Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Modelowanie danych szybkiego skanowania woltamperometrii cyklicznej na podstawie elektrycznie stymulowanych danych neurotransmisji dopaminy przy użyciu QNsim1.0

9.1K wyświetleń

⸱

DOI:

10.3791/55595

⸱

5 czerwca 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

W tym artykule

Podsumowanie

Szybko-skanująca cykliczna woltamperometria może monitorować in vivo neurotransmisję dopaminy w kontekście leków, chorób i innych eksperymentalnych manipulacji. W niniejszej pracy opisano implementację QNsim1.0, oprogramowania do modelowania elektrycznie stymulowanych odpowiedzi dopaminy zgodnie z ilościowym modelem neurobiologicznym w celu ilościowego oszacowania dynamiki uwalniania i wychwytu zwrotnego dopaminy.

Streszczenie

Centralne szlaki dopaminergiczne (DAergiczne) odgrywają ważną rolę w szerokim zakresie funkcji, takich jak uwaga, motywacja i ruch. Dopamina (DA) jest zaangażowana w choroby i zaburzenia, w tym zespół nadpobudliwości psychoruchowej z deficytem uwagi, chorobę Parkinsona i urazowe uszkodzenie mózgu. Tak więc neuroprzekaźnictwo DA i metody jego badania są przedmiotem intensywnego zainteresowania naukowego. Woltamperometria cykliczna in vivo fast-scan (FSCV) to metoda, która pozwala na selektywne monitorowanie zmian stężenia DA z dokładną rozdzielczością czasową i przestrzenną. Technika ta jest powszechnie stosowana w połączeniu ze stymulacją elektryczną wstępujących szlaków DAergic w celu kontrolowania przepływu impulsów neurotransmisji dopaminy. Chociaż stymulowany paradygmat neurotransmisji DA może wytwarzać silne odpowiedzi DA z wyraźnymi morfologiami, co czyni je podatnymi na analizę kinetyczną, nadal toczy się wiele dyskusji na temat tego, jak interpretować odpowiedzi pod względem ich składowych uwalniania i klirensu. Aby rozwiązać ten problem, opracowano niedawno ilościowe ramy neurobiologiczne (QN) stymulowanego neuroprzekaźnictwa DA, aby realistycznie modelować dynamikę uwalniania i wychwytu zwrotnego DA w trakcie stymulowanej odpowiedzi DA. Podstawy tego modelu opierają się na danych eksperymentalnych z wymuszonej neurotransmisji DA oraz na zasadach neuroprzekaźnictwa przyjętych z różnych kierunków badań. Model QN implementuje 12 parametrów związanych z dynamiką stymulowanego uwalniania i wychwytu zwrotnego DA do modelowania odpowiedzi DA. Praca ta opisuje, jak symulować odpowiedzi DA za pomocą QNsim1.0, a także szczegółowo opisuje zasady, które zostały wdrożone w celu systematycznego dostrzegania zmian w dynamice stymulowanego uwalniania i wychwytu zwrotnego dopaminy.

Wprowadzenie

Przekaźnictwo dopaminergiczne (DA) odgrywa kluczową rolę w różnych funkcjach poznawczych i behawioralnych, a jego dysfunkcja jest powiązana z wieloma powszechnymi chorobami i zaburzeniami. W związku z tym krytyczne jest opracowanie dokładnych metod ilościowego badania przekaźnictwa DA in vivo, aby ocenić, w jaki sposób jest ono zmienione w kontekście modeli chorób i farmakologii leków. Szybka woltametria cykliczna (FSCV) umożliwia monitorowanie przekaźnictwa DA in vivo z wysoką rozdzielczością przestrzenną i czasową. Choć możliwe jest monitorowanie fizjologicznego przekaźnictwa DA u zwierząt budzących się i swobodnie zachowujących, stymulacja elektryczna wstępujących dróg dopaminergicznych u zwierząt znieczulonych może wywołać silne odpowiedzi DA, które pozwalają na pogłębioną analizę kinetyczną przekaźnictwa DA.

