Method Article

Identificación y clasificación de variantes de cambio de sentido de la subunidad del receptor GABAA específicas de la posición por su papel en las neuronas piramidales del hipocampo

DOI:

10.3791/67833

⸱

June 6th, 2025

 , 
1Department of Molecular Biology and Genetics, Faculty of Engineering and Natural Sciences, Üsküdar University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudio presenta un marco multiescala, que abarca desde el ADN hasta la función de las proteínas y el comportamiento neuronal. Presenta un enfoque novedoso para investigar las mutaciones patógenas predichas en la subunidad del receptor GABAA , planteando la hipótesis de que las mutaciones epileptogénicas y las mutaciones proximales, predichas como patógenas, pueden producir efectos similares en el modelo de neurona piramidal CA1.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Comprender los efectos de variantes funcionalmente desconocidas en los genes asociados a la epilepsia es crucial para dilucidar la fisiopatología de la enfermedad y desarrollar terapias personalizadas. Con un marco multiescala, que abarca desde la secuencia de ADN hasta la función de la proteína y el comportamiento neuronal, describimos un enfoque novedoso para predecir e investigar mutaciones patógenas, planteando la hipótesis de que las mutaciones epileptogénicas en la subunidad del receptor GABAA y las mutaciones predichas cercanas pueden producir efectos similares en el modelo de neurona piramidal CA1. Al explorar las relaciones características entre las mutaciones patógenas predichas y las mutaciones epileptogénicas proximales, el estudio tiene como objetivo estimar los efectos de las mutaciones predichas en función de los efectos de las mutaciones epileptogénicas en las simulaciones de neuronas piramidales del hipocampo.

La metodología comienza con la recopilación de datos genéticos de la subunidad γ2 del receptor GABAA , seguida de la limpieza y el formateo de los datos realizados en R utilizando un script personalizado. A continuación, se aplicarán predictores de conjunto para identificar y priorizar las variantes patogénicas de cambio de sentido de la subunidad γ2 . Se ilustrará el mapeo de una variante patógena específica (predicha) con los dominios estructurales de subunidades compartidos por las mutaciones epileptogénicas, acompañado de un modelado molecular de sus efectos y la consideración de la conservación evolutiva. A continuación, se realizará un metanálisis específico de la variante y la normalización de los parámetros, seguido de un análisis de correlación para identificar cualquier relación significativa entre las mutaciones predichas y las mutaciones epileptogénicas proximales. Utilizando un simulador neuronal basado en Python, se describirá el modelo de neurona basado en conductancia multicompartimentada, que refleja el efecto de mutantes de tipo salvaje y epileptogénicos. Se considerará la simulación de las respuestas neuronales generadas por el subtipo epileptogénico del receptor GABAA para la estimación aproximada del efecto de las variantes patógenas predichas sobre la respuesta neuronal. Hasta donde sabemos, este es el primer protocolo que explora un marco multiescala para estimar los efectos de las variantes del receptor GABAA en el comportamiento neuronal, crucial para la investigación de la epilepsia. Este protocolo puede servir como base para mejorar las predicciones de los fenotipos celulares causados por variantes potencialmente patógenas de los receptores GABAA asociados con la epilepsia.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Para casi todas las enfermedades humanas, la variación genética juega un papel importante en la susceptibilidad individual. Por lo tanto, comprender cómo las variaciones de la secuencia se relacionan con el riesgo de enfermedad ofrece una forma valiosa de descubrir los procesos clave involucrados en el desarrollo de la enfermedad e identificar nuevos enfoques para la prevención y el tratamiento1. Esto también se aplica a los trastornos del neurodesarrollo, que se encuentran entre las afecciones médicas crónicas más prevalentes en la atención primaria pediátrica2. Condiciones como el trastorno del espectro autista, la discapacidad intelectual y la epilepsia ilustran cómo la variación genética influye significativamente en la susceptibilidad individual durante el desarrollo3.

El cerebro en desarrollo es más susceptible a las convulsiones epilépticas que el cerebro adulto debido al desajuste del desarrollo neurológico genéticamente programado en el equilibrio crítico entre la excitación y lainhibición. Dado que el GABA (ácido gamma-aminobutírico), el principal neurotransmisor inhibidor en el cerebro adulto, es excitador durante el desarrollo embrionario y postnatal temprano, esto no es favorable a la estabilidad necesaria para prevenir las convulsiones en los cerebros jóvenes. Este estado temporal, causado por la falta de expresión suficiente de los cotransportadores de K-Cl5, puede contribuir a un mayor riesgo de actividad convulsiva en presencia de receptores GABAA disfuncionales. Los receptores GABAA median las acciones excitadoras e inhibidoras del GABA, dependiendo de la concentración intracelular del ion Cl-6. Por lo tanto, a medida que el cerebro madura, las mutaciones en los genes que codifican para el receptor GABAA, así como en otros canales iónicos, distorsionan la excitabilidad, y las mutaciones en los genes involucrados en el metabolismo neuronal, la señalización celular y la formación de sinapsis7, pueden causar afecciones como la epilepsia de ausencia en lainfancia.

Las intervenciones clínicas están aprovechando cada vez más el análisis genético para mejorar la precisión en el tratamiento de los trastornos del neurodesarrollo2. Las pruebas genéticas en la epilepsia pediátrica presentan objetivos potenciales para los enfoques de la medicina de precisión9, lo que destaca la importancia de las variantes genéticas para guiar las decisiones de tratamiento. Además, ~25% de los pacientes con epilepsia con mutaciones de novo reciben diagnósticos genéticos que identifican posibles objetivos para la medicina de precisión, lo que subraya el valor significativo de las variantes genéticas para guiar las decisiones de tratamiento10. Esto se ha visto impulsado por los avances en las tecnologías de secuenciación de próxima generación, como los paneles de genes dirigidos, la secuenciación del exoma completo y la secuenciación del genoma completo, que han acelerado drásticamente los descubrimientos genéticos11. Sin embargo, el creciente número de nuevos descubrimientos de genes conlleva un desafío cuando los resultados arrojan una variante de significado desconocido (VUS), una clasificación que refleja evidencia contradictoria o información insuficiente sobre el papel molecular de la variante en la patogénesis de la enfermedad. Las variantes clasificadas como VUS corresponden a una categoría dentro del sistema de clasificación de variantes de cinco niveles propuesto por el Colegio Americano de Genética Médica y Genómica (ACMG) y la Asociación de Patología Molecular (AMP)12.

