Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Modelado de datos de voltametría cíclica de exploración rápida de datos de neurotransmisión de dopamina estimulada eléctricamente usando QNsim1.0

9.1K vistas

⸱

DOI:

10.3791/55595

⸱

5 de junio de 2017

 ,  ,  , 
1Center for Neuroscience, University of Pittsburgh, 2Department of Physical Medicine & Rehabilitation, University of Pittsburgh, School of Medicine, 3Safar Center for Resuscitation Research, University of Pittsburgh, 4Department of Biological Sciences, Mellon College of Science, Carnegie Mellon University

En este artículo

Resumen

La voltamperometría cíclica de exploración rápida puede monitorizar la neurotransmisión in vivo de dopamina en el contexto de fármacos, enfermedades y otras manipulaciones experimentales. Este trabajo describe la implementación de QNsim1.0, un software para modelar las respuestas de dopamina eléctricamente estimuladas de acuerdo con el modelo neurobiológico cuantitativo para cuantificar las estimaciones de liberación de dopamina y la dinámica de recaptura.

Resumen

Las vías dopaminérgicas centrales (DAergic) tienen un papel importante en una amplia gama de funciones, tales como atención, motivación y movimiento. La dopamina (DA) está implicada en enfermedades y trastornos incluyendo trastorno por déficit de atención con hiperactividad, enfermedad de Parkinson y lesión cerebral traumática. Por lo tanto, la neurotransmisión DA y los métodos para estudiarla son de intenso interés científico. La voltamperometría cíclica de exploración rápida in vivo (FSCV) es un método que permite el monitoreo selectivo de cambios de concentración de DA con resolución temporal y espacial fina. Esta técnica se usa comúnmente en conjunción con estimulaciones eléctricas de rutas ascendentes de DAergic para controlar el flujo de impulso de la neurotransmisión de dopamina. Aunque el paradigma estimulado DA neurotransmission puede producir respuestas robustas DA con morfologías claras, haciéndolos susceptibles para el análisis cinético, todavía hay mucho debate sobre cómo interpretar las respuestas en términos de su liberación de DA y clearanComponentes. Para abordar esta preocupación, se desarrolló recientemente un marco neurobiológico cuantitativo (QN) de neurotransmisión estimulada de DA para modelar de forma realista la dinámica de liberación de DA y recaptación a lo largo de una respuesta estimulada de DA. Las bases de este modelo se basan en datos experimentales de la neurotransmisión estimulada de DA y en los principios de neurotransmisión adoptados a partir de diversas líneas de investigación. El modelo QN implementa 12 parámetros relacionados con la liberación estimulada de DA y la dinámica de recaptura para modelar las respuestas DA. Este trabajo describe cómo simular las respuestas DA usando QNsim1.0 y también se detallan principios que se han implementado para discernir sistemáticamente alteraciones en la liberación estimulada de liberación de dopamina y la dinámica de recaptura.

Introducción

La neurotransmisión de dopamina (DA) desempeña un papel esencial en diversas funciones cognitivas y de comportamiento, y su disfunción está implicada en varias enfermedades y trastornos comunes. Como tal, es crítico desarrollar métodos precisos de estudiar cuantitativamente DA neurotransmission in vivo para evaluar cómo DA neurotransmission se altera en los contextos de los modelos de enfermedad y farmacología de drogas. La voltamperometría cíclica de exploración rápida (FSCV) permite monitorear la neurotransmisión in vivo de DA con resolución espacial y temporal fina. Aunque es posible monitorear la neurotransmisión fisiológica de DA en animales despiertos y de comportamiento libre, la estimulación eléctrica de vías ascendentes dopaminérgicas en animales anestesiados puede producir respuestas robustas de DA que son susceptibles al análisis cinético mejorado de la neurotransmisión DA.