Odpowiedzi DA indukowane stymulacją elektryczną odzwierciedlają dynamiczną interakcję między uwalnianiem a wychwytem DA, a interpretacje tych odpowiedzi opierały się głównie na prostym modelu stymulowanej neurotransmisji DA, zwanym modelem Michaelisa-Menten (M-M).12Model M-M składa się z 3 zmiennych opisujących odpowiedzi DA w zależności od stałej szybkości uwalniania DA oraz stałej wydajności wychwytu zwrotnego (t. j. zależność między szybkością wychwytu zwrotnego DA a pozakomórkowymi stężeniami DA), opisaną przez Równanie 1:
Równanie kinetyki enzymatycznej; równanie Michaelisa-Menten; formuła analizy szybkości reakcji.
(uwalnianie DA) (wychwyt zwrotny DA)

W równaniu 1 f oznacza częstotliwość stymulacji; [DA]p to szacowany wzrost stężenia DA na jeden impuls stymulacji; Vmax reprezentuje szacowaną maksymalną szybkość wychwytu; a Km jest szacowaną stałą M-M, która teoretycznie odpowiada pozakomórkowemu stężeniu DA nasycającemu 50% transporterów DAT, co prowadzi do połowy maksymalnej szybkości wychwytu. To równanie różniczkowe można scalkulować, aby symulować eksperymentalne odpowiedzi DA poprzez oszacowanie parametrów [DA]p, Vmax oraz Km.

Chociaż model M-M umożliwił znaczące postępy w rozumieniu kinetyki neurotransmisji DA w różnych kontekstach eksperymentalnych, opiera się on na uproszczonych podstawowych założeniach, które ograniczają jego zastosowanie przy modelowaniu odpowiedzi DA wywołanych stymulacją suprafizjologiczną2,13. Na przykład model M-M może jedynie przybliżać kształty odpowiedzi DA, jeśli rosną one w sposób wypukły, ale nie potrafi on wyjaśnić stopniowych (wklęsłych) odpowiedzi wzrostowych stwierdzanych w obszarach grzbietowych prążkowia12. Zatem założenia modelu M-M nie oddają dokładnie dynamicznych procesów uwalniania i wychwytu zwrotnego podczas stymulowanej neurotransmisji DA.

Aby zamodelować stymulowane odpowiedzi DA zgodnie z realistycznymi ramami ilościowymi, opracowano ilościowy model neurobiologiczny (QN) oparty na zasadach kinetyki stymulowanej neurotransmisji wynikających z uzupełniających badań i eksperymentów2. Różne nurty badań nad neurotransmisją wykazują, że (1) stymulowane uwalnianie neuroprzekaźnika jest procesem dynamicznym, którego tempo spada w czasie trwania stymulacji14, (2) uwalnianie trwa w fazie postymulacyjnej z dwufazową kinetyką zaniku15 oraz (3) wydajność wychwytu zwrotnego DA jest stopniowo hamowana w trakcie trwania samej stymulacji2,16. Te trzy koncepcje stanowią fundament modelu QN oraz trzech równań składających się z 12 parametrów opisujących dynamikę uwalniania i wychwytu zwrotnego DA (Tabela 1). Model QN pozwala na precyzyjną symulację heterogenicznych typów eksperymentalnych odpowiedzi DA, a także przewidywanych efektów eksperymentalnych manipulacji parametrami stymulacji i podawania leków2,6. Chociaż dalsze badania są niezbędne do udoskonalenia podejścia do modelowania danych, przyszłe eksperymenty mogą w znacznym stopniu skorzystać z tego ugruntowanego neurobiologicznie podejścia do modelowania, które znacząco rozszerza wnioski wyciągane z paradygmatu stymulowanej neurotransmisji DA.

