Summary
Fast-Scan zyklische Voltammetrie kann in vivo Dopamin Neurotransmission im Zusammenhang mit Drogen, Krankheit und anderen experimentellen Manipulationen zu überwachen. Diese Arbeit beschreibt die Implementierung von QNsim1.0, einer Software zur Modellierung von elektrisch stimulierten Dopaminreaktionen gemäß dem quantitativen neurobiologischen Modell zur Quantifizierung von Schätzungen der Dopaminfreisetzung und Wiederaufnahmedynamik.
Abstract
Zentrale dopaminerge (DAergische) Wege haben eine wichtige Rolle in einer Vielzahl von Funktionen wie Aufmerksamkeit, Motivation und Bewegung. Dopamin (DA) ist an Krankheiten und Störungen einschließlich Aufmerksamkeitsdefizit-Hyperaktivitätsstörung, Parkinson-Krankheit und traumatischen Hirnverletzungen beteiligt. So sind DA Neurotransmission und die Methoden, um es zu studieren, von intensivem wissenschaftlichem Interesse. In vivo Fast-Scan-zyklische Voltammetrie (FSCV) ist eine Methode, die selektiv die Überwachung von DA-Konzentrationsänderungen mit feiner zeitlicher und räumlicher Auflösung ermöglicht. Diese Technik wird üblicherweise in Verbindung mit elektrischen Stimulationen von aufsteigenden DAergischen Wegen verwendet, um den Impulsfluss der Dopaminneurotransmission zu kontrollieren. Obwohl das stimulierte DA-Neurotransmission-Paradigma robuste DA-Antworten mit klaren Morphologien hervorbringen kann, was sie für die kinetische Analyse zugänglich macht, gibt es noch viel Diskussion darüber, wie man die Antworten in Bezug auf ihre DA-Freisetzung und Clearan interpretiertCE-Komponenten Um diesem Problem zu begegnen, wurde vor kurzem ein quantitatives neurobiologisches (QN) Framework der stimulierten DA-Neurotransmission entwickelt, um die Dynamik der DA-Freisetzung und Wiederaufnahme im Laufe einer stimulierten DA-Antwort realistisch zu modellieren. Die Grundlagen dieses Modells basieren auf experimentellen Daten aus stimulierter DA-Neurotransmission und auf Prinzipien der Neurotransmission aus verschiedenen Forschungsrichtungen. Das QN-Modell implementiert 12 Parameter, die sich auf die stimulierte DA-Freigabe und die Wiederaufnahmedynamik beziehen, um DA-Antworten zu modellieren. Diese Arbeit beschreibt, wie man DA-Antworten mit QNsim1.0 simuliert und auch detaillierte Prinzipien, die implementiert wurden, um systematisch Veränderungen in der stimulierten Dopaminfreisetzung und Wiederaufnahmedynamik zu erkennen.
Introduction
Dopamin (DA) Neurotransmission spielt eine wesentliche Rolle in verschiedenen kognitiven und Verhaltensfunktionen, und seine Dysfunktion ist in mehrere häufige Erkrankungen und Störungen verwickelt. Als solches ist es entscheidend, genaue Methoden zur quantitativen Untersuchung von DA-Neurotransmission in vivo zu entwickeln , um zu untersuchen, wie sich die DA-Neurotransmission im Kontext von Krankheitsmodellen und Arzneimittel-Pharmakologie ändert. Fast-Scan zyklische Voltammetrie (FSCV) ermöglicht die Überwachung in vivo DA Neurotransmission mit feiner räumlicher und zeitlicher Auflösung. Während es möglich ist, die physiologische DA-Neurotransmission in wachen, frei verhaltenden Tieren zu überwachen, kann die elektrische Stimulation von aufsteigenden dopaminergen Wegen bei anästhesierten Tieren robuste DA-Reaktionen hervorrufen, die der verbesserten kinetischen Analyse der DA-Neurotransmission zugänglich sind.
Elektrisch stimulierte DA-Antworten spiegeln ein dynamisches Zusammenspiel von DA-Freisetzung und Wiederaufnahme und Interpretationen widerDiese Antworten haben überwiegend ein einfaches Modell der stimulierten DA-Neurotransmission namens Michaelis-Menten (MM) Modell 12 verwendet. Das MM-Modell besteht aus 3 Variablen, um DA-Antworten in Bezug auf eine konstante DA-Freisetzungsrate und eine konstante Wiederaufnahme-Effizienz ( dh die Beziehung zwischen der DA-Wiederaufnahmerate und extrazellulären DA-Konzentrationen) zu beschreiben, wie durch Gleichung 1 beschrieben: 
(DA-Freigabe) (DA-Wiederaufnahme)
In Gleichung 1 ist f die Häufigkeit der Stimulation; [DA] p ist die geschätzte DA-Konzentrationszunahme pro Puls der Stimulation; V max repräsentiert die geschätzte maximale Wiederaufnahmerate; Und Km ist die geschätzte MM-Konstante, die theoretisch äquivalent zu der extrazellulären DA-Konzentration ist, die 50% DAT sättigt, was zu einer halbmaximalen Wiederaufnahmerate führt. Dieses differentiGleichung kann integriert werden, um experimentelle DA-Antworten zu simulieren, indem die Parameter [DA] p , V max und K m geschätzt werden.
