57;23 We can take the output of this circuit
00;26;57;25 00;26;58;21 and use it to drive
00;26;58;23 00;27;00;17 a transcription repressor, like lacI.
00;27;00;22 00;27;02;08 And use lacI to repress
00;27;02;10 00;27;04;08 mCherry, which is another output of this circuit.
00;27;04;14 00;27;06;29 And when you do that, you get a diagram that looks like this
00;27;07;00 00;27;09;19 where the more AHL you add to the circuit. As the input.
00;27;09;21 00;27;12;16 The less mCherry florescence you get at the output.
00;27;12;18 00;27;15;09 And this, again, looks like a very straight line on this
00;27;15;11 00;27;17;16 linear-log graph.
00;27;17;18 00;27;19;27 Indicating that we can perform a negative logarithm.
00;27;19;29 00;27;21;15 Basically transforming
00;27;21;17 00;27;24;04 the AHL concentration, by negative log
00;27;24;06 00;27;26;14 into the mCherry florescence output.
00;27;27;22 00;27;29;08 Alright, so what can we do? We can actually
00;27;29;10 00;27;30;18 compose these circuits together.
00;27;30;20 00;27;32;08 So here we've taken a positive logarithm
00;27;32;10 00;27;34;03 circuit, that's driven by arabinose.
00;27;34;07 00;27;35;17 And we take the negative logarithm
00;27;35;19 00;27;37;04 circuit that's driven by AHL.
00;27;37;10 00;27;39;12 And they both express mCherry, such that
00;27;39;14 00;27;41;08 the total mCherry in this cell is just the sum of the
00;27;41;09 00;27;43;05 two mCherrys produced by these circuits.
00;27;43;06 00;27;45;14 This basically performs the mathematical
00;27;45;16 00;27;46;17 function shown above.
00;27;46;19 00;27;48;02 And you can see that this is true,
00;27;48;04 00;27;49;28 when we look at it on a 3D graph.
00;27;49;29 00;27;51;27 That the more arabinose you add,
00;27;52;00 00;27;53;16 the more florescence you get.
00;27;53;18 00;27;56;09 The less of the more AHL you add to the system,
00;27;56;11 00;27;57;16 the less florescence that you get.
00;27;57;18 00;27;59;20 And this basically performs like a plane
00;27;59;22 00;28;01;22 on this graph here, which indicates
00;28;01;24 00;28;04;15 this is performing, basically, a logarithmic transformation.
00;28;06;11 00;28;07;27 Another thing that we can do with this,
00;28;07;28 00;28;09;07 for the subtracter circuit,
00;28;09;08 00;28;11;09 remember, logA minus logB
00;28;11;11 00;28;12;29 is the same as log, A over B.
00;28;13;09 00;28;16;15 So if you tune the ratios, or the slopes of the logarithmic
00;28;16;16 00;28;18;22 circuit that I showed you before to be approximately equal,
00;28;18;24 00;28;20;18 you can actually convert the same circut
00;28;20;20 00;28;21;28 topology I showed you before
00;28;22;01 00;28;23;12 into something that calculates a ratio.
00;28;23;13 00;28;25;26 So this circuit here, calculates the ratio,
00;28;25;28 00;28;28;12 the arabinose divided by AHL ratio.
00;28;28;14 00;28;30;27 And takes the logarithm of that to produce mCherry.
00;28;31;03 00;28;33;04 So as you see here in the graph,
00;28;33;06 00;28;36;18 the output florescence is log proportional
00;28;36;20 00;28;38;05 to the ratio of two inputs.
00;28;38;07 00;28;39;23 Arabinose divided by AHL.
00;28;39;24 00;28;41;11 Over several orders of magnitude.
00;28;41;14 00;28;43;09 So every data point that you see here,
00;28;43;22 00;28;47;18 that has the same x-value.
00;28;47;20 00;28;49;17 Is basically the same arabinose divided by
00;28;49;18 00;28;50;25 AHL ratio.
00;28;50;27 00;28;52;29 But different absolute amounts of arabinose,
00;28;53;01 00;28;54;22 or, absolute amounts of AHL.
00;28;54;24 00;28;56;12 And this tells you that you can make circuits
00;28;56;13 00;28;58;11 that are responsive to the ratio of two inputs,
00;28;58;12 00;29;00;10 rather than the absolute amounts of two inputs.
00;29;00;11 00;29;02;14 Where this can be really useful is for biosensing.
00;29;02;16 00;29;03;27 So imagine you're trying to sense
00;29;04;02 00;29;05;22 the concentration of a molecule
00;29;05;24 00;29;07;02 relative to a background,
00;29;07;04 00;29;08;16 and you want to make a decision base on that.
00;29;08;21 00;29;11;04 You want to actually measure the relative ratio
00;29;11;07 00;29;13;11 of that molecule versus the background
00;29;13;13 00;29;15;15 rather than just the absolute amount of that molecule.
00;29;15;17 00;29;17;08 And this is again, where analog circuits can be
00;29;17;10 00;29;19;09 quite useful for practical applications.
00;29;20;29 00;29;22;26 So I've given you several examples of where
00;29;22;27 00;29;25;10 can do analog computing using living circuits.
00;29;25;13 00;29;27;29 Finally I'll end by telling you about analog memory.
00;29;28;02 00;29;30;05 And, so what do I mean by analog memory?