Las respuestas de DA estimuladas eléctricamente reflejan una interacción dinámica de liberación y recaptura de DA y las interpretacionesDe estas respuestas han utilizado predominantemente un modelo simple de DA estimulada neurotransmisión llamada el Michaelis-Menten (MM) modelo [ 12] . El modelo MM consta de 3 variables para describir las respuestas DA en términos de una velocidad de liberación de DA constante y una eficiencia de recaptación constante ( es decir, la relación entre la tasa de reabsorción de DA y las concentraciones extracelulares de DA), como se describe en la Ecuación 1 :
figure-introduction-1
(Liberación de DA) (recaptación de DA)

En la Ecuación 1, f es la frecuencia de estimulación; [DA] p es el aumento estimado de la concentración de DA por impulso de estimulación; Vmax representa la tasa de recaptación máxima estimada; Y K m es la constante de MM estimada, que es teóricamente equivalente a la concentración de DA extracelular que satura el 50% de DAT, dando lugar a una tasa de reabsorción medio-máxima. Este diferencialSe puede integrar una ecuación para simular respuestas de DA experimentales mediante la estimación de los parámetros [DA] p , V max y K m .

Aunque el modelo MM ha facilitado avances significativos en la comprensión de la cinética de neurotransmisión DA en varios contextos experimentales, el modelo MM hace suposiciones fundamentales simplistas que limitan su aplicabilidad al modelar las respuestas de DA suscitadas por estimulaciones suprafisiológicas 2 , 13 . Por ejemplo, el modelo MM sólo puede aproximarse a las formas de respuesta DA si se elevan de forma convexa, pero no puede explicar las respuestas crecientes (cóncavas) graduales encontradas en las regiones estriadas dorsales 12 . Por lo tanto, las hipótesis del modelo MM no capturan con precisión los procesos dinámicos de liberación y reabsorción de la neurotransmisión DA estimulada.

Para modelar las respuestas de DA estimuladas de acuerdo con una cantidad realistaEl marco cuantitativo neurobiológico (QN) se desarrolló sobre la base de los principios de cinética estimulada neurotransmisión derivados de la investigación complementaria y la experimentación [ 2] . Varias líneas de la investigación de la neurotransmisión demuestran que (1) la liberación estimulada del neurotransmisor es un proceso dinámico que disminuye en tarifa sobre el curso de la estimulación 14 , (2) la liberación continúa en la fase post-estimulación con la cinética bifásica de la decaimiento 15 , y (3) DA La eficiencia de la reabsorción se inhibe progresivamente durante la duración de la propia estimulación 2 , 16 . Estos tres conceptos sirven de base al marco QN y las tres ecuaciones consisten en 12 parámetros que describen la dinámica de liberación de DA y reabsorción ( Tabla 1 ). El marco QN puede simular de cerca heterogénea experimental DA tipos de respuesta, así como la pRedicted efectos de manipulaciones experimentales de los parámetros de estimulación y la administración de fármacos [ 2 , 6] . Aunque es necesario seguir investigando para refinar el enfoque de modelado de datos, los futuros experimentos pueden beneficiarse enormemente de este enfoque de modelado basado en la neurobiología, que se añade significativamente a las inferencias extraídas del paradigma estimulado de la neurotransmisión DA.

figure-introduction-2
Tabla 1: Ecuaciones y parámetros de modelado . Haga clic aquí para ver una versión más grande de esta figura.

Este tutorial describe cómo modelar los datos estimulados de respuesta DA para estimar la liberación de DA y la cinética de reabsorción usando QNsim 1.0. La recopilación de datos experimentales reales y prEl proceso no se describe aquí y sólo requiere datos de concentración de DA temporal. El apoyo teórico y los fundamentos de la QN marco se han descrito ampliamente anteriormente [ 2] , pero una perspectiva práctica en la aplicación de la QN marco de modelo DA respuesta de datos se describe a continuación.

El modelo QN modela la interacción dinámica entre: 1) liberación dinámica de DA, 2) recaptación de DA y 3) los efectos de las estimulaciones suprafisiológicas en estos procesos para extraer información cinética significativa de los datos de respuesta de DA. El marco QN es el más adecuado para modelar datos FSCV adquiridos utilizando estimulaciones altamente suprafisiológicas de larga duración ( por ejemplo, estimulaciones de 60 Hz, 10 s), que producen respuestas robustas de DA que son susceptibles de análisis cinético. Siguiendo el modelado preciso de los procesos subyacentes de liberación y reabsorción, los parámetros del modelo pueden usarse para simular una respuesta de DA que debe aproximarse a la forma del exPerimental DA respuesta.

