Innenfor den teoretiske modelleringens arbeidspakke i CLIPEUS-prosjektet ble de fleste ressursene brukt på å fremme undersøkelsen av bakterielle sensorer. Dette fokuset representerer en kontinuitet med forskning fra tidligere år, med vekt på analytisk undersøkelse og matematisk modellering av bakteriebasert sensing. Vårt innledende arbeid konsentrerte seg om enkeltcelleanalyse. Vi utledet Cramér–Rao Lower Bound (CRLB) for å estimere konsentrasjoner av kjemiske signaler fra luminescensresponsen til konstruerte bakteriesensorer. Vårt bidrag strekker seg utover den umiddelbare konteksten av bakteriesensorer og gir innsikt av generell metodologisk relevans. Resultatene viser at estimatorvariansen avtar når konsentrasjonen av analyten øker. Med utgangspunkt i dette utvidet vi analysen til helcellebaserte, populasjonsbaserte bakteriesensorer, som måler konsentrasjonen av analyter gjennom et samlet luminescenssignal. Kalibreringskurvebaserte tilnærminger fungerer godt for statiske målinger, men er utilstrekkelige for å spore analyters tidsmessige dynamikk. Denne utfordringen forsterkes av iboende biologisk støy: variasjon mellom individuelle bakterier og usikkerhet i antall celler som aktivt produserer luminescens. For å møte disse utfordringene utviklet vi et bayesiansk statistisk rammeverk som systematisk innlemmer tidligere biologisk kunnskap i inferensprosessen. Spesifikt implementerte vi en sekvensiell Monte Carlo-metode (SMC) med et Rao-Blackwellized partikkelfilter for å muliggjøre felles inferens av både analytkonsentrasjonen og den underliggende bakteriepopulasjonsdynamikken fra støyende, aggregerte lysmålinger. Simuleringsbasert validering viser at tilnærmingen er gjennomførbar, om enn med tilhørende usikkerhet. Likevel etablerer disse resultatene en lovende metodikk for å oppnå mer nøyaktig, tidsoppløst sensing med bakteriepopulasjoner. Dette arbeidet legger et solid teoretisk grunnlag for fremtidig eksperimentell integrering og eventuell overføring til praktiske biosensorapplikasjoner innen medisin og bioteknologi.
Innenfor den eksperimentelle modelleringsarbeidspakken i CLIPEUS-prosjektet evaluerte vi AI-2-aktiviteten i biofilmer hentet fra fem individuelle nasopharyngeale aspirater og fem voksne spyttprøver. Dette gjorde det mulig for oss å fange opp naturlige interindividuelle variasjoner i AI-2-signalering og utforske sammenhengen med pH-dynamikken i samfunnet, antall kolonidannende enheter (CFU) og responsen på syntetisk DPD, AI-2-forløperen. Ved å gjøre dette gir vi: 1) Empiriske begrensninger og valideringsparametere for sensorutvikling; 2) Innsikt i ex vivo-signalvariabilitet som sensoren må kunne tilpasse seg; 3) En dypere forståelse av hvordan QS kan fungere forskjellig på tvers av anatomiske steder og mikrobielle sammensetninger.
I den første fasen undersøkte vi hvordan LuxS/AI-2 QS-systemet regulerer genetisk kompetanse og antibiotikaresistens hos S. pneumoniae. Vi brukte bakterielle luciferase-reportere og subinhibitorisk antibiotikaeksponering (ampicillin og erytromycin) for å vurdere virkningen av AI-2-signalering på sigX-ekspresjon og fenotypisk transformasjonskompetanse. Våre resultater viser at LuxS/AI-2-signalering har en sentral rolle i moduleringen av både kompetanse og antibiotikaresistens. Tilsetning av AI-2 til luxS-mangelfulle mutanter gjenopprettet sigX-ekspresjon og reddet delvis antibiotikaresistensfenotyper, noe som tyder på en signalavhengig modulering av stressresponsveier. Det er verdt å merke seg at høye konsentrasjoner av AI-2 hadde veksthemmende effekter, mens lavere konsentrasjoner finjusterte kompetansegenekspresjonen uten å påvirke levedyktigheten. I den andre fasen hadde vi som mål å undersøke hvordan AI-2 QS fungerer i komplekse ex vivo polymikrobielle biofilmer. Vi etablerte vellykket donoravledede ex vivo biofilm-modeller ved hjelp av biologisk materiale fra fem voksne spyttdonorer og fem nasofaryngeale aspirater fra premature spedbarn. Disse modellene gjorde det mulig å analysere atferd på samfunnsnivå og variasjon mellom donorer under standardiserte, men fysiologisk relevante forhold.
AI-2-deteksjon avdekket sterk variasjon mellom donorene, med orale biofilmer som viste opptil 10 størrelsesordener forskjell i konsentrasjoner. Orale biofilmer forsuret konsekvent, mens nasofaryngeale biofilmer alkaliserte, noe som gjenspeiler forskjellige metabolske aktiviteter; det ble imidlertid ikke observert noen direkte sammenheng mellom AI-2-nivåer og pH. Tilskudd med syntetisk DPD ga konsentrasjonsavhengige effekter: orale biofilmer forsterket AI-2, mens nasofaryngeale biofilmer opprettholdt stabile nivåer. DPD-eksponering omformet også biofilmstrukturen på en donor- og nisjespesifikk måte, ved selektivt å redusere ESBL-produserende K. pneumoniae og fremheve forstyrrelse av kvorum-signaler som en potensiell anti-virulensstrategi. Denne forskningen har økt vår forståelse av AI-2-mediert kommunikasjon både i enkeltarts- og polymikrobielle sammenhenger.
Our ability to miniaturize sensors and electronics is unprecedented, and our understanding of biological systems enables fine-grained manipulation of cellular behavior down to the molecular level. This project will leverage the PIs’ unique combination of expertise at the crossroads of biology, bio-sensor interface design, and wireless communications, to address the challenges for human health applications such as prediction and prevention of infections.
CLIPEUS (Shield in Latin) aims at creating a communications network among man-made implantable devices and the natural cells inside the body under the novel communication paradigm, called Internet of Bio-NanoThings, where sensing, actuation, and computing processes are tightly coupled to pervasively, perpetually, and precisely sense, process, control, and exchange health information of the body in real time to defend it against infections.
CLIPEUS focuses on the detection of infections inside the body based on the detection of the molecular communication among the infectious bacteria by man-made bio-nanothings, called GLADIO (Sword in Latin), consisting of bionanosensors for detection, low power electronics for processing and antenna for near field communication to transfer the data through the tissues to outside of the body. Due to the power limitations of GLADIO, the inherent noise of biological processes, and the non-deterministic response of patients to infections, the collected data will be sparse and noisy. Novel machine learning techniques will be developed to interpret this data for future personalized medicine applications. The system will be extensively tested and ameliorated by phantom experiments as a first step before in vivo experiments.
The project will recruit and train 2 PhD students and 2 Postdocs and has drawn up a comprehensive, multifaceted plan to disseminate, communicate and exploit the project results.