00;29;30;08 00;29;32;08 I showed you an example earlier of digital memory
00;29;32;10 00;29;34;18 where you had cells that could remember absence or presence.
00;29;34;20 00;29;37;03 Did I ever see this input? For example.
00;29;37;11 00;29;40;12 So that is a digital sense of information. 0 and 1.
00;29;40;14 00;29;42;03 Analog memory refers to the idea
00;29;42;05 00;29;44;22 can I remember how long, or much of an input have I seen.
00;29;44;24 00;29;46;16 Something quantitative about that signal.
00;29;47;14 00;29;48;28 So to do this we develop
00;29;49;00 00;29;51;02 a new genome editing platform.
00;29;51;08 00;29;54;20 To encode memory into the genome of living cells.
00;29;54;24 00;29;57;05 And so the way we do this is we conceptualize
00;29;57;07 00;29;59;25 the genome inside of living cells as a tape.
00;29;59;27 00;30;01;14 Kind of like a tape recorder.
00;30;01;16 00;30;02;26 Because every single base
00;30;02;28 00;30;05;12 A, T, G, and C, that's in the DNA encodes information.
00;30;05;14 00;30;08;10 And so if we can write specific base-pairs
00;30;08;12 00;30;09;29 into the DNA of living cells.
00;30;10;01 00;30;12;28 That should allow us to get very dense encoding of information.
00;30;13;08 00;30;16;00 So to do this we devised a system in bacteria
00;30;16;02 00;30;17;09 where you have a plasmid,
00;30;17;11 00;30;20;27 that is induce by any arbitrary promoter,
00;30;20;28 00;30;23;03 which can be hooked up to any sensor that you're interested in,
00;30;23;11 00;30;26;00 This expresses a cassette, that basically
00;30;26;01 00;30;28;09 single-stranded DNAs inside of the cell.
00;30;28;20 00;30;31;13 The single-stranded DNAs carry specific mutations.
00;30;31;18 00;30;34;05 That are targeted by the single-stranded DNA
00;30;34;06 00;30;36;27 based on DNA homology to the genome.
00;30;36;29 00;30;39;10 Where you can then write these mutations into the genome,
00;30;39;19 00;30;41;08 as a way of encoding information
00;30;41;10 00;30;43;14 into the genome of these living cells.
00;30;43;15 00;30;45;17 And if we can induce then the expression of these
00;30;45;19 00;30;46;26 single-stranded DNAs and recombine
00;30;46;27 00;30;49;06 them into target location, this will allow us
00;30;49;07 00;30;51;19 to encode information into the DNA of living cells
00;30;51;21 00;30;53;08 as a way of encoding memory.
00;30;54;19 00;30;57;16 So now how do we expand this to the idea of analog memory?
00;30;57;18 00;31;00;09 Well, if we make the DNA writing system
00;31;01;00 00;31;03;05 one that has intermediate
00;31;03;06 00;31;04;29 efficiency at writing DNA, so
00;31;05;05 00;31;08;07 not too good, but not too bad.
00;31;08;09 00;31;10;26 Then we'll get this following scenario.
00;31;11;03 00;31;13;18 So, let's say we start off with a given cell
00;31;13;20 00;31;15;18 that has a genome, shown in red. And the
00;31;15;20 00;31;17;25 single-stranded DNA expression cassette, shown in blue.
00;31;18;03 00;31;20;23 And we induce the cells over a period of time.
00;31;20;29 00;31;23;10 Well the longer you induce these cells for
00;31;23;12 00;31;26;04 the more cells will pick up a mutation in that population.
00;31;26;07 00;31;28;03 Such that, by the end of the experiment
00;31;28;10 00;31;30;07 by looking at the proportion of cells
00;31;30;08 00;31;32;00 that have that specific mutation.
00;31;32;13 00;31;35;08 You can determine how long, or how much
00;31;35;10 00;31;38;03 of an input that cellular population has seen.
00;31;38;09 00;31;40;11 So we have basically encoded
00;31;40;15 00;31;43;07 the magnitude, or the duration of the input,
00;31;43;09 00;31;45;13 into recombination frequency
00;31;45;15 00;31;47;25 in a population of living cells.
00;31;47;27 00;31;49;29 By writing to the DNA
00;31;50;01 00;31;52;05 contained within that cellular population.
00;31;52;07 00;31;54;08 Which can then be read out through a variety of means
00;31;54;10 00;31;55;26 that I'll show you in the next few slides.
00;31;57;10 00;31;59;24 So to do this, we first wanted to develop a way
00;31;59;26 00;32;03;03 to express arbitrary single-stranded DNAs inside the cell.
00;32;03;05 00;32;05;20 We actually found a class of
00;32;05;22 00;32;07;02 genes known as retrons.
00;32;07;04 00;32;09;00 These are described about thirty-years ago.
00;32;09;04 00;32;11;01 This a very simple system composed of reverse
00;32;11;03 00;32;12;24 transcriptase. Shown here, RT.
00;32;13;05 00;32;16;10 And the msd and msr sequences, as shown here.
00;32;16;16 00;32;18;05 And so what happens, is that we can put this under the
00;32;18;06 00;32;20;26 control of a promoter that's inducible by IPTG.
00;32;20;28 00;32;23;04 Which is an artificial inducer molecule.
00;32;23;12 00;32;26;00 When you add IPTG to the cells, you form
00;32;26;02 00;32;28;01 the msd and msr sequence.