Obwohl das MM-Modell im Verständnis der DA-Neurotransmission-Kinetik in verschiedenen experimentellen Kontexten erhebliche Fortschritte erzielt hat, macht das MM-Modell vereinfachte fundamentale Annahmen, die seine Anwendbarkeit bei der Modellierung von DA-Reaktionen, die durch supraphysiologische Stimulationen 2 , 13 hervorgerufen werden, einschränken. Zum Beispiel kann das MM-Modell nur DA-Response-Formen approximieren, wenn sie konvex aufsteigen, aber es kann nicht für die allmählichen (konkaven) steigenden Reaktionen verantwortlich sein, die in den dorsalen striatalen Regionen gefunden werden 12 . So erfassen die MM-Modellannahmen die dynamischen Freisetzungs- und Wiederaufbauprozesse der stimulierten DA-Neurotransmission nicht genau.
Um stimulierte DA-Antworten nach einem realistischen Quant zu modellierenEs wurde das quantitative neurobiologische (QN) Framework entwickelt, das auf Prinzipien der stimulierten Neurotransmission Kinetik basiert, die aus komplementärer Forschung und Experimentierung gewonnen wurde. Verschiedene Linien der Neurotransmission-Forschung zeigen, dass (1) stimulierte Neurotransmitter-Freisetzung ein dynamischer Prozess ist, der im Laufe der Stimulation 14 abnimmt, (2) die Freisetzung setzt sich in der Nachstimulationsphase mit der zweiphasigen Zerfallskinetik 15 und (3) DA fort Wiederaufnahme-Effizienz wird während der Dauer der Stimulation selbst 2 , 16 fortschreitend gehemmt. Diese drei Konzepte dienen als Grundlage des QN-Frameworks und die drei Gleichungen, bestehend aus 12 Parametern, die die Dynamik der DA-Freisetzung und Wiederaufnahme beschreiben ( Tabelle 1 ). Das QN-Framework kann heterogene experimentelle DA-Response-Typen genau simulieren, ebenso wie die pGeronnene Effekte von experimentellen Manipulationen von Stimulationsparametern und Arzneimittelverabreichung 2 , 6 . Obwohl weitere Untersuchungen notwendig sind, um den Datenmodellierungsansatz zu verfeinern, können zukünftige Experimente von diesem neurobiologisch fundierten Modellierungsansatz profitieren, der die von dem stimulierten DA-Neurotransmission-Paradigma gezogenen Schlussfolgerungen wesentlich ergänzt.
Tabelle 1: Modellierung von Gleichungen und Parametern . Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.
Dieses Tutorial beschreibt, wie man stimulierte DA-Response-Daten modelliert, um die DA-Freisetzung und die Wiederaufnahme der Kinetik mit QNsim 1.0 zu schätzen. Die eigentliche experimentelle Datenerhebung und prOcessing wird hier nicht beschrieben und benötigt nur zeitliche DA-Konzentrationsdaten. Die theoretische Unterstützung und Fundamente des QN-Frameworks wurden bisher ausführlich beschrieben 2 , aber eine praktische Perspektive auf die Anwendung des QN-Frameworks zur Modellierung von DA-Antwortdaten wird nachfolgend beschrieben.
Das QN-Framework modelliert das dynamische Zusammenspiel zwischen: 1) dynamischer DA-Freigabe, 2) DA-Wiederaufnahme und 3) den Auswirkungen von supraphysiologischen Stimulationen auf diese Prozesse, um aussagekräftige kinetische Informationen aus DA-Response-Daten zu extrahieren. Das QN-Framework eignet sich am besten für die Modellierung von FSCV-Daten, die mit hochgradig supraphysiologischen Stimulationen mit langer Dauer ( zB 60 Hz, 10 s Stimulationen) gewonnen wurden, die robuste DA-Reaktionen erzeugen, die für die kinetische Analyse geeignet sind. Nach der genauen Modellierung der zugrundeliegenden Release- und Reuptake-Prozesse können die Modellparameter verwendet werden, um eine DA-Antwort zu simulieren, die der Form der exPerimale DA-Antwort.
Die Gleichungen des QN-Frameworks beschreiben die Rate der DA-Freisetzung und Wiederaufnahme im Verlauf der stimulierten DA-Antworten. Das QN-Framework beschreibt die stimulierte DA-Freisetzungsrate als Funktion der Zeit vom Beginn der Stimulation (t stim ), wenn die DA-Freisetzungsrate im Laufe der Stimulation exponentiell abnimmt. Dies steht im Einklang mit der Erschöpfung eines leicht lösbaren Pools, mit einer addierten Steady-State-DA-Freisetzungsrate (DARS), um die Vesikel-Ergänzung zu berücksichtigen, ähnlich wie bei anderen Berichten (Gleichung 2 ) 14 , 17 .