Równania dla uwalniania DA, szybkości ponownego wychwytu i definicje parametrów w schemacie symulacji.
Tabela 1: Równania i parametry modelowania. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Niniejszy samouczek opisuje sposób modelowania danych odpowiedzi DA po stymulacji w celu oszacowania kinetyki uwalniania i ponownego wychwytu DA przy użyciu programu QNsim 1.0. Rzeczywiste gromadzenie i przetwarzanie danych eksperymentalnych nie zostało tutaj opisane; wymagane są jedynie temporalne dane o stężeniu DA. Podstawy teoretyczne i fundamenty struktury QN zostały szeroko opisane wcześniej2, natomiast poniżej przedstawiono praktyczne podejście do zastosowania struktury QN w modelowaniu danych odpowiedzi DA.

Model QN odwzorowuje dynamiczne oddziaływanie pomiędzy: 1) dynamicznym uwalnianiem DA, 2) wychwytem zwrotnym DA oraz 3) wpływem stymulacji suprafizjologicznych na te procesy, aby wyodrębnić istotne informacje kinetyczne z danych dotyczących odpowiedzi DA. Model QN najlepiej nadaje się do modelowania danych FSCV pozyskanych przy użyciu silnych stymulacji suprafizjologicznych o długim czasie trwania (np. stymulacje 60 Hz przez 10 s), które generują silne odpowiedzi DA podatne na analizę kinetyczną. Po dokładnym zamodelowaniu podstawowych procesów uwalniania i wychwytu zwrotnego, parametry modelu mogą zostać wykorzystane do symulacji odpowiedzi DA, która powinna odpowiadać kształtem eksperymentalnej odpowiedzi DA.

Równania modelu QN opisują tempo uwalniania i wychwytu DA w czasie stymulowanych odpowiedzi DA. Model QN opisuje tempo stymulowanego uwalniania DA jako funkcję czasu od rozpoczęcia stymulacji (tstim), podczas której tempo uwalniania DA maleje wykładniczo w trakcie stymulacji. Jest to zgodne z wyczerpywaniem się puli łatwo uwalnialnej, z dodatkowym stałym tempem uwalniania DA (DARss) w celu uwzględnienia uzupełniania pęcherzyków, co jest spójne z innymi doniesieniami (Równanie 2)14,17.

Równanie DAR; ΔDAR*e^(-t_stim/ΔDARτ)+DAR_ss, analiza formuły dla badania biochemicznego.

Manipulacje zwiększające tempo uwalniania DA, takie jak zwiększenie ΔDAR, ΔDARτlub DARss, prowadzą do zwiększenia amplitud odpowiedzi na wykresach DA w funkcji czasu. Każdy parametr w różny sposób wpływa na kształt odpowiedzi DA. Zwiększenie DARss i ΔDARτ oba sprawiają, że faza wzrostowa odpowiedzi jest bardziej liniowa (mniej wypukła). Zmniejszenie ΔDARτ sprzyja wypukłości, która jest kontrolowana przez wartość ΔDAR. Na podstawie doświadczeń z modelowania, DARss jest zazwyczaj mniejsze niż 1/5th z ΔDAR; zatem ΔDAR jest parametrem uwalniania, który w głównym stopniu determinuje całkowitą amplitudę odpowiedzi DA.

Szybkość uwalniania DA po stymulacji jest modelowana za pomocą Równania 3 jako kontynuacja stymulowanej szybkości uwalniania DA z momentu zakończenia stymulacji (DARES) w funkcji czasu po stymulacji (tpost). Szybkość uwalniania DA po stymulacji wykazuje dwufazowy wzorzec zaniku, jak opisano wcześniej15, z szybką fazą zaniku wykładniczego i przedłużoną fazą zaniku liniowego, aby wymodelować dwa zależne od wapnia procesy uwalniania neuroprzekaźnika.

Równanie równowagi statycznej, ΣFx=0, wzór do analizy mechanicznej.