00;32;28;05 00;32;30;19 This is recognized by the reverse transcriptase
00;32;30;21 00;32;32;18 which converts the msd sequence
00;32;32;25 00;32;34;21 back into single-stranded DNA
00;32;34;23 00;32;36;09 through a process of reverse transcription.
00;32;36;11 00;32;38;07 And at the end of the day you get this hybrid
00;32;38;09 00;32;40;10 single-stranded DNA-RNA molecule.
00;32;40;21 00;32;42;20 So if you look on the gel here, you can see that in the
00;32;42;22 00;32;45;00 presence of IPTG we get formation of a
00;32;45;02 00;32;47;12 very nice band here.
00;32;47;15 00;32;49;16 That indicates that we can make single stranded DNA.
00;32;49;25 00;32;51;12 This effect goes away if you don't add
00;32;51;13 00;32;52;28 IPTG to induce the cells.
00;32;53;00 00;32;55;05 It also goes away if you deactivate the reverse
00;32;55;07 00;32;58;17 transcriptase. So you deactivate the reverse
00;32;58;18 00;32;59;25 transcriptase process here.
00;32;59;27 00;33;02;06 Demonstrating that this is indeed
00;33;02;08 00;33;04;13 a retron dependent single-strand DNA formation.
00;33;05;01 00;33;07;14 So now that we can make single-stranded DNAs how do we then
00;33;07;16 00;33;09;23 add new sequences into the retron cassette?
00;33;09;24 00;33;11;25 So we can target anywhere we want on the genome.
00;33;12;06 00;33;15;01 One way of doing that is to scan along the msd sequence
00;33;15;03 00;33;17;14 and look at where you can tolerate artificial sequences.
00;33;17;16 00;33;20;15 So here we inserted an artificial sequence, encoded in red.
00;33;20;18 00;33;24;08 Into various locations in the msd sequence.
00;33;24;10 00;33;25;26 We found that in the hairpin region
00;33;25;27 00;33;28;01 you could actually tolerate the insertion of these sequences.
00;33;28;03 00;33;31;08 So as seen here, where we add IPTG
00;33;31;09 00;33;33;14 and we actually insert this artificial sequence you actually
00;33;33;16 00;33;36;11 get a larger single-stranded DNA band that's formed.
00;33;36;14 00;33;39;05 Indicating that we've successfully encoded a new
00;33;39;07 00;33;41;02 and larger piece of single-stranded DNA
00;33;41;04 00;33;42;04 into the retron cassette.
00;33;43;25 00;33;46;05 So, now how do we use this for memory?
00;33;46;13 00;33;48;12 So we can put the retron cassette under
00;33;48;14 00;33;50;18 the control of a synthetic input, like IPTG.
00;33;50;24 00;33;53;20 And then we co-express the single-stranded DNA with
00;33;53;21 00;33;55;11 a protein, known as the beta protein,
00;33;55;13 00;33;58;05 from lamda phage, under the control of synthetic
00;33;58;07 00;34;00;03 promoter, that is inducible by aTc.
00;34;00;09 00;34;01;28 And the reason why we do this is that
00;34;02;00 00;34;04;05 its thought that the beta protein can help
00;34;04;06 00;34;06;02 incorporate the single-stranded DNA into the
00;34;06;04 00;34;09;11 replication fork of bacteria. And by doing so
00;34;09;18 00;34;12;26 mutate specific target loci depending on the
00;34;12;27 00;34;15;07 homology of the single-stranded DNA to the target cells.
00;34;16;07 00;34;18;14 So to test this hypothesis, we actually built
00;34;18;16 00;34;20;17 E. coli that actually had kanamycin resistance
00;34;20;18 00;34;21;18 gene in the genome.
00;34;21;27 00;34;23;12 That had two stop codons
00;34;23;14 00;34;25;07 thus rendering these bacteria
00;34;25;09 00;34;26;28 kanamycin sensitive.
00;34;27;00 00;34;30;02 And then we encoded an artificial single-stranded DNA
00;34;30;05 00;34;32;04 that would revert these two stop codons
00;34;32;06 00;34;33;16 into the wild-type sequence
00;34;33;18 00;34;35;25 and thus make these cells kanamycin resistant.
00;34;36;02 00;34;40;17 So now by plating these cells on either
00;34;40;18 00;34;42;00 kanamycin plates versus
00;34;42;02 00;34;44;02 no selection plates. And by counting
00;34;44;04 00;34;45;28 the percent of cells that are kanamycin resistant
00;34;46;01 00;34;47;29 we can quantify how many cells have picked
00;34;48;01 00;34;49;03 up a specific mutation.
00;34;49;19 00;34;52;29 And so we show here, is that in the presence of aTc and IPTG,
00;34;53;08 00;34;56;02 so when you induce the retron cassette as well as the beta gene,
00;34;56;13 00;34;57;27 you can get a significant increase
00;34;57;28 00;35;00;06 in the recombination frequency of this population.
00;35;00;09 00;35;01;23 This effect goes away if you remove
00;35;01;24 00;35;03;09 any one of the two inputs.
00;35;03;20 00;35;06;26 Or, if you deactivate the reverse transcriptase,
00;35;06;27 00;35;07;27 as shown here in black.
00;35;08;07 00;35;10;08 This indicates that cells can record
00;35;10;09 00;35;11;26 the presence of external inputs.