Manipulationen, die die DA-Freisetzungsrate erhöhen, wie z. B. das Erhöhen von & Dgr; DAR, & Dgr; DAR & tgr ; oder DARs, führen zu erhöhten Antwortamplituden auf DA-Zeit-Zeit-Plots. Jedes parameTer trägt unterschiedlich zu DA-Response-Formen bei. Die zunehmende DARss und Δ DAR τ machen die ansteigende Phase der Antworten linearer (weniger konvex). Die Verringerung von Δ DAR τ fördert die Konvexität, die durch die Größe von Δ DAR gesteuert wird. Basierend auf Modellierungserfahrung ist DARss im Allgemeinen weniger als 1/5 th von Δ DAR; Somit ist & Dgr; DAR der Freigabeparameter, der primär die Gesamtantwortamplitude einer DA-Antwort bestimmt.
Die Nachstimulations-DA-Freisetzungsrate wird durch Gleichung 3 als Fortsetzung der stimulierten DA-Freisetzungsrate vom Ende der Stimulation (DAR ES ) als Funktion der Zeit nach der Stimulation (t post ) modelliert. Die Nachstimulations-DA-Freisetzungsrate folgt einem zweiphasigen Abklingmuster, wie zuvor beschrieben, mit einer schnellen exponentiellen Abklingphase und einer verlängerten linearen Abklingphase, um zwei caLciumabhängige Neurotransmitter-Freisetzungsprozesse.
(Schneller exponentieller Zerfall) (verlängerter linearer Zerfall)
Es ist derzeit nicht möglich zu bestimmen, wie viel Post-Stimulation DA Release auftritt. Diese Begrenzung kann durch systematische Minimierung von Schätzungen der Nachstimulations-DA-Freisetzung und Validierung von Modellparametern über einen Satz von experimentellen DA-Antworten, die von der gleichen Aufzeichnungsstelle unter Verwendung unterschiedlicher Stimulationsdauern gesammelt wurden, behandelt werden. Diese Minimierung ermöglicht es Benutzern, konservative Schätzungen der Freisetzung und Wiederaufnahme zu machen. Weil elektrische Stimulationen zur Calciumakkumulation führen, die die poststimulierende Neurotransmitterfreisetzung fördert, beeinflusst die Dauer der Stimulation die poststimulierenden NeurotransenMitterfreigabeparameter 18 , 19 . Basierend auf der Modellierungserfahrung wurde festgestellt, dass mit zunehmender Stimulationsdauer τ R zunimmt und X R abnimmt, im Einklang mit den erwarteten Wirkungen einer größeren Calciumakkumulation 20 .
Gleichung 4 beschreibt die DA-Wiederaufnahmerate als Erweiterung des MM-Frameworks und beinhaltet einen dynamischen K m- Term, der bei der Stimulation zunimmt, um eine fortschreitend abnehmende Reuptakeffizienz durch die supraphysiologischen Stimulationen 2 , 16 zu modellieren. Die K m nach der Stimulation wird am K m -Wert am Ende der Stimulation (K mES ) konstant gehalten.
woher,
(Während der Stimulation) (nach Stimulation)
Stimulierte DA-Antworten, vor allem aus ventralen striatalen Regionen, sind oft unempfindlich gegenüber Veränderungen des anfänglichen K m -Wertes (K mi ), was die Definition eines K mi- Wertes problematisch macht. So wird, wie das ursprüngliche MM-Gerüst, K mi bei 0,1-0,4 & mgr; M für DA-Antworten angenähert, die von der Kontrolle unbehandelter Tiere gesammelt wurden. Der Δ K m Begriff bestimmt das Ausmaß der Reuptake Effizienz Veränderung während der Stimulation, die aus unserer Erfahrung etwa 20 ist81; M im Verlauf einer 60-Hz-10-s-Stimulation. Die k- und K- Minf- Werte bestimmen, wie sich K m im Laufe der Zeit ändert, und die Erhöhung einer dieser Begriffe fördert die Konkavität der aufsteigenden Phase. V max ist die maximale Wiederholungsrate, die sich teilweise auf die lokale DA-Transporter-Dichte bezieht, die einen ventromedialen bis dorsolateralen Gradienten 21 aufweist . Dementsprechend sind die V max -Werte im dorsalen Striatum (D-Str) im Allgemeinen größer als 30 μ M / s, aber im Allgemeinen weniger als 30 μ M / s in den ventralen Bereichen, wie der Nukleus accumbens (NAc) 6 .