Abordar el desafío de las variantes genéticas funcionalmente desconocidas requiere esfuerzos en dos dimensiones clave: la práctica clínica y la investigación. Desde el punto de vista clínico, la incertidumbre que rodea a la VUS puede complicar el manejo del paciente y la toma de decisiones13. Desde el punto de vista de la investigación científica, es crucial identificar las variantes patógenas entre el creciente número de variantes de significado incierto y determinar su papel en la fisiopatología de la enfermedad y los efectos fenotípicos1. Un escenario ideal implicaría predecir con precisión los efectos moleculares, neuronales y a nivel de red de todas las variantes funcionalmente no caracterizadas, minimizando así los recursos, el tiempo y el esfuerzo necesarios para las investigaciones de laboratorio. Estos aspectos subrayan la importancia de clasificar con precisión las variantes genéticas para permitir un diagnóstico preciso de las epilepsias genéticas, apoyar el tratamiento personalizado y facilitar el descubrimiento de posibles dianas farmacológicas. Las herramientas predictivas actuales 14,15,16,17 son relativamente precisas, pero por lo general solo proporcionan clasificaciones binarias (patógenas vs. benignas) y carecen de información específica de la enfermedad sobre la fisiopatología molecular, las consecuencias fenotípicas y los mecanismos subyacentes. Centrándose en las variantes desconocidas de cambio de sentido de genes seleccionados que codifican para subunidades del receptor GABAA, este artículo presenta un marco destinado a mejorar la orientación de la investigación mediante la incorporación de factores contextuales de variantes como aspectos moleculares, evolutivos y estructurales, así como simulaciones de patología neuronal derivadas de datos biofísicos in vitro de mutaciones asociadas a la epilepsia. Nuestra metodología aborda la identificación de variantes patogénicas desconocidas de la subunidad γ2 del receptor GABAA, una subunidad clave implicada en la fisiopatología de la epilepsia 18,19,20. A continuación, se explora la coincidencia específica de la posición de estas variantes predichas con las mutaciones asociadas a la epilepsia caracterizadas por datos estructurales y electrofisiológicos. Estos datos se utilizan para estimar el efecto de la variante en un modelo de neurona piramidal del hipocampo que expresa un subtipo de receptor GABAA, compuesto por subunidades γ2, α1 y β3 (receptores γ2-GABAA), responsables de la inhibición sináptica rápida6. Es importante tener en cuenta que los receptores GABAA se ensamblan a partir de un gran grupo de subunidades (α1-α6, β1-β3, γ1-γ3, δ, Ε, θ, π y ρ1-ρ3) y, dependiendo de la composición de la subunidad, los receptores GABAA difieren en su modulación, características biofísicas, así como en los patrones de expresión regionales, celulares y subcelulares junto con funciones específicas 6,21,22,23, 24,25. Por lo tanto, el presente estudio se centra únicamente en los receptores γ2-GABAA o en los receptoresGABA A que contienen γ2.

Las subunidades del receptor GABAA están compuestas por rasgos estructurales característicos: un dominio extracelular N-terminal (ECD) largo, cuatro dominios transmembrana que abarcan (TM1 a TM4), un enlazador intracelular que conecta TM1 y TM2, un enlazador extracelular que conecta TM2 y TM3, un gran bucle intracelular entre TM3 y TM4 (bucle TM3-TM4) y un extremo C extracelular corto 6,26, Artículo 27. Se sugiere que el receptor GABAA funciona a través de un complejo mecanismo de "bloqueo y tracción", donde la unión de GABA bloquea las subunidades β y α, haciendo que tiren de los dominios extracelulares (ECD) de las subunidades, rotándolas en sentido contrario a las agujas del reloj27. Este movimiento dobla los dominios transmembrana (TMD), abriendo así el canal iónico27. Por lo tanto, la actividad del canal parece estar coordinada junto con los casetes estructurales dentro de los receptores GABAA. Resulta que las mutaciones de la epilepsia causan disfunción en la actividad del canal a través de la distorsión de estos casetes estructurales28. En consecuencia, nuestro estudio se basa en la idea de que las variantes patogénicas predichas en proximidad a mutaciones epileptogénicas identificadas funcionalmente en los casetes estructurales específicos de las subunidades del receptor GABAA pueden exhibir patrones similares de distorsión electrofisiológica o biofísica en la función del canal, como se observa en los casos de estas mutaciones epileptogénicas. Si bien la presencia de casetes estructurales epileptogénicos en las subunidades28 del receptor GABAA apoya indirectamente esta noción, nuestro estudio demuestra la complejidad y el desafío de correlacionar los parámetros biofísicos de las mutaciones epileptogénicas con los de las mutaciones patógenas predichas. Para desenmascarar estas complejas relaciones, nuestro marco es importante, ya que destaca un enfoque multiescala que abarca desde el ADN hasta la función de las proteínas y el comportamiento neuronal, fundamentales para la investigación de la epilepsia. Este enfoque integra la genética computacional con el modelado molecular y las simulaciones neuronales, al tiempo que enfatiza la importancia de los métodos complementarios, como el aprendizaje automático entrenado en grandes conjuntos de datos, que podrían capturar los efectos de las mutaciones en la estructura del canal, la actividad y la excitabilidad neuronal. Además, la simulación de la actividad epileptógena del receptor γ2-GABAA en el modelo de neurona piramidal del hipocampo permite la replicación del fenotipo celular in vitro asociado con la canalopatía del receptor GABAA y la demostración de respuestas alteradas de una sola neurona en el centro de la disfunción de la red.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Predicción in silico de variantes patógenas