Las ecuaciones del marco QN describen las tasas de liberación de DA y recaptación durante el curso de las respuestas estimuladas de DA. El marco QN describe la tasa de liberación estimulada de DA en función del tiempo desde el inicio de la estimulación (t stim ), cuando la velocidad de liberación de DA disminuye exponencialmente durante el curso de la estimulación. Esto es consistente con el agotamiento de un grupo fácilmente liberable, con una tasa de liberación de DA de estado estacionario añadida (DARss) para tener en cuenta la reposición de vesículas, similar a otros informes ( Ecuación 2 ) 14 , 17 .

figure-introduction-3

Las manipulaciones que aumentan la velocidad de liberación de DA, tales como el aumento de Δ DAR, Δ DAR τ o DARss, conducen a amplitudes de respuesta incrementadas en DA en función de los gráficos de tiempo. Cada parameTer contribuye de forma diferencial a las formas de respuesta DA. El aumento de DARss y Δ DAR τ hacen que la fase ascendente de las respuestas sea más lineal (menos convexa). La disminución de Δ DAR τ promueve la convexidad, que está controlada por la magnitud de Δ DAR. Sobre la base de la experiencia de modelado, DARss es generalmente menor que 1/5 th de Δ DAR; Por lo tanto, Δ DAR es el parámetro de liberación que determina principalmente la amplitud de respuesta global de una respuesta DA.

La tasa de liberación de DA post-estimulación es modelada por la ecuación 3 como una continuación de la tasa de liberación de DA estimulada desde el final de la estimulación (DAR ES ) como una función del tiempo después de la estimulación (t post ). La tasa de liberación de DA posterior a la estimulación sigue un patrón de decaimiento bifásico, como se describió anteriormente 15 , con una fase de decaimiento exponencial rápido y una fase de decaimiento lineal prolongado para modelar dos caDependientes del litio, los procesos de liberación de neurotransmisores.

figure-introduction-4

(Desintegración exponencial rápida) (Desintegración lineal prolongada)

Actualmente no es posible determinar cuánto se produce la liberación de DA post-estimulación. Esta limitación puede abordarse minimizando sistemáticamente las estimaciones de liberación de DA post-estimulación y validando los parámetros del modelo a través de un conjunto de respuestas de DA experimentales recogidas del mismo sitio de registro utilizando diferentes duraciones de estimulación. Esta minimización permite a los usuarios hacer estimaciones conservadoras de liberación y recaptación. Debido a que las estimulaciones eléctricas conducen a la acumulación de calcio que promueve la liberación del neurotransmisor después de la estimulación, la duración de la estimulación influye en los neurotrans post-estimulaciónLos parámetros de liberación 18 , 19 . Basado en la experiencia de modelado, se encontró que a medida que aumenta la duración de la estimulación, τ R aumenta y X R disminuye, en consonancia con los efectos anticipados de una mayor acumulación de calcio 20 .

La ecuación 4 describe la tasa de recaptación de DA como una extensión del marco MM e incorpora un término dinámico de K m , que aumenta durante la estimulación para modelar una eficiencia de recaptación progresivamente decreciente causada por las estimulaciones suprafisiológicas 2 , 16 . El K m después de la estimulación se mantiene constante al valor K m al final de la estimulación (K mES).

figure-introduction-5

dónde,

figure-introduction-6

(Durante la estimulación) (después de la estimulación)