00;35;11;28 00;35;14;11 In the form of IPTG and aTc in this case.
00;35;14;16 00;35;16;04 Into DNA encoded memory.
00;35;18;03 00;35;20;15 So how do we use this now to encode magnitude
00;35;20;17 00;35;22;04 or duration information?
00;35;22;09 00;35;24;17 We can put entire cassette under the control
00;35;24;19 00;35;27;00 of the synthetic promoter that's inducible by IPTG.
00;35;27;05 00;35;29;05 And as you can see from this graph here, the more
00;35;29;06 00;35;30;15 input you add to the cells,
00;35;30;22 00;35;32;26 the more cells pick up the mutation.
00;35;32;27 00;35;34;26 So again, by looking at the end of the experiment,
00;35;35;26 00;35;37;18 and, looking at the percent of cells
00;35;37;20 00;35;39;01 that carry a specific mutation
00;35;39;03 00;35;41;25 we can back out how much of an input those cells have seen.
00;35;42;03 00;35;44;08 And this tells us more than just absence or presence
00;35;44;09 00;35;45;22 but how much of an input you've seen.
00;35;46;27 00;35;48;20 You could also encode duration information.
00;35;48;22 00;35;50;01 So here we've hooked up our
00;35;50;03 00;35;52;08 retron cassette, which we also call SCRIBE.
00;35;52;16 00;35;54;28 We hook it under the control of an optogenetic circuit.
00;35;55;00 00;35;56;14 That is inducible by light
00;35;56;20 00;35;58;07 And then we expose these cells
00;35;58;10 00;36;00;20 for four days, either to dark or light condition.
00;36;00;23 00;36;02;09 And we find that in the dark state
00;36;02;11 00;36;04;29 very few cells pick up the desired mutation.
00;36;05;13 00;36;06;22 But in the light state,
00;36;06;28 00;36;08;11 so when you expose these cells to light,
00;36;08;16 00;36;11;07 you can basically get a steadily increasing percentage
00;36;11;12 00;36;12;28 of cells in the population
00;36;13;14 00;36;15;08 that carry that specific mutation.
00;36;15;13 00;36;18;05 Thus telling you that, basically again, looking
00;36;18;06 00;36;20;12 at the recombination frequency in this population.
00;36;20;16 00;36;22;18 You can back out, how long
00;36;22;20 00;36;23;28 of an input these cells have seen.
00;36;24;06 00;36;26;10 So another way of looking at analog
00;36;26;12 00;36;28;16 memory, is to look at
00;36;28;18 00;36;30;04 different patterns of induction.
00;36;30;06 00;36;32;06 So here we have cells that are exposed,
00;36;32;15 00;36;34;09 for example, to no input for 12 days,
00;36;34;11 00;36;35;11 shown here in black.
00;36;35;13 00;36;38;04 And basically these cells don't pick up many recombinants.
00;36;38;13 00;36;40;11 We also have cells, shown in
00;36;40;13 00;36;41;28 situation number 2 here,
00;36;42;00 00;36;44;11 where we expose the cells over 12 days, shown in red.
00;36;44;18 00;36;46;17 And basically, these cells accumulate mutations
00;36;46;19 00;36;48;20 across the 12 day experiment as you'd expect.
00;36;49;01 00;36;50;14 We also have a third case. So
00;36;50;15 00;36;52;02 for example number 3,
00;36;52;07 00;36;53;23 we expose the cells for 6 days,
00;36;53;26 00;36;55;04 and then we stop for 6 days.
00;36;55;14 00;36;57;22 And that corresponds to the data, shown in green.
00;36;57;24 00;36;59;23 Where you basically get a steady increase in the
00;36;59;24 00;37;01;28 recombination frequency followed by a plateau.
00;37;02;16 00;37;03;29 As you'd expect, because we stop
00;37;04;00 00;37;05;11 induction after 6 days.
00;37;05;19 00;37;07;14 And then finally, in case 4.
00;37;07;16 00;37;09;08 We induce cells for 3 days.
00;37;09;10 00;37;10;10 We stop for 3 days.
00;37;10;12 00;37;12;14 Induce for 3 days, then we stop for 3 days.
00;37;12;29 00;37;15;04 And as you can see here from the blue curve,
00;37;15;07 00;37;17;01 this corresponds to a step-wise
00;37;17;03 00;37;18;24 increase in recombination frequency
00;37;18;27 00;37;20;20 in the population that corresponds to
00;37;20;22 00;37;22;02 the induction of these cells.
00;37;22;09 00;37;24;00 At the end of the experiment, though,
00;37;24;02 00;37;25;08 one of the interesting thing to note
00;37;25;10 00;37;27;02 is that the recombination frequency of
00;37;27;04 00;37;29;07 Case 3 and Case 4 are approximately the same.
00;37;29;11 00;37;31;18 Which makes sense because they were exposed to about
00;37;31;20 00;37;33;04 6 days of input.
00;37;33;14 00;37;34;22 Regardless of different
00;37;34;24 00;37;36;08 temporal patterns of that input.
00;37;36;15 00;37;38;17 And the recombination frequency is about half
00;37;38;19 00;37;41;17 of the Case 2 cells. Which were exposed
00;37;41;18 00;37;43;13 to about 12 days of the input as you'd expect.