Die oben genannten allgemeinen Richtlinien können bei der Modellierung von experimentellen DA-Antwortdaten helfen, aber die Erzeugung einer Simulation, die der experimentellen DA-Antwort angenähert wird, erfordert iterative Anpassung von Modellparametern. Die Genauigkeit der Modellparameter kann durch die Gewinnung von DA-Reaktionen auf supraphysiologische Stimulationen verbessert werdenEa robustes Substrat für die Simulation sowie durch die Erlangung und Modellierung mehrerer DA-Reaktionen auf Stimulierungen unterschiedlicher Dauer an der gleichen Aufnahmestelle ( zB 60-Hz, 5-s und 10-s-Stimulationen), um die Genauigkeit der Parameter zu validieren ( Siehe die Beispieldaten). Um zu demonstrieren, ist ein Datensatz mit dem Softwarepaket enthalten, das regiospezifische stimulierte DA-Antworten enthält, die im Nukleus accumbens und dorsal striatum gesammelt wurden, vor und nach einer pharmakologischen Herausforderung, die bereits mit dem QN-Framework modelliert wurde. Durch die Erweiterung werden die Benutzer finden, dass diese Methodik in ähnlicher Weise angewendet werden kann, um die Kinetik der DA-Neurotransmission in verschiedenen Krankheitszusammenhängen und pharmakologischen Manipulationen zu charakterisieren.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Installation, Datenvorbereitung und Starten von QNsim1.0
- Laden Sie "QNsim1.0.zip" (als Ergänzung zur Verfügung gestellt) und extrahieren Sie es in ein gewünschtes Verzeichnis.
- Bereiten Sie stimulierte DA-Antwortdaten für die Modellierung mit dem Softwareprogramm vor, indem Sie eine Tabellenkalkulation organisieren, in der jede Spalte eine zeitliche DA-Antwort enthält, die in μ M DA-Konzentrationen umgewandelt wird. Speichern Sie diese Datei (.xlsx) in das gleiche Verzeichnis wie die Programmdateien.
Anmerkung: Die Tabellenkalkulation kann mehrere Antworten in einem einzelnen Experiment oder mehrere Studien enthalten, die eine feste Anzahl von Antworten enthalten (siehe "Sample.xlsx" für ein Beispiel). - Öffnen Sie die Programmierumgebungssoftware, navigieren Sie im Fenster "Aktueller Ordner" zum Verzeichnis "QNSim1.0" und öffnen Sie die Datei "Initialisierung.m". Klicken Sie auf "Ausführen", um den Initialisierungsbildschirm zu starten (Abbildung 1 ).
Abbildung 1 : Initialisierungsbildschirm. Dieser Bildschirm ermöglicht es Benutzern, ein bestehendes Projekt fortzusetzen, indem man eine vorherige * .mat Projektdatei (links) eingibt oder ein neues Projekt aus gespeicherten Daten der stimulierten DA Neurotransmission (rechts) beginnt. Textfelder werden zur Eingabe des * .xlsx-Dateinamens mit den Daten, ein paar wesentliche Deskriptoren der Daten und dem * .mat-Projekt-Dateinamen bereitgestellt, der alle Daten enthält, die sich auf das Projekt beziehen. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.
2. Initialisierung der Simulationsumgebung
Hinweis: Im Initialisierungsbildschirm können Benutzer ein neues Projekt starten (Schritt 2.1) oder mit einem zuvor gespeicherten Projekt fortfahren (Schritt 2.2).
- Option 1: Ein neues Projekt beginnen
- Geben Sie im Abschnitt Neuer Projekt den Namen der Tabellenkalkulation ein, die die DA-Antwortdaten für das Projekt ( zB Sample.xlsx) in das Textfeld [DA] Datendatei enthält.
Hinweis: Die Datei muss sich im selben Ordner wie die Programmdateien befinden. - Neben der Simulationszeit geben Sie die Zeitpunkte ein, die dem Anfang und Ende der Datenerfassung (in Sekunden) relativ zum Beginn der Stimulation entsprechen. Zum Beispiel, wenn die Datenerfassung beginnt 5 s vor der Stimulation und endet 35 s nach, wie in der Sample.xlsx, Eingabe "-5" und "35."
- Geben Sie die Anzahl der Antworten in jeder Studie neben dem entsprechenden Textfeld ein.
- Neben dem Abtastintervall geben Sie das experimentelle Datenabtastintervall in Sekunden ein.
- Als nächstes speichern Sie als (.mat) den Dateinamen, einschließlich des Dateityps (.mat), wo das Projekt gespeichert werden soll.
Hinweis: Dies ist die Datei, auf die zugegriffen werden sollSimulationen und alle Arbeiten können in dieser Projektdatei gespeichert werden. - Klicken Sie auf Neues Projekt erstellen, um das Simulator-Fenster zu starten (Abbildung 2 ).
- Geben Sie im Abschnitt Neuer Projekt den Namen der Tabellenkalkulation ein, die die DA-Antwortdaten für das Projekt ( zB Sample.xlsx) in das Textfeld [DA] Datendatei enthält.
- Option 2: Fortsetzung eines vorherigen Projektes
- Geben Sie im Bild Weiter Vorheriger Projekt des Initialisierungsfensters den Dateinamen "Datatame" eines zuvor begonnenen Projekts ein ( zB Sample.mat).