Las respuestas estimuladas de DA, especialmente de las regiones estriadas ventrales, son a menudo insensibles a los cambios en el valor inicial de K m (K mi ), lo que hace que la definición de un valor de K mi sea ​​problemática. Así, al igual que el marco MM original, K mi se aproxima a 0,1-0,4 μ M para DA respuestas recogidas de control de animales no tratados [ 12] . El término Δ K m determina la magnitud del cambio en la eficiencia de recaptación durante la estimulación, que según nuestra experiencia es de aproximadamente 2081; M en el transcurso de una estimulación de 60 Hz, 10 s. Los valores k y K minf determinan cómo K m cambia con el tiempo, y el aumento de cualquiera de estos términos promueve la concavidad de la fase ascendente. Vmax es la tasa máxima de recaptación que se relaciona en parte con la densidad del transportador DA local, que exhibe un gradiente ventromedial a dorsolateral 21 . En consecuencia, los valores de Vmax en el estriado dorsal (D-Str) son generalmente mayores que 30 μ M / s pero generalmente menores de 30 μ M / s en las regiones ventrales, como el núcleo accumbens (NAc) 6 .

Las directrices generales anteriores pueden ayudar a modelar los datos experimentales de la respuesta DA, pero generar una simulación que se aproxima a la respuesta DA experimental requiere un ajuste iterativo de los parámetros del modelo. La exactitud de los parámetros del modelo puede mejorarse mediante la obtención de respuestas DA a estímulos suprafisiológicos que proporcionanUn sustrato robusto para la simulación, así como obteniendo y modelando respuestas de DA múltiples a estímulos de duraciones variables en el mismo sitio de registro ( por ejemplo, estimulaciones de 60 Hz, 5 y 10) para validar la precisión de los parámetros ( Ver los datos de la muestra). Para demostrar, se incluye un conjunto de datos con el paquete de software que contiene respuestas de DA estimuladas regioespecíficas recogidas en el núcleo accumbens y striatum dorsal, antes y después de un desafío farmacológico que ya estaba modelado usando el marco QN. Por extensión, los usuarios encontrarán que esta metodología puede aplicarse de manera similar para caracterizar la cinética de DA neurotransmisión en diversos contextos de enfermedad y manipulaciones farmacológicas.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

1. Instalación, preparación de datos y lanzamiento de QNsim1.0

  1. Descargar "QNsim1.0.zip" (proporcionado como suplemento) y extraerlo a un directorio deseado.
  2. Preparar los datos estimulados DA respuesta para el modelado con el programa de software mediante la organización de una hoja de cálculo en la que cada columna contiene una respuesta DA temporal convertido a μ M DA concentraciones. Guarde este archivo (.xlsx) en el mismo directorio que los archivos de programa.
    Nota: La hoja de cálculo puede contener varias respuestas en un experimento individual o múltiples estudios que contengan un número fijo de respuestas (consulte "Ejemplo.xlsx" para ver un ejemplo).
  3. Abra el software del entorno de programación, navegue hasta el directorio "QNSim1.0" en la ventana "Carpeta actual" y abra el archivo titulado "Inicialización.m". Haga clic en "Ejecutar" para iniciar la pantalla de inicialización ( Figura 1 ).

figure-protocol-1
Figura 1 : Pantalla de inicialización. Esta pantalla permite a los usuarios continuar con un proyecto existente, ingresando un archivo de proyecto * .mat anterior (a la izquierda), o comenzar un nuevo proyecto a partir de datos almacenados de neurotransmisión DA estimulada (derecha). Se proporcionan cuadros de texto para ingresar el nombre de archivo * .xlsx que contiene los datos, algunos descriptores esenciales de los datos y el nombre del archivo * .mat que contendrá todos los datos relacionados con el proyecto. Haga clic aquí para ver una versión más grande de esta figura.

2. Inicialización del entorno de simulación

Nota: La pantalla de inicialización permite a los usuarios comenzar un nuevo proyecto (paso 2.1) o continuar con un proyecto previamente guardado (paso 2.2).