00;37;43;17 00;37;45;26 So now we've shown that this is a reliable way
00;37;45;27 00;37;48;20 of encoding temporal information
00;37;48;22 00;37;51;00 into recombination frequency in the form of DNA.
00;37;53;03 00;37;55;20 So, in summary, I've shown you many examples
00;37;55;21 00;37;57;20 of how you can build genetic circuits
00;37;57;21 00;38;00;04 to endow new computation functions on living cells.
00;38;00;10 00;38;01;23 So what are applications that people
00;38;01;24 00;38;03;07 are pursuing with this?
00;38;03;18 00;38;05;23 The field is very interested in a wide
00;38;05;24 00;38;08;05 variety of therapeutic applications.
00;38;08;06 00;38;10;10 For example, developing new strategies
00;38;10;12 00;38;12;24 for targeting antibiotic resistant bacteria.
00;38;13;07 00;38;16;09 As well as manipulating the human microbiome.
00;38;16;15 00;38;18;14 There are other efforts to try to engineer new
00;38;18;16 00;38;20;09 cancer therapies by building very
00;38;20;11 00;38;22;20 responsive cell and gene therapies that can
00;38;22;21 00;38;24;12 detect cancer and kill cancer.
00;38;24;16 00;38;26;05 There are other folks that are interested in
00;38;26;07 00;38;28;19 probing more complex human diseases
00;38;28;21 00;38;30;10 using genetic circuits.
00;38;30;19 00;38;32;19 Beyond the therapeutic aspect
00;38;32;28 00;38;34;24 folks are also interested in making
00;38;34;26 00;38;36;12 new molecules. For example,
00;38;36;15 00;38;39;04 biofuels, or other commodity chemicals.
00;38;39;10 00;38;41;15 Where the ability to engineer genetic systems
00;38;41;17 00;38;42;22 and control
00;38;42;25 00;38;45;06 dynamically the output of these circuits.
00;38;45;08 00;38;46;28 As a useful way of optimizing
00;38;47;00 00;38;48;07 production of molecules.
00;38;48;18 00;38;50;17 And folks are also interested
00;38;50;19 00;38;52;16 in building genetic circuits that can control
00;38;52;19 00;38;54;11 the formation and the patterning
00;38;54;13 00;38;55;24 of new types of materials.
00;38;55;28 00;38;57;20 Including things like amyloid fibers that are
00;38;57;21 00;38;59;11 secreted by bacterial systems.
00;39;00;02 00;39;02;08 So here's one example of a therapeutic approach
00;39;02;09 00;39;03;20 that folks are interested in.
00;39;03;22 00;39;05;20 And I kind of alluded to this earlier.
00;39;05;22 00;39;07;29 The idea is, could you engineer a genetic circuit
00;39;08;21 00;39;11;03 that senses some sort of input.
00;39;11;11 00;39;13;02 And triggers a response.
00;39;13;14 00;39;15;02 And could you then upload that circuit
00;39;15;03 00;39;17;02 into the body through a therapeutic vector.
00;39;17;04 00;39;18;19 So, for example here this could be
00;39;18;25 00;39;20;12 a probiotic bacteria
00;39;20;14 00;39;22;06 that is introduced into a patient.
00;39;22;08 00;39;24;03 And when this bacteria goes through the gut
00;39;24;05 00;39;26;01 of the patient, it can sense
00;39;26;11 00;39;27;26 where there's dysfunction
00;39;27;28 00;39;30;12 or disease. And maybe even respond
00;39;30;15 00;39;33;26 by rewiring the malfunctioning network.
00;39;33;28 00;39;35;21 By either producing molecules,
00;39;36;01 00;39;38;16 or tuning existing genetic networks.
00;39;38;22 00;39;41;17 To reset those networks into the healthy state.
00;39;41;25 00;39;43;22 So I've given you an introduction
00;39;43;24 00;39;45;24 into different genetic circuits that you can use
00;39;45;26 00;39;47;19 to endow new functions into living cells.
00;39;47;23 00;39;49;05 And given you a brief overview
00;39;49;06 00;39;50;19 of the applications that you can address.
00;39;50;24 00;39;52;08 I want to finish by just
00;39;52;10 00;39;53;26 summarizing my thoughts on some of
00;39;53;27 00;39;55;07 open challenges in the field
00;39;55;12 00;39;57;12 to encourage folks who are watching this video
00;39;57;14 00;39;59;01 to get excited about synthetic biology
00;39;59;03 00;40;00;16 and the opportunities that are presented.
00;40;00;18 00;40;02;00 I think that if you compare
00;40;02;02 00;40;03;28 the state of the field, and where its at,
00;40;04;00 00;40;07;06 synthetic biology is really at a very nascent state.
00;40;07;12 00;40;09;05 You know, comparing it to something like
00;40;09;06 00;40;10;19 the semiconductor industry,
00;40;10;20 00;40;12;27 we're really just in the early inflection point
00;40;12;29 00;40;14;29 of what we're going to be able to achieve
00;40;15;05 00;40;17;06 by being able to program biological systems.
00;40;17;08 00;40;19;05 If we can tackle many of these open challenges.
00;40;19;20 00;40;21;17 And so one of the key challenges is
00;40;21;18 00;40;24;08 trying to be able to design genetic circuits that
00;40;24;09 00;40;28;03 operate in the confines or in the context
00;40;28;05 00;40;29;29 of very complex biological systems
00;40;30;00 00;40;31;22 that we don't fully understand.