  1. Recopilación de datos de variantes
    1. Utilizando la base de datos ClinVar29, busque variantes de significado incierto (VUS) en la región codificante del gen de interés a través del sitio web: https://www.ncbi.nlm.nih.gov/clinvar/. Introduzca el símbolo del gen (por ejemplo, GABRG2) en la barra de búsqueda y filtre los resultados para incluir solo los tipos de variantes deseados, como las variantes de un solo nucleótido y de cambio de sentido con significado incierto. Descargue y guarde los datos como data.xlxs (Archivo complementario 4: Tabla complementaria S1). Registre la fecha de los datos descargados.
      NOTA: En el presente protocolo, se analizará la subunidad γ2 humana del receptor GABAA , concretamente la subunidad gamma-aminobutírica del receptor gamma-aminobutírico tipo A del Homo sapiens gamma2 (GABRG2), variante de transcripción 1, ARNm (NCBI Ref. seq.: NM_198904.4), también conocida como γ2L. Es importante registrar la transcripción de referencia del gen de interés, así como otros identificadores correspondientes en diferentes bases de datos (UniProt, ENSEMBL, PDB) ya que diferentes métodos computacionales pueden requerir diferentes identificadores (Archivo Suplementario 4: Tabla Suplementaria S2). En caso de que la base de datos o la herramienta computacional no reconozca los números de versión de los identificadores de secuencia, pruebe con el ID con el número de versión (NM_198904.4) y sin el número de versión (NM_198904).
    2. Información básica de la proteína de referencia
      1. En la base de datos del NCBI https://www.ncbi.nlm.nih.gov/, seleccione Nucleótido en las opciones de búsqueda e introduzca el ID de la secuencia de referencia del NCBI del gen de interés (NM_198904.4). Luego, desplazándose hacia abajo en la columna de la derecha, haga clic en la proteína en la categoría Información relacionada para encontrar la proteína (NP_944494.1) codificada por la transcripción NM_198904.4. Utilizando la información proporcionada para la proteína NP_944494.1, registre las posiciones de secuencia de las regiones específicas en forma de tabla (Archivo Suplementario 4: Tabla Suplementaria S3).
        NOTA: Es importante determinar la información preliminar conocida para la posición de la secuencia de regiones, motivos o residuos funcional y estructuralmente críticos, como dominios de proteínas, sitios de fosforilación, sitios de unión de ligandos e interfaces de interacción molecular. Esto se puede lograr combinando bases de datos (NCBI, ENSEMBL, UniProt...) y búsquedas bibliográficas.
  2. Organización de datos de variantes
    1. Organice los datos para cumplir con los requisitos de entrada para los predictores elegidos. Asegúrese de que el formato de los datos recuperados esté organizado para que coincida con los requisitos del servidor dbNSFP http://database.liulab.science/dbNSFP. Para ello, elimine las columnas innecesarias del archivo data.xlsx (Archivo complementario 4: Tabla complementaria S1 del paso 1.1.1), manteniendo solo las siguientes columnas en el orden especificado:
      "Cromosoma GRCh38", "Ubicación GRCh38", "Nombre", "Cambio de proteína".
    2. Guarde el archivo con un nuevo nombre: "data1.xlsx" (Tabla complementaria S4). Formatee el archivo data1.xlsx en R ejecutando el código (Archivo complementario 1: Data_GABAA. R), que guardará los datos formateados como data1_output.xlsx (Archivo complementario 4: Tabla suplementaria S5) en el directorio de trabajo relevante para el proyecto R.
      NOTA: Los diferentes métodos de cálculo requieren diferentes tipos y formatos de datos. La recopilación y organización de datos de acuerdo con requisitos de formato específicos, incluso para una docena de variantes, puede ser propensa a errores y llevar mucho tiempo, por lo que este paso es importante a menos que el grupo de variantes esté compuesto por solo unas pocas variantes. Entonces, puede ser posible la organización manual de los datos.
  3. Predicción de patogenicidad
    1. Transfiera el contenido del archivo data1_output.xlsx a la versión académica del servidor dbNSFP30,31 al que se accede a través de http://database.liulab.science/dbNSFP. Para ello, copie/pegue o cargue directamente el archivo en .txt formato.
    2. Asegúrese de que las siguientes opciones estén preseleccionadas y confirmadas en el servidor: HG38 (compilación del genoma), ClinPred32 y BayesDEL33 antes del envío. En unos minutos, el servidor generará los resultados.
      NOTA: En el presente protocolo, se seleccionaron dos predictores de conjunto, a saber, BayesDEL33 y ClinPred32, por su alta precisión34 y practicidad. Sin embargo, también se pueden seleccionar otros predictores, como AlphaMissense, que está disponible en la base de datos dbNSFP30,31. La selección de herramientas in silico depende de varios factores, incluida la generación de suficientes líneas múltiples de evidencia computacional para una predicción poderosa12. Los predictores de conjuntos que integran el análisis de múltiples algoritmos predictivos pueden servir para este propósito.
    3. Descargue el archivo de salida (un formato .txt) y guárdelo como data2.xlsx (Archivo complementario 4: Tabla suplementaria S6).
    4. Establezca los filtros en data2.xlsx (Archivo complementario 4: Tabla complementaria S6) haciendo clic en la opción de filtro en el menú y determine las variantes de consenso en ambas columnas filtrando por D. Esto dará la lista de las variantes más patógenas; guárdelo (consulte la pestaña Consenso en la Tabla complementaria S6 [ Archivo complementario 4]).
  4. Selección de variantes