  1. Opción 1: Inicio de un nuevo proyecto
    1. En la sección Proyecto nuevo, escriba el nombre del archivo de hoja de cálculo que contiene los datos de respuesta de DA para el proyecto ( por ejemplo, Sample.xlsx) en el cuadro de texto del archivo de datos [DA].
      Nota: El archivo debe estar en la misma carpeta que los archivos de programa.
    2. Junto al tiempo de simulación, ingrese los puntos de tiempo correspondientes al inicio y al final de la recopilación de datos (en segundos) con respecto al inicio de la estimulación. Por ejemplo, si la recopilación de datos comienza 5 s antes de la estimulación y termina 35 s después, como en el Sample.xlsx, la entrada "-5" y "35".
    3. Introduzca el número de respuestas en cada estudio junto al cuadro de texto correspondiente.
    4. Junto al intervalo de muestreo, ingrese el intervalo de muestreo de los datos experimentales en segundos.
    5. Junto a Guardar como (.mat), designe el nombre del archivo, incluido el tipo de archivo (.mat) en el que se va a guardar el proyecto.
      Nota: Este es el archivo al que se accede para crear elSimulaciones, y todo el trabajo se puede guardar en este archivo de proyecto.
    6. Haga clic en Crear nuevo proyecto para iniciar la ventana Simulador ( Figura 2 ).
  2. Opción 2: continuar un proyecto anterior
    1. En la sección Continuar proyecto anterior de la ventana Inicialización, ingrese el nombre de archivo .mat de un proyecto iniciado previamente ( por ejemplo, Sample.mat).
      Nota: Este archivo debe estar contenido en la misma carpeta que los archivos de programa de software.
    2. Haga clic en Cargar Proyecto Existente para iniciar la ventana del Simulador ( Figura 2 ).

figure-protocol-2
Figura 2 : Pantalla del simulador. La pantalla del simulador permite a los usuarios seleccionar los datos experimentales en D y ajustar los parámetros de simulación en E para modelar el modelo experimentaldatos. La inspección visual de ( A, B y C ) puede ayudar en el refinamiento de los parámetros de simulación para que la simulación (líneas discontinuas azules) modela los datos experimentales (líneas verdes gruesas). Aquí, ( A ) contiene experimental y simulado DA concentración en función de los datos de tiempo. ( B ) es un gráfico que ayuda a estimar la liberación de DA post-estimulación. ( C ) es una gráfica de las primeras derivadas experimentales y simuladas de la concentración de DA versus los datos de tiempo de A o la tasa de desbordamiento evocado (EO). La tasa de EO es teóricamente un equilibrio de las tasas de reabsorción de liberación, que se superpone a este gráfico. Haga clic aquí para ver una versión más grande de esta figura.

3. Uso de la ventana del simulador

Nota: La pantalla del Simulador permite seleccionar laDatos para modelar (paso 3.1), ajustar los parámetros para simular datos de respuesta de DA experimental (paso 3.2), guardar / cargar parámetros de modelado para cada respuesta de DA (paso 3.3) y exportar los parámetros guardados (paso 3.4).