Hinweis: Diese Datei muss im selben Ordner wie die Software-Programmdateien enthalten sein. - Klicken Sie auf Vorhandenes Projekt laden, um das Simulator-Fenster zu starten ( Abbildung 2 ).
- Geben Sie im Bild Weiter Vorheriger Projekt des Initialisierungsfensters den Dateinamen "Datatame" eines zuvor begonnenen Projekts ein ( zB Sample.mat).
Abbildung 2 : Simulator-Bildschirm. Der Simulator-Bildschirm ermöglicht es Benutzern, die experimentellen Daten in D auszuwählen und die Simulationsparameter in E einzustellen, um das Experiment zu modellierenDaten. Die visuelle Inspektion von ( A, B und C ) kann dann bei der Verfeinerung von Simulationsparametern helfen, so dass die Simulation (blaue gestrichelte Linien) die experimentellen Daten (dicke grüne Linien) modelliert. Hier enthält ( A ) experimentelle und simulierte DA-Konzentration gegenüber Zeitdaten. ( B ) ist ein Graph, der bei der Schätzung der post-stimulierenden DA-Freisetzung hilft. ( C ) ist eine Auftragung der experimentellen und simulierten ersten Ableitungen der DA-Konzentration gegenüber den Zeitdaten von A oder der Rate des evozierten Überlaufs (EO). Die Rate von EO ist theoretisch ein Gleichgewicht der Freigabe-Wiederaufnahmeraten, die diesem Diagramm überlagert wird. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.
3. Verwenden des Simulator- Fensters
Hinweis: Der Simulator-Bildschirm ermöglicht die Auswahl der experimentellenDaten zur Modellierung (Schritt 3.1), Anpassung der Parameter zur Simulation von experimentellen DA-Antwortdaten (Schritt 3.2), Speichern / Laden von Modellierungsparametern für jede DA-Antwort (Schritt 3.3) und Export der gespeicherten Parameter (Schritt 3.4).
- Auswahl der experimentellen DA-Antwort zur Simulation.
- Wählen Sie die experimentelle DA-Antwort, um zu simulieren, indem Sie die Studiennummer, die Antwortnummer und die Dauer der Stimulation in die entsprechenden Textfelder eingeben. Drücken Sie die "Enter" -Taste oder klicken Sie auf Simulation, um den Simulationsprozess zu beginnen, der 3 Graphen mit experimentellen Daten (dicke grüne Linien), simulierte Daten (blaue gestrichelte Linien) und simulierte Daten erzeugt, die nicht für die post-stimulierende DA-Freigabe verantwortlich sind ( Rote punktierte Linien), wie in Abbildung 2 .
- Modellierung von experimentellen DA-Antworten.
Anmerkung: Das Ziel der Modellierung ist es, die Modellparameter bezüglich der stimulierten DA-Freigabe einzustellen (Schritt 3.2.1), DA Wiederaufnahme (Schritt 3.2.2) und Post-Stimulation DA Release (Schritt 3.2.3), um experimentelle DA-Antworten genau zu modellieren. Die Modellierung ist ein iterativer Prozess, bei dem die Startparameter verfeinert werden, bis die Parameter eine simulierte DA-Antwort liefern, die den experimentellen Daten im DA-Zeit-Diagramm (Panel A) entspricht, die durch die Anpassung der simulierten Daten an die experimentell abgeleiteten Daten unterstützt werden können Der geschätzte Post-Stimulations-Komponentendiagramm (Panel B) und die Preise für Release, Reuptake und EO Graph (Panel C).- Passen Sie die ΔDAR-, ΔDARτ- und DARS-Parameter an, die der DA-Freigabe (Gleichung 2 ) zugeordnet sind, um die Amplitude der Stimulation anzupassen.
Anmerkung: Diese Parameter beginnen nur Schätzungen, die verfeinert werden, aber ΔDARτ = 25 und ein DARSS-Wert, der 1/5th von ΔDAR ist, sind zufriedenstellende Startbedingungen. Wenn Sie einen dieser Parameter erhöhen, erhöht sich die Amplitude im DA-Zeit-Diagramm und erhöht die DA-AnzeigeAse Rate in der geschätzten Post-Stimulation Release-Komponente und Preise der Freisetzung, Reuptake und EO-Graphen. - Passen Sie die V max , K mi , ΔK m , K minf und k Parameter an, die mit der DA-Wiederaufnahme verbunden sind (Gleichung 4), so dass in der Abbildung A die simulierten Daten der Form der Anstiegsphase der experimentellen Daten (dickes Grün) Line) und so, dass die Simulation ohne Post-Stim-Release-Trace (rote Punktlinie) kleiner ist als die experimentelle Datenspur für alle Nachstimulationszeitpunkte.
Hinweis: Dieser Schritt erfordert wahrscheinlich die Einstellung von DA-Release-Parametern (Schritt 3.2.1). - Passen Sie die XR-, τR- und m-Parameter an, die mit der post-stimulierenden DA-Freigabe (Gleichung 3 ) assoziiert sind, so dass die Simulation den experimentellen Daten im DA-Zeit-Diagramm entspricht.