    1. Entre las predicciones patogénicas consensuadas, determinar las variantes en la proximidad de mutaciones epileptogénicas obtenidas de la literatura. Asegurar que estos últimos tengan parámetros estructurales y biofísicos adecuados para el modelado de neuronas.
      NOTA: Este paso es exploratorio y también está relacionado con el estudio de la proteína de interés en términos de sus parámetros estructurales, fisicoquímicos y biofísicos. En el presente estudio, estos datos se obtuvieron de Brünger et al.35 y Guo et al.36, además de un estudio de mutaciones asociadas a la epilepsia. Además, como opción, se accedió a las puntuaciones de AlphaMissense37 desde la base de datos dbNSFP 30,31 repitiendo el paso 1.3 (Archivo Suplementario 4: Tabla Suplementaria S7). Se dan más detalles en las secciones 2.1.1 y 2.1.2 del protocolo y en los Resultados (ver "Variantes de agrupamiento para parámetros estructurales y biofísicos").
    2. Para una visualización básica, utilice los servidores Protter38 ((https://wlab.ethz.ch/protter/start/) y HOPE39 (https://www3.cmbi.umcn.nl/hope/) para examinar las variantes del paso anterior en el contexto de mutaciones genéticas GABRG2 seleccionadas: P302L40 y K328M (o K289M41, cuando se excluye el péptido señal de 39 residuos).
      NOTA: Debido a la enorme complejidad, la evaluación estructural de los efectos de las variantes debe realizarse en múltiples niveles de análisis. Herramientas como Protter38 permitirán la visualización clara de las variantes en el contexto de las características topológicas de la proteína, y los servidores fáciles de usar, como HOPE39 , proporcionarán información sobre el efecto de las variantes mediante el modelado molecular. Además, una revisión exhaustiva de la literatura sobre la proteína de interés es fundamental para identificar e integrar la información sobre las mutaciones asociadas con la epilepsia.
    3. Análisis de la conservación evolutiva y conocimientos estructurales
      1. Open Jalview 42,43,44, un programa de código abierto para la edición, visualización y análisis de proteínas.
      2. Importar secuencias para la alineación. Haga clic en Archivo en el menú superior | Secuencias de recuperación; seleccione la base de datos en el cuadro de diálogo (como UniProt); haga clic en la pestaña Recuperar ID; y como se describe en el cuadro de diálogo, introduzca los ID de accesión UniProt del gen de interés (GABRG2) de especies humanas y otras especies de vertebrados: P18507, P22723, Q6PW52, A0A2I3TKX0, F1RR72, A0A8I3MDZ2, A0A8M1P4D6. Haga clic en Aceptar.
        NOTA: Los números de accesión UniProt de las proteínas codificadas por GABRG2 son los siguientes: P18507 (P18507-2) para Homo sapiens, P22723 para Mus musculus, A0A2I3TKX0 para Pan troglodytes, F1RR72 para Sus scrofa, A0A8I3MDZ2 para Canis familiaris y A0A8M1P4D6 para Danio rerio.
      3. Dependiendo del gen de interés, es posible que algunas secuencias no estén anotadas; por lo tanto, realice una búsqueda BLAST para identificar información relevante y posibles homólogos para una mejor comprensión contextual. En este caso, cargue el formato FASTA de las secuencias de proteínas a través de la opción de texto Agregar secuencias/Desde en el menú Archivo para producir múltiples alineaciones de secuencia de las secuencias deseadas.
      4. Una vez cargada la alineación, observe las secuencias que se muestran para la comparación de secuencias múltiples. Cada fila representa una secuencia y cada columna representa una posición en la alineación. Para determinar el mejor método de alineación, utilice diferentes enfoques; por ejemplo, haga clic en los servicios web en el menú Secuencia y seleccione la opción Ejecutar T-Coffee con preajuste , que permite una alineación óptima.
      5. Haga clic con el botón derecho del ratón en la secuencia P18507 Homo sapiens (la secuencia de referencia en el presente estudio) y establézcala como secuencia de referencia. Elija Formato en el menú superior y haga clic en Ajustar para la visualización de la alineación completa en la pantalla. En el mismo menú Formato, haga clic en la escala de arriba para mejorar la visualización de números de residuos específicos. Para mejorar aún más la visualización, ajuste los esquemas de color yendo a Color y seleccionando diferentes opciones (por ejemplo, Color de Clustal, Propiedad química); Modifique el tamaño de la fuente si es necesario.
      6. Haga clic en Calcular en la barra de menú y seleccione Calcular automáticamente el consenso para resaltar las regiones conservadas.
      7. Concéntrese en la posición de las variantes de interés identificadas en el paso de predicción in silico y examine las posiciones específicas de las variantes. Anote residuos específicos haciendo clic con el botón derecho del ratón sobre ellos y seleccionando Agregar anotación. Escriba la etiqueta (por ejemplo, ID de variante) con el código de color apropiado y guárdelo.
        NOTA: En el presente análisis, se seleccionaron P302L (morado) y A303T (rojo) para visualizarlos en la alineación de secuencia múltiple junto con los datos estructurales (ver la siguiente sección).
    4. Reconstrucción tridimensional de la proteína completa mostrando los residuos conservados seleccionados
      1. En el archivo obtenido del paso anterior, haga clic con el botón derecho del ratón en la secuencia de referencia (GABRG2 humano) y seleccione Datos de estructura 3D.
      2. Identifique los datos estructurales apropiados (7QNE, Cadena C)26 en el menú desplegable y seleccione Abrir nueva vista de estructura con Jmol.
        NOTA: Esto permitirá la incorporación de los residuos seleccionados en la alineación de secuencia múltiple a los datos estructurales por Jmol, un visor de código abierto basado en Java para estructuras químicas 3D.