  1. Selección de la respuesta de DA experimental para simular.
    1. Seleccione la respuesta DA experimental para simular introduciendo el número de estudio, el número de respuesta y la duración de la estimulación en los correspondientes cuadros de texto. Pulse la tecla "enter" o haga clic en simular para comenzar el proceso de simulación, que crea 3 gráficos que contienen datos experimentales (líneas verdes gruesas), datos simulados (líneas discontinuas azules) y datos simulados que no dan cuenta de la liberación de DA post-estimulación Rojo punteado líneas), como en la Figura 2 .
  2. Modelado de respuestas experimentales de DA.
    Nota: El objetivo del modelado es ajustar los parámetros del modelo relativos a la liberación de DA estimulada (paso 3.2.1), la recaptación de DA (Paso 3.2.2), y la liberación de DA post-estimulación (paso 3.2.3) para modelar con precisión respuestas de DA experimentales. El modelado es un proceso iterativo mediante el cual se refinan los parámetros de partida hasta que los parámetros producen una respuesta simulada de DA que se aproxima a los datos experimentales en el gráfico DA versus tiempo (Panel A), lo que puede ser ayudado ajustando los datos simulados a los datos derivados experimentalmente en El gráfico del componente estimado de post-estimulación (Panel B) y el gráfico de Tasas de liberación, recaptación y EO (Panel C).
    1. Ajuste los parámetros ΔDAR, ΔDARτ y DARss asociados con la liberación de DA ( Ecuación 2 ) para que coincida con la amplitud de la estimulación.
      Nota: Estos parámetros son sólo estimaciones iniciales que se refinarán, pero ΔDARτ = 25 y un valor DARss que es 1/5 th de ΔDAR son condiciones de inicio satisfactorias. Aumentar cualquiera de estos parámetros aumentará la amplitud en el DA versus el gráfico de tiempo y aumentará la DA pertinAse en el componente estimado de liberación después de la estimulación y las tasas de liberación, reabsorción y gráficos de EO.
    2. Ajustar los parámetros V max , K mi , ΔK m , K minf y k asociados a la recaptación DA (Ecuación 4), de forma que en el Panel A los datos simulados se aproximan a la forma de la fase ascendente de los datos experimentales Lineal) y tal que la simulación sin rastro de liberación post-estimulación (línea punteada roja) es menor que la traza de datos experimentales para todos los puntos de tiempo de post-estimulación.
      Nota: Este paso requiere probablemente reajustar los parámetros de liberación de DA (paso 3.2.1).
    3. Ajustar los parámetros XR, τR ym asociados con la liberación de DA post-estimulación ( Ecuación 3 ), de modo que la simulación se aproxima a los datos experimentales en el gráfico DA versus el tiempo.
      Nota: X R debe tomar un valor entre 0 y 1 y generalmente debe ser mayor que 0.7.
  3. Ahorro / loAdición de los parámetros de modelado.
    1. Una vez que un conjunto de parámetros modela de cerca los datos experimentales, haga clic en Guardar parámetros, que guardará el conjunto de parámetros para la respuesta dada al archivo .mat para el proyecto.
    2. Si es necesario, cargue los parámetros previamente guardados para una respuesta en particular haciendo clic en Cargar parámetros. Asegúrese de que el número de estudio apropiado y el número de respuesta se introducen en los cuadros de texto correspondientes.
  4. Exportar parámetros guardados.
    1. En el cuadro de texto junto al botón Exportar parámetros, escriba el nombre del archivo ( por ejemplo, Sample.txt) y haga clic en Exportar parámetros para exportar un archivo de texto con todos los parámetros de las simulaciones. Delimite el archivo de texto utilizando espacios para generar una hoja de cálculo de parámetros, como se muestra en la Figura 4 de la sección Resultados Representativos a continuación .

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Se incluyen con el programa de software los datos de la neurotransmisión de DA de la muestra obtenidos del estriado dorsal de rata (Estudio 1) y del núcleo accumbens (Estudio 2) que se recopilan en "Sample.xlsx". La hoja de cálculo contiene los datos de concentración de DA de las respuestas basales a estimulaciones de 60 Hz, 10 sy 5 s y una respuesta a una estimulación de 60 Hz, 5 s 35 minutos después de la administración del metilfenidato de inhibidor de transporte DA (MPH) (10 mg / Kg, ip). Los datos de la r...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

El uso de FSCV para estudiar in vivo estimulado DA neurotransmission se originó en la década de 1980 [ 30] y sigue siendo una fuente rica de datos de neurotransmisión in vivo con inigualable espacial y temporal de resolución. Las respuestas de DA estimuladas reflejan un equilibrio complejo de liberación de DA y recaptación que son moduladas por los propios estimulantes eléctricos. El modelo QN incorpora los principios de la investigación contemporánea de neurotransmisión para mo...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen nada que revelar.