Anmerkung: X R sollte einen Wert zwischen 0 und 1 annehmen und sollte grundsätzlich größer als 0,7 sein.
- Passen Sie die ΔDAR-, ΔDARτ- und DARS-Parameter an, die der DA-Freigabe (Gleichung 2 ) zugeordnet sind, um die Amplitude der Stimulation anzupassen.
- Sparen / loAnpassung der Modellierungsparameter
- Sobald ein Satz von Parametern die experimentellen Daten genau modelliert, klicken Sie auf Parameter speichern, die diesen Satz von Parametern für die gegebene Antwort auf die .mat-Datei für das Projekt speichern wird.
- Wenn nötig, laden Sie zuvor gespeicherte Parameter für eine bestimmte Antwort, indem Sie auf Load Parameters klicken. Stellen Sie sicher, dass die entsprechenden Studiennummer und die Antwortnummer in die entsprechenden Textfelder eingegeben werden.
- Exportieren der gespeicherten Parameter.
- Geben Sie im Textfeld neben der Schaltfläche Exportparameter den Dateinamen ein ( zB Sample.txt) und klicken Sie auf Parameter exportieren, um eine Textdatei mit allen Parametern der Simulationen zu exportieren. Begrenzen Sie die Textdatei mit Leerzeichen, um eine Tabellenkalkulation von Parametern zu erzeugen, wie in Abbildung 4 des Abschnittes Repräsentative Ergebnisse unten beschrieben .
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Im Rahmen des Softwareprogramms sind die von der Ratten-Dorsal-Striatum (Studie 1) und dem Nukleus accumbens (Studie 2) erhaltenen Proben-DA-Neurotransmission-Daten, die in "Sample.xlsx" kompiliert werden, enthalten. Die Spreadsheet enthält die DA-Konzentrationsdaten der Baseline-Reaktionen auf 60 Hz, 10 s und 5 s Stimulationen und eine Reaktion auf eine 60 Hz, 5 s Stimulation 35 min nach der Verabreichung des DA-Transportinhibitors Methylphenidat (MPH) (10 mg / Kg, ip). Die stimulierten DA-Antwortdaten sind in Spalten organisiert, wie in Abbildung 3 dargestellt, die als Vorlage für die Organisation von zu modellierenden Daten mit dem Softwareprogramm dient.
Abbildung 3: Strukturierung der Daten in ein lesbares Format für die Modellierung . Die stimulierten DA-Antwortdaten von Sample.xlsx sind OrgelIn die Spalten, wie oben, mit jeder Spalte, die eine individuelle stimulierte DA-Antwort enthält. Beachten Sie, dass es keine Spalten gibt, die sich auf den Zeitbereich in dieser Kalkulationstabelle beziehen. Dies wird im Initialisierungsbildschirm berücksichtigt.
Die Beispieldaten wurden wie in Schritt 3.2 (Modellierung von experimentellen DA-Antworten) unter Verwendung der Parameter in Fig. 4 modelliert. Dies ergab Simulationen, die die experimentellen Daten gut sowohl im D-Str (Abbildung 5A ) als auch im NAc (Abbildung 5B) angenähert haben.
Abbildung 4: Exportierte Simulationsparameter für die Modellierung von Beispiel-experimentellen Daten . Jede Zeile enthält Simulationsparameter, die mit einer individuellen stimulierten DA-Antwort korrelieren. Hier entsprechen die Zeilen 2-4 und 5-7 den Simulationsparametern für das dorsale Striatum und nUcleus accumbens Daten (siehe Abbildung 3 oben). Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.
FSCV-Experimente, die die Sammlung von multiplen DA-Antworten beinhalten, enthalten im Allgemeinen ausreichende Interstimulationsintervalle, um es dem System zu ermöglichen, sich wiederherzustellen, um reproduzierbare stimulierte DA-Antworten zu erzeugen 25 . In einem idealen Szenario, das reproduzierbare Reaktionen hervorrief, waren die stimulierten DA-Freisetzungsparameter (ΔDAR, ΔDATτ und DARss) und Wiederaufnahmeparameter (V max , Kmi, ΔK m , K minf und k) konstant für Baseline-Reaktionen auf die gleiche Frequenz von Stimulation. Jedoch gibt es in der Praxis kleine Änderungen in den DA-Antwortformen und -amplituden im Laufe der Zeit, die zu einer Verringerung der DA-Freisetzungsmetriken wie & Dgr; DAR in diesem Datensatz führen (vgl. Zeile 2 bis 3 und5 bis 6 in Abbildung 4 ) oder bei V max abnehmen.