2. Selección de parámetros y modelización biofísica

  1. Metanálisis específico de variantes y normalización de parámetros
    1. Examine la literatura actual para recopilar variantes de subunidades identificadas con conductancia de canal de datos electrofisiológicos (gGABAA), tiempo de desactivación (τdesactivación), tiempo de aumento (τaumento) y amplitud máxima de corriente (Imáx.). Proporcione las composiciones de subunidades, el tipo de celda y las medidas de tipo salvaje para cada caso. Etiquete las variantes y sus controles en consecuencia (p. ej., conocido para las variantes con características biofísicas identificadas y control conocido para las mediciones de tipo salvaje para cada variante).
    2. Obtenga puntuaciones de patogenicidad de AlphaMissense para variantes con características biofísicas identificadas.
      NOTA: Consulte la sección 1.3 del protocolo para obtener más detalles.
    3. Cree un marco de datos con la subunidad y la posición de los aminoácidos para cada variante, los aminoácidos originales y alterados, la puntuación de patogenicidad y los parámetros biofísicos obtenidos de la literatura. Para evitar discrepancias experimentales, normalice los parámetros biofísicos de las variantes identificadas como cambios de x-fold en las mediciones de tipo salvaje.
  2. Análisis comparativo de variantes por características estructurales y funcionales
    1. Organizar las variantes predichas en un marco de datos; (p. ej., predicho para variantes sin literatura disponible sobre sus características biofísicas).
    2. Clasificar las variantes por su ubicación en la secuencia de aminoácidos y la estructura terciaria. Agregue parámetros de clasificación estructural (por ejemplo, localización en hélices alfa, bobinas, láminas beta, dominios extracelulares, intracelulares o transmembrana, revestimiento de poros, unión de agonistas, interacciones proteína-proteína) en el marco de datos y proporcione información para cada variante con respecto a su posición de aminoácidos.
    3. Clasifique las variantes por su distancia al centro de la membrana y al eje de poro. Agregue la distancia al eje de poro y la distancia al centro de la membrana en los parámetros del marco de datos.
    4. Analizar la correlación entre los parámetros estructurales y biofísicos sobre las variantes conocidas. Si es posible, evalúe las variantes predichas con respecto a las correlaciones obtenidas.
  3. Construcción de modelos de sinapsis y neuronas
    1. Utilice Brian245, un simulador neuronal de código abierto desarrollado en Python para modelar y simular redes neuronales de picos, para construir un modelo biofísico multicompartimental de sinapsis GABAérgica en una neurona piramidal del hipocampo basada en conductancia multicompartimental.
    2. Diseñe el modelo basado en conductancia definiendo la cinética de activación de canales iónicos, los parámetros pasivos y activos y las conductancias postsinápticas. Defina el modelo basado en conductancia como se indica en el Archivo Suplementario 2, que describe las ecuaciones utilizadas en el modelo.
      1. Establezca la capacitancia de la membrana (Cm) en 1 μF/cm2 y la resistencia intracelular (Ra) en 200 Ω.cm.
      2. Utilice las conductancias de tipo Hodgkin-Huxley modificadas para las neuronas piramidales del hipocampo39 con gL= 0,0003 S/cm2, gK= 0,036 S/cm2, EL = -76,5 mV, ENa = 50 mV y EK = -90 mV.
      3. Ajuste la distribución de la densidad de los canales NaV sobre gNa como 0,05 S/cm2 para el soma, 0,5 S/cm2 para el segmento inicial del axón (AIS) y el nodo de Ranvier (NR), y 0,005 S/cm2 para las dendritas. Establezca gK y gNa como 0 en segmentos mielinizados.
      4. Construya la cinética de compuerta del canal iónico para NaV y KV como se describe en el Archivo Suplementario 2.
      5. Introducir las corrientes sinápticas (Isyn) como la suma de todas las sinapsis glutamatérgicas y GABAérgicas en un compartimento. Incluya tanto la corriente mediada por el receptor AMPA RÁPIDO (IAMPA) como la corriente mediada por el receptor NMDA lento (INMDA) en la corriente glutamatérgica (Iglu). Incluya solo la corriente mediada por el receptor GABAA rápido en la corriente GABAérgica (IGABA). Supongamos que se libera una cantidad constante de glutamato a la sinapsis por cada pico presináptico; por lo tanto, la activación de los receptores depende del tiempo de pico (sAMPA ys NMDA) y las conductancias totales de los receptores (gAMPA y gNMDA) reflejan la cantidad de glutamato que se libera en cada evento.
      6. Utilice el modelo sináptico como se describe en el Archivo Suplementario 2.
        NOTA: Para una explicación detallada de las ecuaciones, consulte el Archivo Suplementario 2 que describe las ecuaciones utilizadas en el modelo.
    3. Obtener el diámetro medido experimentalmente para el soma y las neuritas y la longitud de cada compartimento de neurita y los patrones de ramificación de la literatura previa46,47. Reduzca la morfología real de la neurona a un modelo multicompartimental, dividiendo la célula en múltiples compartimentos, que conserva con precisión la estructura de ramificación principal y mantiene la simetría bilateral.