00;40;31;23 00;40;34;10 So these are diagrams that kind of
00;40;34;12 00;40;36;25 symbolize the complexity of natural biological
00;40;36;26 00;40;38;23 systems. People often refer to these as
00;40;38;24 00;40;41;26 the hairball of biological networks.
00;40;41;28 00;40;43;26 Where you have, regardless if your looking at
00;40;43;27 00;40;46;05 transcriptional networks, or protein-protein interaction
00;40;46;06 00;40;48;16 network. In natural biological systems
00;40;48;18 00;40;50;17 everything seems to be interwired.
00;40;50;18 00;40;53;02 And its very hard to discern what are the design rules
00;40;53;10 00;40;55;27 that are needed for biological systems to function robustly?
00;40;56;03 00;40;57;20 So then this raises another question
00;40;57;21 00;40;59;19 of how do you design biological systems
00;40;59;21 00;41;01;12 in the context of these networks
00;41;01;18 00;41;03;26 where we want our circuits to
00;41;04;02 00;41;07;23 be robust and not be necessarily
00;41;07;24 00;41;09;22 negatively influenced by these networks.
00;41;09;24 00;41;11;02 But we also want our circuits
00;41;11;03 00;41;12;17 to be able to interface with natural networks
00;41;12;18 00;41;14;08 to perturb natural biological systems.
00;41;14;16 00;41;16;06 So I think this is an open challenge that
00;41;16;08 00;41;18;03 we're going to need a lot of effort
00;41;18;05 00;41;20;02 to try to understand, how do we build
00;41;20;03 00;41;21;06 stable interfaces
00;41;21;12 00;41;22;29 with natural biological systems.
00;41;23;01 00;41;25;14 But how do we also try to insulate ourselves from the
00;41;25;23 00;41;27;29 variations that you can find in the natural
00;41;28;00 00;41;29;18 biological systems when we don't want them.
00;41;31;07 00;41;32;16 Another major challenge is
00;41;32;17 00;41;35;13 how do we deal with defining
00;41;35;24 00;41;38;29 programming languages and robust paradigms
00;41;39;01 00;41;40;08 for building genetic circuits.
00;41;40;09 00;41;42;11 So I mentioned early on how there's been exponential
00;41;42;12 00;41;44;23 improvements in our raw ability to read and write DNA.
00;41;44;25 00;41;46;23 This hasn't really translated into
00;41;46;24 00;41;48;08 much more comples circuits.
00;41;48;09 00;41;50;21 So this was a study that was done
00;41;51;03 00;41;52;10 many years ago.
00;41;52;12 00;41;54;08 Looking at the complexity of genetic circuits by
00;41;54;09 00;41;56;05 counting the number of parts that went into those circuits.
00;41;56;07 00;41;59;00 And we certainly haven't seen an exponential explosion
00;41;59;02 00;42;00;05 in the complexity of circuits.
00;42;00;06 00;42;02;10 Even though this diagram is a little bit outdated
00;42;02;11 00;42;04;04 we have not seen a
00;42;04;06 00;42;06;05 exponential increase in our ability
00;42;06;16 00;42;08;29 to build complex circuits that function properly.
00;42;09;00 00;42;11;16 Even though we have the raw capability to read and write DNA
00;42;11;21 00;42;13;04 much more than we did before.
00;42;13;11 00;42;16;08 Similarly, we have not seen an explosion
00;42;16;10 00;42;18;08 in new genetic circuits
00;42;18;09 00;42;19;26 and devices that have been described.
00;42;20;12 00;42;22;05 And part of this is that we still haven't fully
00;42;22;07 00;42;24;19 understood what is the right programming substrate.
00;42;24;23 00;42;26;29 What are the right primitives. How to put together
00;42;27;01 00;42;28;26 the devices into more complex circuits
00;42;28;28 00;42;30;10 to get more complex functions going.
00;42;30;17 00;42;32;14 And we need more efforts to try to understand
00;42;32;16 00;42;34;08 what are the programming rules
00;42;34;09 00;42;36;05 for building biological systems from the ground up.
00;42;37;18 00;42;39;08 And so to end, I wanted to pose
00;42;39;09 00;42;42;02 some challenges and bottlenecks in the current
00;42;42;03 00;42;43;19 synthetic biology design cycle.
00;42;43;28 00;42;46;02 We often like to think of going through the
00;42;46;04 00;42;47;29 chain of events to design a system.
00;42;48;00 00;42;49;21 But, as I'll show you a little bit later
00;42;49;28 00;42;51;27 this is really challenging to do currently.
00;42;52;07 00;42;55;03 So, many people currently conceptualize design.
00;42;55;05 00;42;57;10 People go to the board and draw these by hand.
00;42;57;17 00;42;59;17 We'd like to be able to have a more rigorous way
00;42;59;19 00;43;01;12 of designing functions. Is there a language
00;43;01;14 00;43;03;23 by which we could describe biological circuits.
00;43;04;07 00;43;06;14 And then is there a way to then compile
00;43;06;16 00;43;08;04 the high-level abstract concept
00;43;08;18 00;43;10;16 into, downstream circuit design.
00;43;10;18 00;43;12;15 So that's one major area that folks are working on.
00;43;14;03 00;43;17;01 In the area of actual implementation of designs,
00;43;17;03 00;43;18;29 one of the major challenges over the last few years,
00;43;19;00 00;43;20;26 has been that, many of the parts that we use
00;43;20;27 00;43;22;23 are the same parts reused over and over again.