Agradecimientos

Reconocemos al Instituto de Rehabilitación de la UPMC por apoyar este trabajo.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
MATLAB R2016a para Mac Mathworks
QNsim1.0de software propioSoftware para modelar datos FSCV utilizando el marco QN
Paquete

Referencias

  1. Taylor, I. M., et al. Kinetic diversity of dopamine transmission in the dorsal striatum. J Neurochem. 133 (4), 522-531 (2015).
  2. Harun, R., Grassi, C. M., Munoz, M. J., Torres, G. E., Wagner, A. K. Neurobiological model of stimulated dopamine neurotransmission to interpret fast-scan cyclic voltammetry data. Brain Res. 1599, 67-84 (2015).
  3. Taylor, I. M., Jaquins-Gerstl, A., Sesack, S. R., Michael, A. C. Domain-dependent effects of DAT inhibition in the rat dorsal striatum. Journal of neurochemistry. 122 (2), 283-294 (2012).
  4. Garris, P. A., Ciolkowski, E. L., Wightman, R. M. Heterogeneity of evoked dopamine overflow within the striatal and striatoamygdaloid regions. Neuroscience. 59 (2), 417-427 (1994).
  5. May, L. J., Wightman, R. M. Heterogeneity of stimulated dopamine overflow within rat striatum as observed with in vivo voltammetry. Brain Res. 487 (2), 311-320 (1989).
  6. Harun, R., et al. Fast-scan cyclic voltammetry demonstrates that L-DOPA produces dose-dependent regionally selective, bimodal effects on striatal dopamine kinetics in vivo. J Neurochem. , (2015).
  7. Jones, S. R., Garris, P. A., Wightman, R. M. Different effects of cocaine and nomifensine on dopamine uptake in the caudate-putamen and nucleus accumbens. The Journal of pharmacology and experimental therapeutics. 274 (1), 396-403 (1995).
  8. Budygin, E. A., John, C. E., Mateo, Y., Jones, S. R. Lack of cocaine effect on dopamine clearance in the core and shell of the nucleus accumbens of dopamine transporter knock-out mice. J Neurosci. 22 (10), RC222(2002).
  9. Jones, S. R., et al. Loss of autoreceptor functions in mice lacking the dopamine transporter. Nat Neurosci. 2 (7), 649-655 (1999).
  10. Wagner, A. K., et al. Chronic methylphenidate treatment enhances striatal dopamine neurotransmission after experimental traumatic brain injury. J Neurochem. 108 (4), 986-997 (2009).
  11. Wagner, A. K., et al. Controlled cortical impact injury influences methylphenidate-induced changes in striatal dopamine neurotransmission. J Neurochem. 110 (3), 801-810 (2009).
  12. Wightman, R. M., et al. Real-time characterization of dopamine overflow and uptake in the rat striatum. Neuroscience. 25 (2), 513-523 (1988).
  13. Moquin, K. F., Michael, A. C. Tonic autoinhibition contributes to the heterogeneity of evoked dopamine release in the rat striatum. J Neurochem. 110 (5), 1491-1501 (2009).
  14. Pyott, S. J., Rosenmund, C. The effects of temperature on vesicular supply and release in autaptic cultures of rat and mouse hippocampal neurons. J Physiol. 539 (Pt 2), 523-535 (2002).
  15. Atluri, P. P., Regehr, W. G. Delayed release of neurotransmitter from cerebellar granule cells. J Neurosci. 18 (20), 8214-8227 (1998).
  16. Wang, S. R., et al. Role of vesicle pools in action potential pattern-dependent dopamine overflow in rat striatum in vivo. J Neurochem. 119 (2), 342-353 (2011).
  17. Taschenberger, H., von Gersdorff, H. Fine-tuning an auditory synapse for speed and fidelity: developmental changes in presynaptic waveform, EPSC kinetics, and synaptic plasticity. J Neurosci. 20 (24), 9162-9173 (2000).
  18. Goda, Y., Stevens, C. F. Two components of transmitter release at a central synapse. Proc Nat Acad of Sci U S A. 91 (26), 12942-12946 (1994).
  19. Yao, J., Gaffaney, J. D., Kwon, S. E., Chapman, E. R. Doc2 is a Ca2+ sensor required for asynchronous neurotransmitter release. Cell. 147 (3), 666-677 (2011).