    4. Establezca la morfología (longitud y diámetro del segmento; es decir, d_soma: 30 μm; l_AH: 5 μm; d_AH_i: 1,5 μm; d_AH_f: 1,3 μm; l_AIS: 40 μm; d_axon: 1 μm; l_myseg: 100 μm; l_NR: 2 μm; l_AxTer: 4 μm; d_AxTer: 2 μm; l_approx: 100 μm; l_apmed: 100 μm; l_apdis: 200 μm; d_approx_i: 4 μm; d_approx_f: 3 μm; d_apmed : 2 μm; d_apdis: 2 μm; l_apLM: 70 μm; d_apLM: 2 μm; l_nAcDbasal: 400 μm; d_nAcDbasal: 1,4 μm; l_nAcDbasal_stem: 20 μm; d_nAcDbasal_stem: 1,5 μm) y los parámetros biofísicos (como se indica en la sección 2.3.2) para cada compartimento del modelo de neurona piramidal46,47 como también se detalla en el script de Python (Archivo suplementario 3: GABAAvar.py).
    5. Determine los parámetros biofísicos para el modelo de sinapsis GABAérgica mediante la evaluación de las mediciones de control de tipo salvaje obtenidas en el paso 2.1.1.
  4. Diseñar la topología del modelo neuronal y asignar parámetros morfológicos y biofísicos, lo que incluye especificar la disposición espacial y las interconexiones de los compartimentos, en base a la información morfológica y de ramificación obtenida previamente. Asigne los parámetros morfológicos (por ejemplo, longitud y diámetro del segmento) y biofísicos apropiados (Sección 2.3.2) a cada compartimento del modelo, como se describe en el Archivo Suplementario 3: GABAAvar.py.
  5. Construcción de sinapsis e inyección de corriente
    1. Cree la actividad presináptica usando SpikeGeneratorGroup (una clase de la biblioteca Brian2) como se indica en "GABAAvar.py" (Archivo complementario 3). Conecte el generador de picos al compartimento objetivo de la neurona modelo mediante la clase Synapses para modelar las conexiones sinápticas.
    2. Establezca una corriente constante sostenida (Iinj) en 0,85 nA y colóquela en el soma para imitar la actividad del subumbral impulsada por la carga de corriente iónica de referencia en un momento dado, como se describe en el Archivo complementario 3: GABAAvar.py.
  6. Para crear monitores de grabación, registre las trazas de voltaje de los compartimentos de destino mediante StateMonitor.
  7. Construya y ejecute la red.
    1. Construya la red con la neurona modelo, las conexiones y los monitores mediante Red.
    2. Establezca el paso de tiempo de la simulación por defaultclock.dt (por ejemplo, 0,01 ms).
    3. Ejecute la simulación en la red con network.run(T*ms), donde T se establece como 1.000 ms en el ejemplo.
  8. Probando el impacto de las mutaciones de cambio de sentido del receptor GABAA
    1. Defina el impacto de cada mutación de cambio de sentido en la cinética del canal a través de los parámetros biofísicos recopilados en el paso 2.1.1.
    2. Ejecute la estimulación alterando estos parámetros y trace los resultados usando "matplotlib.pyplot" como se indica en "GABAAvar.py" (Archivo Suplementario 3).
  9. Pruebe combinaciones de parámetros para analizar los cambios en los patrones y velocidades de disparo. Trazar los resultados para las comparaciones.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudio utiliza un enfoque multiescala para predecir y caracterizar las variantes patogénicas en la subunidad γ2 del receptor GABAA , un componente clave en la fisiopatología de la epilepsia. Mediante el uso de modelos predictivos, modelos moleculares, conservación evolutiva, examen estructural, análisis de correlación y simulaciones neuronales, este enfoque mejora la clasificación de variantes, con una relevancia significativa para la investigación de la epilepsia y, posi...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Mediante la aplicación de una combinación de genética computacional, modelado molecular y simulaciones neuronales, el enfoque presentado en este documento tiene el potencial de mejorar la clasificación de las variantes del receptor GABAA, ofreciendo información valiosa tanto para la investigación de la epilepsia como para las aplicaciones clínicas. Se presenta un análisis exhaustivo para la identificación y priorización de las mutaciones patógenas predichas y se amplía en un m...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Todos los autores declaran que no tienen conflictos de intereses relacionados con este trabajo.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Agradecemos a Çağla Koca por su ayuda en la construcción de la neurona modelo.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Brian2 Universidad de la Sorbona, INSERM, CNRS, Institut de la Vision, Francia; Imperial College London, Reino Unido2.8.0.4Stimberg et al., 2019 (https://pypi.org/project/Brian2/ )
Servidor dbNSFP   Genos Bioinformatics LLC, EE. UU.v3.0Liu et al., 2020 (http://database.liulab.science/dbNSFP) (https://sites.google.com/site/jpopgen/dbNSFP)
ESPERANZA   Centro de Informática Molecular y Biomolecular CMBI, Universidad de Radboud, Países Bajos 1.1.1Venselaar et al., 2010 (https://www3.cmbi.umcn.nl/hope/)
Jalview   Universidad de Dundee, Reino UnidoJV2Waterhouse et al., 2009 (https://www.jalview.org/)
Jupyter NotebookProyecto Jupyter, Estados Unidoshttps://jupyter.org/install 
FitónFundación de Software Python, EE. UU.3.13https://www.python.org/downloads/
Protter  ETH Zúrich, SuizaVersión 1.0Omasits, et al., 2014 (https://wlab.ethz.ch/protter/start/)
R La Fundación R para la Computación Estadística, EE. UU.R versión 4.3.2   https://www.r-project.org/ 
RStudioSoftware Posit, PBC, EE. UU.Lanzamiento de RStudio 2023.12.1+402 "Ocean Storm"https://posit.co/downloads/