00;43;22;24 00;43;24;29 There aren't that many super well characterized systems.
00;43;25;10 00;43;26;29 And I think, as people move
00;43;27;00 00;43;29;11 to new scaffolds, or engineer
00;43;29;12 00;43;30;28 libraries of artificial parts.
00;43;31;02 00;43;33;05 We're going to be able to expand the library
00;43;33;06 00;43;34;23 of well characterized parts that we can use
00;43;34;24 00;43;36;18 to build a variety of biological functions.
00;43;37;02 00;43;39;07 Another major challenge has been that our modeling
00;43;39;09 00;43;41;22 and simulation frameworks are largely not predictive
00;43;41;23 00;43;44;01 of experimental results.
00;43;44;07 00;43;46;08 And as a result, we can't use
00;43;46;09 00;43;48;17 solely the computational algorithms to
00;43;48;18 00;43;50;05 build new biological systems.
00;43;50;07 00;43;52;05 So this remains a major challenge.
00;43;52;06 00;43;53;24 What are the right modeling frameworks
00;43;54;06 00;43;56;11 that model the performance of biological systems?
00;43;56;12 00;43;57;15 How do we make them accurate
00;43;57;16 00;43;58;26 and how do we make them predictive?
00;43;58;27 00;44;01;02 And similarly, if we use simulation
00;44;01;04 00;44;02;14 how do we make these simulations
00;44;02;15 00;44;04;04 fast, robust, and predictive?
00;44;04;27 00;44;06;08 On the construction level,
00;44;07;05 00;44;08;29 there are many different new techniques to now
00;44;09;00 00;44;10;26 enable the rapid assembly
00;44;10;28 00;44;12;13 of more complex systems.
00;44;12;15 00;44;15;04 But this remains a pretty laborious process.
00;44;15;09 00;44;16;28 So many times people spend
00;44;17;01 00;44;19;24 a long time trying to build
00;44;19;26 00;44;21;22 their system, and much less time
00;44;21;24 00;44;23;19 conceptualizing or designing the system.
00;44;23;29 00;44;26;14 And this focus on the experimental construction
00;44;26;16 00;44;29;13 would be great, if we could lessen.
00;44;29;15 00;44;32;14 if we could lessen the dependency on the
00;44;32;15 00;44;34;04 physical construction of DNA.
00;44;34;05 00;44;35;26 This would really greatly accelerate
00;44;35;28 00;44;37;27 the design, build, test cycle.
00;44;38;05 00;44;40;07 And similarly, new technologies for probing
00;44;40;09 00;44;42;11 and measuring biological systems are necessary
00;44;42;13 00;44;45;12 to really be able to accelerate this whole engineering cycle.
00;44;46;00 00;44;48;02 Finally, I alluded to this early on
00;44;48;03 00;44;49;23 about this challenge of evolution.
00;44;50;00 00;44;52;05 So we can use evolution to optimize
00;44;52;07 00;44;53;18 our genetic constructs.
00;44;53;21 00;44;55;27 So for example, you can kind of build
00;44;55;29 00;44;58;02 a genetic construct that doesn't work super well.
00;44;58;06 00;45;01;17 But, by using evolution, coupled with directed selection.
00;45;01;23 00;45;04;00 You could actually improve the behavior of those circuits.
00;45;04;12 00;45;06;03 But similarly, once you designed a circuit
00;45;06;05 00;45;07;06 that carries out a function.
00;45;07;08 00;45;09;08 How do you make sure the bacteria does not evolve
00;45;09;09 00;45;10;14 away from that function. That remains
00;45;10;15 00;45;11;24 another existing challenge.
00;45;12;16 00;45;15;00 So as I mentioned, the current design cycle,
00;45;15;02 00;45;16;19 is not like what I showed you before.
00;45;16;26 00;45;18;23 Often times because the modeling
00;45;18;25 00;45;20;22 and simulation frameworks are not predictive,
00;45;20;28 00;45;22;22 they're used in a post-hoc fashion.
00;45;22;26 00;45;24;10 And we spend a lot of time
00;45;25;13 00;45;27;09 really focused on construction,
00;45;27;11 00;45;28;16 probing, and measuring.
00;45;28;21 00;45;30;02 And so new technologies to
00;45;30;03 00;45;31;13 accelerate this process.
00;45;31;16 00;45;33;05 To incorporate evolution
00;45;33;07 00;45;35;04 and deal with evolution will be much needed.
00;45;35;08 00;45;36;23 And similarly, new frameworks
00;45;36;24 00;45;37;28 for doing predictive
00;45;38;00 00;45;39;18 design, modeling, and simulation
00;45;39;20 00;45;40;20 will be really needed.
00;45;40;26 00;45;42;14 With the ultimate goal
00;45;42;22 00;45;44;04 that we can spend more time on
00;45;44;06 00;45;45;22 conceptualization, design,
00;45;45;29 00;45;47;23 and comparatively less time
00;45;47;25 00;45;49;27 on the physical construction and testing of these circuits.
00;45;49;29 00;45;51;16 And that would be a great boon, I think
00;45;51;18 00;45;53;09 to the field of synthetic biology.
00;45;53;11 00;45;54;20 It would enable many new capabilities
00;45;54;21 00;45;56;29 that cannot be addressed currently just because
00;45;57;00 00;45;59;10 its too time intensive or labor intensive to implement.