  20. Hagler, D. J., Goda, Y. Properties of synchronous and asynchronous release during pulse train depression in cultured hippocampal neurons. J Neurophysiol. 85 (6), 2324-2334 (2001).
  21. Ciliax, B. J., et al. The dopamine transporter: immunochemical characterization and localization in brain. J Neurosci. 15 (3 Pt 1), 1714-1723 (1995).
  22. Volz, T. J., Farnsworth, S. J., Rowley, S. D., Hanson, G. R., Fleckenstein, A. E. Methylphenidate-induced increases in vesicular dopamine sequestration and dopamine release in the striatum: the role of muscarinic and dopamine D2 receptors. J Pharm Exp Ther. 327 (1), 161-167 (2008).
  23. Dresel, S. H., Kung, M. P., Plossl, K., Meegalla, S. K., Kung, H. F. Pharmacological effects of dopaminergic drugs on in vivo binding of [99mTc]TRODAT-1 to the central dopamine transporters in rats. Eur J Nucl Med. 25 (1), 31-39 (1998).
  24. Near, J. A., Bigelow, J. C., Wightman, R. M. Comparison of uptake of dopamine in rat striatal chopped tissue and synaptosomes. J Pharm Exp Ther. 245 (3), 921-927 (1988).
  25. Michael, A. C., Ikeda, M., Justice, J. B. Jr Dynamics of the recovery of releasable dopamine following electrical stimulation of the medial forebrain bundle. Neurosci Lett. 76 (1), 81-86 (1987).
  26. Fierro, L., DiPolo, R., Llano, I. Intracellular calcium clearance in Purkinje cell somata from rat cerebellar slices. The Journal of physiology. 510 (Pt 2), 499-512 (1998).
  27. Sandoval, V., Riddle, E. L., Hanson, G. R., Fleckenstein, A. E. Methylphenidate redistributes vesicular monoamine transporter-2: role of dopamine receptors. J Neurosci. 22 (19), 8705-8710 (2002).
  28. Daws, L. C., et al. Cocaine increases dopamine uptake and cell surface expression of dopamine transporters. Biochem Biophys Res Commun. 290 (5), 1545-1550 (2002).
  29. Little, K. Y., Kirkman, J. A., Carroll, F. I., Clark, T. B., Duncan, G. E. Cocaine use increases [3H]WIN 35428 binding sites in human striatum. Brain Res. 628 (1-2), 17-25 (1993).
  30. Ewing, A. G., Bigelow, J. C., Wightman, R. M. Direct in vivo monitoring of dopamine released from two striatal compartments in the rat. Science. 221 (4606), 169-171 (1983).
  31. Janezic, S., et al. Deficits in dopaminergic transmission precede neuron loss and dysfunction in a new Parkinson model. Proc Natl Acad Sci U S A. 110 (42), E4016-E4025 (2013).
  32. Macdonald, P. A., Monchi, O. Differential effects of dopaminergic therapies on dorsal and ventral striatum in Parkinson's disease: implications for cognitive function. Parkinsons Dis. 2011, 572743(2011).
  33. Kile, B. M., et al. Optimizing the Temporal Resolution of Fast-Scan Cyclic Voltammetry. ACS Chem Neurosci. 3 (4), 285-292 (2012).
  34. Venton, B. J., Troyer, K. P., Wightman, R. M. Response times of carbon fiber microelectrodes to dynamic changes in catecholamine concentration. Anal Chem. 74 (3), 539-546 (2002).
  35. May, L. J., Wightman, R. M. Heterogeneity of stimulated dopamine overflow within rat striatum as observed with in vivo voltammetry. Brain research. 487 (2), 311-320 (1989).
  36. Wu, Q., Reith, M. E., Wightman, R. M., Kawagoe, K. T., Garris, P. A. Determination of release and uptake parameters from electrically evoked dopamine dynamics measured by real-time voltammetry. J Neurosci Methods. 112 (2), 119-133 (2001).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

Software QNsim1 0estimulaci n el ctricaliberaci n de dopaminarecaptaci n de dopaminadopamina estriataln cleo accumbensestriado dorsalmodelado de par metros
Modelado de datos de voltametría cíclica de exploración rápida de datos de neurotransmisión de dopamina estimulada eléctricamente usando QNsim1.0
Contáctenos
Recomendar a la biblioteca

Privacidad

Condiciones de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.