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Claussnitzer, M., et al. A brief history of human disease genetics. Nature. 577 (7789), 179-189 (2020).
  2. Savatt, J. M., Myers, S. M. Genetic testing in neurodevelopmental disorders. Front Pediatr. 9, 526779(2021).
  3. Hoischen, A., Krumm, N., Eichler, E. Prioritization of neurodevelopmental disease genes by discovery of new mutations. Nat Neurosci. 17, 764-772 (2014).
  4. Holmes, G., Ben-Ari, Y. The neurobiology and consequences of epilepsy in the developing brain. Pediatr Res. 49, 320-325 (2001).
  5. Rivera, C., Voipio, J., Kaila, K. Developmental switches in GABAergic signalling: the K+-Cl- cotransporter KCC2 and carbonic anhydrase CAVII. J Physiol. 562, 27-36 (2005).
  6. Goetz, T., et al. GABA(A) receptors: structure and function in the basal ganglia. Prog Brain Res. 160, 21-41 (2007).
  7. Guerrini, R., et al. Monogenic epilepsies: disease mechanisms, clinical phenotypes, and targeted therapies. Neurology. 97 (17), 817-831 (2021).
  8. Matricardi, S., et al. Current advances in childhood absence epilepsy. Pediatr Neurol. 50 (3), 205-212 (2014).
  9. Sands, T. T., Choi, H. Genetic testing in pediatric epilepsy. Curr Neurol Neurosci Rep. 17 (5), 45(2017).
  10. Møller, R. S., et al. The contribution of next generation sequencing to epilepsy genetics. Expert Rev Mol Diagn. 15 (12), 1531-1538 (2015).
  11. Møller, R. S., et al. From next-generation sequencing to targeted treatment of non-acquired epilepsies. Expert Rev Mol Diagn. 19 (3), 217-228 (2019).
  12. Richards, S., et al. Standards and guidelines for the interpretation of sequence variants: a joint consensus recommendation of the American College of Medical Genetics and Genomics and the Association for Molecular Pathology. Genet Med. 17 (5), 405-424 (2015).
  13. Rehm, H. L., et al. The landscape of reported VUS in multi-gene panel and genomic testing: time for a change. Genet Med. 25 (12), 100947(2023).
  14. Katsonis, P., et al. Genome interpretation using in silico predictors of variant impact. Hum Genet. 141 (10), 1549-1577 (2022).
  15. Arslan, A. Pathogenic variants of human GABRA1 gene associated with epilepsy: a computational approach. Heliyon. 9 (9), e20218(2023).
  16. Abdullah, N. K., Arslan, A. Integrated bioinformatic approach for precision medicine: prediction of human GABRG2 gene pathogenic variants, characterized with cellular pathology and epilepsy phenotype severity. SDU J Nat Appl Sci. 28 (33), 300-315 (2024).
  17. Arslan, A. Algorithmic assessment reveals functional implications of GABRD gene variants linked to idiopathic generalized epilepsy. Int J Neurosci. 135 (5), 533-543 (2025).
  18. Kang, J. Q., Macdonald, R. L. Molecular pathogenic basis for GABRG2 mutations associated with a spectrum of epilepsy syndromes, from generalized absence epilepsy to Dravet syndrome. JAMA Neurol. 73 (8), 1009-1016 (2016).
  19. Komulainen-Ebrahim, J., et al. Novel variants and phenotypes widen the phenotypic spectrum of GABRG2-related disorders. Seizure. 69, 99-104 (2019).
  20. Lorenz-Guertin, J. M., et al. γ2 GABA(A)R trafficking and the consequences of human genetic variation. Front Cell Neurosci. 12, 265(2018).
  21. Korpi, E. R., Gründer, G., Luddens, H. Drug interactions at GABA(A) receptors. Prog Neurobiol. 67 (2), 113-159 (2002).
  22. Rudolph, U., Möhler, H. GABA-based therapeutic approaches: GABAA receptor subtype functions. Curr Opin Pharmacol. 6, 18-23 (2006).
  23. Whiting, P. J. GABAA receptors: a viable target for novel anxiolytics. Curr Opin Pharmacol. 6, 24-29 (2006).
  24. Arslan, A. Extrasynaptic δ-subunit containing GABAA receptors. J Integr Neurosci. 20 (1), 173-184 (2021).
  25. Arslan, A. Distinct roles of gamma-aminobutyric acid type A receptor subtypes: a focus on phasic and tonic inhibition. J Neurobehav Sci. 2, 72-76 (2015).
  26. Sente, A., et al. Differential assembly diversifies GABAA receptor structures and signalling. Nature. 604 (7904), 190-194 (2022).
  27. Masiulis, S., et al. GABAA receptor signalling mechanisms revealed by structural pharmacology. Nature. 565 (7740), 454-459 (2019).
  28. Hernandez, C. C., Macdonald, R. L. A structural look at GABAA receptor mutations linked to epilepsy syndromes. Brain Res. 1714, 234-247 (2019).
  29. Landrum, M. J., et al. ClinVar: improving access to variant interpretations and supporting evidence. Nucleic Acids Res. 46 (D1), 1062-1067 (2018).
  30. Liu, X., Jian, X., Boerwinkle, E. dbNSFP: a lightweight database of human non-synonymous SNPs and their functional predictions. Hum Mutat. 32 (8), 894-899 (2011).
  31. Liu, X., et al. dbNSFP v4: a comprehensive database of transcript-specific functional predictions and annotations for human nonsynonymous and splice-site SNVs. Genome Med. 12 (1), 103(2020).
  32. Alirezaie, N., et al. ClinPred: prediction tool to identify disease-relevant nonsynonymous single-nucleotide variants. Am J Hum Genet. 103 (4), 474-483 (2018).
  33. Feng, B. J. PERCH: a unified framework for disease gene prioritization. Hum Mutat. 38 (3), 243-251 (2017).
  34. Tian, Y., et al. REVEL and BayesDel outperform other in silico meta-predictors for clinical variant classification. Sci Rep. 9 (1), 2204(2019).
  35. Brünger, T., et al. Conserved patterns across ion channels correlate with variant pathogenicity and clinical phenotypes. Brain. 146 (3), 923-934 (2023).
  36. Guo, F., et al. Identifying protein-protein interface via a novel multi-scale local sequence and structural representation. BMC Bioinformatics. 20 (Suppl 15), 483(2019).
  37. Cheng, J., et al. Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science. 381 (6664), eadg7492(2023).
  38. Omasits, U., et al. Protter: interactive protein feature visualization and integration with experimental proteomic data. Bioinformatics. 30 (6), 884-886 (2014).
  39. Venselaar, H., et al. Protein structure analysis of mutations causing inheritable diseases: an e-Science approach with life scientist friendly interfaces. BMC Bioinformatics. 11 (548), 548(2010).
  40. Hernandez, C. C., et al. Altered channel conductance states and gating of GABAA receptors by a pore mutation linked to Dravet syndrome. eNeuro. 4 (1), (2017).
  41. Baulac, S., Huberfeld, G., Gourfinkel-An, I. First genetic evidence of GABA(A) receptor dysfunction in epilepsy: a mutation in the γ2-subunit gene. Nat Genet. 28 (1), 46-48 (2001).
  42. Waterhouse, A. M., et al. Jalview version 2-a multiple sequence alignment editor and analysis workbench. Bioinformatics. 25 (9), 1189-1191 (2009).
  43. Troshin, P. V., et al. Java bioinformatics analysis web services for multiple sequence alignment-JABAWS:MSA. Bioinformatics. 27 (14), 2001-2002 (2011).
  44. Troshin, P. V., et al. JABAWS 2.2 distributed web services for bioinformatics: protein disorder, conservation and RNA secondary structure. Bioinformatics. 34 (11), 1939-1940 (2018).
  45. Stimberg, M., Brette, R., Goodman, D. F. M. Brian 2, an intuitive and efficient neural simulator. eLife. 8, e47314(2019).