Im Gegensatz zur stimulierten DA-Freisetzung ändern sich die post-stimulierenden DA-Release-Parameter auf der Grundlage der Stimulationsdauer. Dies ist wahrscheinlich auf eine stimulationsinduzierte Akkumulation von intrazellulärem Ca 2+ zurückzuführen, die die Nachstimulationsfreisetzung verlängert und den relativen Beitrag der langsameren linearen Abklingkomponente der Nachstimulations-DA-Freisetzung 20 , 26 erhöht. Diese stimulierungsdauernabhängigen Effekte sind in den repräsentativen Modellierungsparametern zu sehen, wobei die 10 s-Stimulation größere τR-Werte und kleinere X R- Werte aufweist als die 5 s-Stimulationen (vergleiche die Zeilen 2 bis 3 und 5 bis 6 in Abbildung 4 ).
Abbildung 5: SimBerechnungen von Beispieldaten. Simulationen zeigen die enge Anpassung von simulierten Daten (blaue gestrichelte Linien) an die Probe experimentelle Daten (dicke grüne Linien). Hier zeigen ( A und B ) Simulationen und experimentelle Daten, die in den dorsalen Striatum- und Kern-Akkumbenen gesammelt wurden. Siehe Abbildung 4 für die Parameter, die zur Modellierung der experimentellen Daten verwendet werden. Bitte klicken Sie hier, um eine größere Version dieser Figur zu sehen.
Stimulierte DA-Reaktionen aus den beiden Regionen erzeugten sehr unterschiedliche Ansprechformen mit konkaven Anstiegsformen im D-Str (Abbildung 5A ) und konvex ansteigenden Formen im NAc (Abbildung 5B ). Beide Antwortformen konnten mit einigen bemerkenswerten Unterschieden in den Parametrierungen modelliert werden. Obwohl es eine Variabilität in Antwortformen und Amplituden sogar innerhalb eines gegebenen Bereichs gibt, ist K & lt;Sub> minf ist in der NAc im Vergleich zum D-Str. Darüber hinaus neigen V max , & Dgr; DAR und & Dgr; DAR & sub3; dazu, auch im NAc niedriger zu sein, wie dies bei diesem Beispieldatensatz der Fall ist (vergleiche die Zeilen 2 und 5 in Fig. 4 ).
Im Beispiel-Datensatz enthalten sind Antworten auf eine MPH-Herausforderung. Obwohl primär ein DAT-Inhibitor ist, ist MPH bekanntermaßen sekundäre Effekte auf die DA-Freisetzung 22 , 27 und kann die plasmalämische Expression von DAT wie andere DAT-Inhibitoren 28 , 29 verändern. Experimentelle Reaktionen wurden nach einem 10 mg / kg MPH modelliert, indem die schnelle Komponente der post-stimulierenden Freisetzung, τ R , konstante Pre- und Post-MPH-Verabreichung, die Argumentation angenommen wurde, dass MPH-induzierte Veränderungen in der stimulierten DA-Neurotransmission-Kinetik nicht sind Aufgrund von Änderungen in der post-stimulation DA Release. Das erlaubtDie Untersuchung von Veränderungen der stimulierten Freisetzung und Wiederaufnahme der Kinetik. In diesem Beispiel induzierte MPH eine Erhöhung der simulierten K mi , Werte, wie sie für einen kompetitiven DAT-Inhibitor erwartet werden, sondern auch eine Abnahme von ΔDARτ und V max .
Ergänzende Datei QNSim1.0.zip: Hier klicken, um diese Datei herunterzuladen .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Die Verwendung von FSCV, um in vivo stimulierte DA Neurotransmission zu beginnen, entstand in den 1980er Jahren 30 und ist nach wie vor eine reiche Quelle für in vivo Neurotransmission Daten mit unvergleichlicher räumlicher und zeitlicher Auflösung. Stimulierte DA-Antworten spiegeln ein komplexes Gleichgewicht von DA-Freisetzung und Wiederaufnahme, die durch die elektrischen Stimulationen selbst moduliert werden. Das QN-Modell beinhaltet Prinzipien aus der zeitgenössischen Neurotransmission-Forschung, um in vivo stimulierte DA-Neurotransmission-Daten in Bezug auf dynamische Release- und Reuptake-Annahmen zu modellieren 2 . Darüber hinaus erweitert das QN-Framework die möglichen Analysenregionen mit FSCV auf Standorte, die keine "konvexen" Reaktionen hervorbringen, wie das dorsale Striatum. Diese Fortschritte ermöglichen die regionale Charakterisierung von in vivo DAergische Pharmakodynamik 6 und DAergische Veränderungen bei ZNS-Krankheitsmodellen. Die regionalen CharaktereDie Zerspanung der DA-Neurotransmission ist besonders wichtig, weil das dorsale und ventrale Striatum unterschiedliche funktionelle Implikationen hat, eine unterschiedliche DAergische Innervation von verschiedenen neuronalen Populationen erhält und in Krankheitszuständen wie Parkinson 31 , 32 unterschiedlich anfällig ist.