00;46;00;23 00;46;02;19 So in summary, I've told you about many
00;46;02;21 00;46;03;21 different areas today.
00;46;04;00 00;46;06;02 Synthetic biology is an emerging discipline
00;46;06;03 00;46;08;18 for engineering new functions into biological systems.
00;46;08;26 00;46;11;02 This will open up new application areas
00;46;11;03 00;46;13;12 including therapeutics, diagnostics,
00;46;13;14 00;46;15;20 industrial applications, as well as basic science
00;46;15;21 00;46;17;29 applications, in terms of understanding biology.
00;46;18;18 00;46;20;14 Significant advances in DNA sequencing
00;46;20;16 00;46;22;13 and synthesis are already driving
00;46;22;15 00;46;24;20 new approaches to engineering biological systems
00;46;24;21 00;46;26;21 and I think, this will hopefully continue.
00;46;26;29 00;46;28;20 I told you about synthetic gene circuits
00;46;28;21 00;46;30;02 and how they're really crucial
00;46;30;04 00;46;33;03 implementing sophisticated behaviors in living cells.
00;46;33;13 00;46;35;24 I've also talked about how recombinaes can be used
00;46;35;26 00;46;37;26 to create integrated digital logic and
00;46;37;27 00;46;39;09 memory circuits, by flipping
00;46;39;15 00;46;41;27 memory registers located on DNA.
00;46;43;04 00;46;44;29 For doing that in a modular fashion so
00;46;45;00 00;46;46;03 you can control gene expression.
00;46;46;17 00;46;48;17 Furthermore, I've told you about analog circuits
00;46;48;18 00;46;51;08 that can actually compute continuous information
00;46;51;09 00;46;53;11 and continuous calculations like logarithms or
00;46;53;12 00;46;56;06 division or addition, inside of living cells.
00;46;56;24 00;46;59;04 These analog circuits are very parsimonious.
00;46;59;08 00;47;00;29 They don't require a lot of parts.
00;47;01;09 00;47;03;02 And that's another benefit when you're trying to engineer
00;47;03;03 00;47;04;13 biological systems that don't have
00;47;04;14 00;47;06;04 infinite numbers of parts to go around.
00;47;06;21 00;47;08;19 Furthermore, I talked about the SCRIBE system.
00;47;08;25 00;47;10;29 Which enables dynamic genome engineering.
00;47;11;01 00;47;13;05 And that allows you to encode analog memory
00;47;13;07 00;47;15;16 into the collective DNA of living cells populations.
00;47;15;18 00;47;18;26 So encoding temporal, or magnitude information,
00;47;18;27 00;47;20;11 into the DNA of living cells.
00;47;20;18 00;47;22;08 And, finally, I've talked about some of the open
00;47;22;09 00;47;24;05 challenges in the field. And I'd like to encourage those
00;47;24;06 00;47;26;08 who are watching the video, to think about new
00;47;26;09 00;47;29;27 and creative ways to tackle this problem of programming biology.
00;47;30;13 00;47;32;12 How can we figure out what are the design rules,
00;47;32;17 00;47;35;04 and how do we make whole design, build, test cycle
00;47;35;06 00;47;37;26 more efficient, and more robust, and more predictive.
00;47;37;28 00;47;38;29 And that's where we really need to make
00;47;39;00 00;47;40;08 this a true engineering discipline.
00;47;40;29 00;47;43;07 And so with that, I'd like to thank you for your time.
00;47;43;15 00;47;44;26 And I'd be happy to take any questions.
00;47;44;27 00;47;45;26 My email is listed here.
00;47;45;27 00;47;47;24 In case you want to reach out and contact me.
00;47;48;02 00;47;50;14 And I hope that you enjoyed this talk. Thank you.

This Talk
Speaker: Timothy Lu
Audience:
  • Researcher
Recorded: June 2015
More Talks in Synthetic Biology
All Talks in Synthetic Biology

Talk Overview

Dr. Timothy Lu describes how biological circuits can be engineered to function as digital (all or none) or analog (continuous spectrum) sensors, and can be programmed in a cell to ‘remember’ an input and pass this memory to the cell’s offspring after it divides. Dr. Lu gives several examples of biological circuits his lab created that allows a cell to sense the extracellular environment and give a readable output that is maintained through subsequent cell divisions. In the future, these types of circuits can be developed as non-invasive diagnostics or therapeutics in humans. Dr. Lu ends his talk by discussing the open challenges facing this area of synthetic biology.

Speaker Bio

Timothy Lu

Timothy Lu

Timothy Lu is an Associate Professor of Biological Engineering and Electrical Engineering and Computer Science at MIT. He is also affiliated with the Broad Institute of MIT and Harvard. Dr. Lu received his undergraduate and M.Eng. degrees from MIT in Electrical Engineering and Computer Science. He then obtained an M.D. from Harvard Medical School and… Continue Reading

More Talks in Bioengineering

Reader Interactions

Leave a Reply

Your email address will not be published. Required fields are marked *

iBiology and iBiology Courses are part of the Science Communication Lab (SCL). Our mission remains the same, to connect people to science. However, our focus has shifted to producing and evaluating cinematic films for education and the public, which you can find on the Science Communication Lab website. For more information, please see this blog post!