  46. Traub, R. D., et al. A model of a CA3 hippocampal pyramidal neuron incorporating voltage-clamp data on intrinsic conductances. J Neurophysiol. 66 (2), 635-650 (1991).
  47. Hodapp, A., et al. Dendritic axon origin enables information gating by perisomatic inhibition in pyramidal neurons. Science. 377 (6613), 1448-1452 (2022).
  48. Abdulzahir, A., et al. Changes in memory, sedation, and receptor kinetics imparted by the β2-N265M and β3-N265M GABAA receptor point mutations. Int J Mol Sci. 24 (6), 5637(2023).
  49. Fisher, J. L. A mutation in the GABAA receptor alpha1 subunit linked to human epilepsy affects channel gating properties. Neuropharmacology. 46 (5), 629-637 (2004).
  50. Gallagher, M. J., et al. The juvenile myoclonic epilepsy GABAA receptor alpha1 subunit mutation A322D produces asymmetrical, subunit position-dependent reduction of heterozygous receptor currents and α1 subunit protein expression. J Neurosci. 24 (24), 5570-5578 (2004).
  51. Hernandez, C. C., et al. Dravet syndrome-associated mutations in GABRA1, GABRB2 and GABRG2 define the genetic landscape of defects of GABAA receptors. Brain Commun. 3 (2), fcab033(2021).
  52. Lin, S. X. N., et al. Correlations of receptor desensitization of gain-of-function GABRB3 variants with clinical severity. Brain. 147 (1), 224-239 (2024).
  53. Krampfl, K., et al. Molecular analysis of the A322D mutation in the GABA receptor α-subunit causing juvenile myoclonic epilepsy. Eur J Neurosci. 22 (1), 10-20 (2005).
  54. Shen, D., et al. De novo GABRG2 mutations associated with epileptic encephalopathies. Brain. 140 (1), 49-67 (2017).
  55. Janve, V. S., et al. Epileptic encephalopathy de novo GABRB mutations impair γ-aminobutyric acid type A receptor function. Ann Neurol. 79 (5), 806-825 (2016).
  56. Scheller, M., Forman, S. A. Coupled and uncoupled gating and desensitization effects by pore domain mutations in GABAA receptors. J Neurosci. 22 (19), 8411-8421 (2002).
  57. Hernandez, C. C., et al. GABAA receptor coupling junction and pore GABRB3 mutations are linked to early-onset epileptic encephalopathy. Sci Rep. 7 (1), 15903(2017).
  58. Homanics, G. E., et al. A gain-of-function mutation in the GABA receptor produces synaptic and behavioral abnormalities in the mouse. Genes Brain Behav. 4 (1), 10-19 (2005).
  59. Jatczak-Śliwa, M., et al. GABAA receptor β2E155 residue located at the agonist-binding site is involved in the receptor gating. Front Cell Neurosci. 14 (2), 2(2020).
  60. Đurišić, N., et al. SAHA (vorinostat) corrects inhibitory synaptic deficits caused by missense epilepsy mutations to the GABAA receptor γ2 subunit. Front Mol Neurosci. 11, 89(2018).
  61. Bai, Y. F., et al. Pathophysiology of and therapeutic options for a GABRA1 variant linked to epileptic encephalopathy. Mol Brain. 12 (1), 92(2019).
  62. Macdonald, R. L., et al. Mutations linked to generalized epilepsy in humans reduce GABA(A) receptor current. Exp Neurol. 184 (Suppl 1), S58-S67 (2003).
  63. Buhr, A., et al. Functional characterization of the new human GABA(A) receptor mutation β3(R192H). Hum Genet. 111 (2), 154-160 (2002).
  64. Jumper, J. Highly accurate protein structure prediction with AlphaFold. Nature. 596 (7873), 583-589 (2021).
  65. Sperk, G., et al. GABA(A) receptor subunits in the rat hippocampus I: immunocytochemical distribution of 13 subunits. Neuroscience. 80 (4), 987-1000 (1997).
  66. Connor, J. X., et al. A GABAA receptor α1 subunit tagged with green fluorescent protein requires a β subunit for functional surface expression. J Biol Chem. 273 (44), 28906-28911 (1998).
  67. Kittler, J. T., et al. Analysis of GABAA receptor assembly in mammalian cell lines and hippocampal neurons using γ2 subunit green fluorescent protein chimeras. Mol Cell Neurosci. 16 (4), 440-452 (2000).
  68. Oflaz, F. E., Son, ÇD., Arslan, A. Oligomerization and cell surface expression of recombinant GABAA receptors tagged in the δ subunit. J Integr Neurosci. 18 (4), 341-350 (2019).
  69. Arslan, A., et al. Cytoplasmic domain of δ subunit is important for the extra-synaptic targeting of GABAA receptor subtypes. J Integr Neurosci. 13, 617-631 (2014).
  70. Lombardi, J. P., et al. Visualizing GABAA receptor trafficking dynamics with fluorogenic protein labeling. Curr Protoc Neurosci. 92 (1), 97(2020).
  71. Gadhia, A., et al. Functional analysis of epilepsy-associated GABAA receptor mutations using Caenorhabditis elegans. Epilepsia Open. 9 (4), 1458-1466 (2024).
  72. Ritter, D. M., et al. In silico predictions of KCNQ variant pathogenicity in epilepsy. Pediatr Neurol. 118, 48-54 (2021).
  73. Holland, K. D., et al. Comparison and optimization of in silico algorithms for predicting the pathogenicity of sodium channel variants in epilepsy. Epilepsia. 58 (7), 1190-1198 (2017).
  74. Leong, I. U., et al. Assessment of the predictive accuracy of five in silico prediction tools, alone or in combination, and two metaservers to classify long QT syndrome gene mutations. BMC Med Genet. 16, 34(2015).
  75. Tang, B. Optimization of in silico tools for predicting genetic variants: individualizing for genes with molecular sub-regional stratification. Brief Bioinform. 21 (5), 1776-1786 (2020).
  76. Dong, C., et al. Comparison and integration of deleteriousness prediction methods for nonsynonymous SNVs in whole exome sequencing studies. Hum Mol Genet. 24 (8), 2125-2137 (2015).
  77. Kircher, M., et al. A general framework for estimating the relative pathogenicity of human genetic variants. Nat Genet. 46 (3), 310-315 (2014).
  78. Anderson, D., Lassmann, T. An expanded phenotype centric benchmark of variant prioritisation tools. Hum Mutat. 43 (5), 539-546 (2022).
  79. Roy, R., Al-Hashimi, H. M. AlphaFold3 takes a step toward decoding molecular behavior and biological computation. Nat Struct Mol Biol. 31, 997-1000 (2024).
  80. Hollingsworth, S. A., Dror, R. O. Molecular dynamics simulation for all. Neuron. 99 (6), 1129-1143 (2018).
  81. Imrie, F., et al. AutoPrognosis 2.0: democratizing diagnostic and prognostic modeling in healthcare with automated machine learning. PLOS Digit Health. 2 (6), e0000276(2023).
  82. Zhu, S., et al. Structure of a human synaptic GABAA receptor. Nature. 559 (7712), 67-72 (2018).
  83. Sun, C., Zhu, H., Clark, S. Cryo-EM structures reveal native GABAA receptor assemblies and pharmacology. Nature. 622, 195-201 (2023).
  84. Scott, S., Aricescu, A. R. A structural perspective on GABAA receptor pharmacology. Curr Opin Struct Biol. 54, 189-197 (2019).
  85. Kim, J. J., et al. Shared structural mechanisms of general anaesthetics and benzodiazepines. Nature. 585 (7824), 303-308 (2020).
  86. Stimberg, M., et al. Equation-oriented specification of neural models for simulations. Front Neuroinform. 8, 6(2014).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

GABAa Receptor VariantsMissense VariantsEpileptogenic MutationsHippocampal Pyramidal NeuronsPathogenic Mutation PredictionMolecular ModelingNeural SimulationEnsemble PredictorsEvolutionary ConservationConductance Based Model

Related Articles