Wie Abbildung 5 zeigt, ist das QN-Framework in der Lage, experimentelle Daten genau zu modellieren; Allerdings gibt es Einschränkungen mit den Modellierungsmethoden. Mit 12 einstellbaren Parametern im QN-Framework können mehrere Sätze von Parametrierungen eine experimentelle DA-Antwort genau simulieren, und es ist wichtig zu bestimmen, welcher Satz von Parametrierungen die zugrunde liegende Kinetik der DA-Freisetzung und Wiederaufnahme präzise und genau widerspiegelt. Während es nicht möglich ist, Modellparameter zu extrahieren, die die zugrundeliegende Neurobiologie mit Sicherheit genau widerspiegeln, ist es möglich, systematisch zu seinAlly bestimmen minimale Schätzungen der Freisetzungs- und Reuptake-Parameter, die den Annahmen des QN-Frameworks entsprechen. So sollten die Modellparameter als konservative Schätzungen der Freisetzungs- und Wiederaufnahmungskinetik interpretiert werden. Um die Genauigkeit der Modellparameter zu schärfen, sollten mehrere DA-Antworten, die durch unterschiedliche Stimulationsdauern hervorgerufen wurden, von der gleichen Aufzeichnungsstelle erhalten werden. Dies erzeugt mehrere Substrate für die Modellierung, die Simulationsparameter einschränken können, um ihre Genauigkeit zu erhöhen. Andere Einschränkungen können systematisch auf Modellparametern basierend auf Literaturdaten ( z. B. Kmi ≈ 0,1-0,4 μM und τR ≈ 1,2 für 60 Hz, 10 s Stimulationen) zur Erleichterung der Datenmodellierung, insbesondere für Studiendesigns, wo die Modellierung von relativen zeitlichen Veränderungen mehr ist, platziert werden Wichtig als die absolute Genauigkeit der Modellparameter. Strategien zur Verbesserung der Präzision und Genauigkeit der Modellparameter sind eine kontinuierliche Anstrengung.
Das QN-Framework hat stRong theoretische Grundlagen für seine Annahmen, wie Stimulation betrifft DA Neurotransmission Kinetik. Das QN-Framework selbst berücksichtigt nicht die möglichen Effekte der Elektrodenreaktionsverzögerung und der Diffusionsverzerrung in den DA-Antworten 33 , 34 , deren Existenz und relative Bedeutung im Feld 3 diskutiert wird. Zum Beispiel wurde die regionale kinetische Variabilität von DA-Antworten bisher auf zytoarchitektonische Unterschiede zurückgeführt, wobei weiße Materie-Traktate als Massentransportbarriere im dorsalen Striatum 35 wirken. Die Variabilität der DA-Response-Formen wird jedoch durch die Verabreichung von D2-Antagonisten oder DAT-Inhibitoren 3 , 13 vermindert, was darauf hindeutet, dass die regionale Response-Variabilität mit den zugrunde liegenden Unterschieden in der Freisetzungs- und Reuptake-Kinetik verknüpft ist. Wenn die Benutzer passen, können DA-Antworten auf rem dekonvolutiert werdenDiffusionsverzerrungen gemäß den bisher veröffentlichten Methoden 33 , 34 , 36 , und diese verarbeiteten DA-Antwortdaten können nach wie vor mit dem Softwareprogramm wie üblich modelliert werden.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben nichts zu offenbaren.
Acknowledgments
Wir bestätigen das UPMC Rehabilitation Institute für die Unterstützung dieser Arbeit.
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB R2016a for Mac | Mathworks | ||
| QNsim1.0 | In house software package | Software to model FSCV data using the QN framework |
References
- Taylor, I. M., et al. Kinetic diversity of dopamine transmission in the dorsal striatum. J Neurochem. 133 (4), 522-531 (2015).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Jones, S. R., et al. Loss of autoreceptor functions in mice lacking the dopamine transporter. Nat Neurosci. 2 (7), 649-655 (1999).
- Wagner, A. K., et al. Chronic methylphenidate treatment enhances striatal dopamine neurotransmission after experimental traumatic brain injury. J Neurochem. 108 (4), 986-997 (2009).
- Wagner, A. K., et al. Controlled cortical impact injury influences methylphenidate-induced changes in striatal dopamine neurotransmission. J Neurochem. 110 (3), 801-810 (2009).
- Wightman, R. M., et al. Real-time characterization of dopamine overflow and uptake in the rat striatum. Neuroscience. 25 (2), 513-523 (1988).
- 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).
- 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).
- Atluri, P. P., Regehr, W. G. Delayed release of neurotransmitter from cerebellar granule cells. J Neurosci. 18 (20), 8214-8227 (1998).
- 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).
- 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).
- 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).
- 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).
- 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).
- Ciliax, B. J., et al. The dopamine transporter: immunochemical characterization and localization in brain. J Neurosci. 15 (3 Pt 1), 1714-1723 (1995).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Kile, B. M., et al. Optimizing the Temporal Resolution of Fast-Scan Cyclic Voltammetry. ACS Chem Neurosci. 3 (4), 285-292 (2012).
- 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).
- 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).
- 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).