(Szybki zanik wykładniczy)                      (Przedłużony zanik liniowy)

Obecnie nie jest możliwe określenie ilości uwalnianej DA po stymulacji. Ograniczenie to można rozwiązać poprzez systematyczną minimalizację szacunków uwalniania DA po stymulacji oraz walidację parametrów modelu na podstawie zestawu eksperymentalnych odpowiedzi DA, zebranych z tego samego miejsca rejestracji przy zastosowaniu różnych czasów trwania stymulacji. Taka minimalizacja pozwala użytkownikom na dokonywanie konserwatywnych szacunków uwalniania i ponownego wychwytu. Ponieważ stymulacje elektryczne prowadzą do akumulacji wapnia, która sprzyja uwalnianiu neuroprzekaźnika po stymulacji, czas trwania stymulacji wpływa na parametry uwalniania neuroprzekaźnika po stymulacji18,19. Na podstawie doświadczeń w modelowaniu stwierdzono, że wraz ze wzrostem czasu trwania stymulacji wartość τR rośnie, a XR maleje, co jest zgodne z przewidywanymi efektami większej akumulacji wapnia20.

Równanie 4 opisuje szybkość wychwytu zwrotnego DA jako rozszerzenie modelu M-M i wprowadza dynamiczny parametr Km, który zwiększa się podczas stymulacji, aby odwzorować stopniowy spadek wydajności wychwytu zwrotnego spowodowany stymulacjami suprafizjologicznymi2,16. Wartość Km po stymulacji pozostaje stała i odpowiada wartości Km osiągniętej pod koniec stymulacji (KmES).

Równanie szybkości wychwytu neuroprzekaźnika; wzór z zmiennymi Vmax i Km(t); koncepcja matematyczna.

gdzie

Równania równowagi statycznej dla modelowania kinetycznego, w tym Km(t_stim), Km_inf na schemacie matematycznym.

(Podczas stymulacji)                                                     (Po stymulacji)

Stymulowane odpowiedzi DA, zwłaszcza w obszarach brzusznych prążkowia, są często niewrażliwe na zmiany początkowej wartości Km (Kmi), co utrudnia zdefiniowanie wartości Kmi. Dlatego, podobnie jak w oryginalnym modelu M-M, Kmi przyjmuje się w przedziale od 0,1 do 0,4 µM dla odpowiedzi DA zarejestrowanych u kontrolnych, nieleczonych zwierząt12. Termin ΔKm określa zakres zmiany wydajności wychwytu podczas stymulacji, który w naszym doświadczeniu wynosi około 20 µM w trakcie 10-sekundowej stymulacji o częstotliwości 60 Hz. Wartości k i Kminf określają, w jaki sposób Km zmienia się w czasie, a zwiększenie któregokolwiek z tych parametrów zwiększa wklęsłość fazy wzrostowej. Vmax to maksymalna szybkość wychwytu, która w części zależy od lokalnej gęstości transporterów DA, wykazującej gradient od strony brzuszzno-przyśrodkowej do grzbietowo-bocznej21. W związku z tym wartości Vmax w grzbietowym prążkowiu (D-Str) są zazwyczaj wyższe niż 30 µM/s, natomiast zazwyczaj niższe niż 30 µM/s w obszarach brzusznych, takich jak jądro półleżące (NAc)6.

Powyższe ogólne wytyczne mogą pomóc w modelowaniu eksperymentalnych danych dotyczących odpowiedzi DA, jednak stworzenie symulacji przybliżającej eksperymentalną odpowiedź DA wymaga iteracyjnej regulacji parametrów modelu. Dokładność parametrów modelu można poprawić poprzez uzyskanie odpowiedzi DA na stymulacje suprafizjologiczne, które zapewniają solidną podstawę do symulacji, a także poprzez uzyskanie i modelowanie wielokrotnych odpowiedzi DA na stymulacje o różnym czasie trwania w tym samym miejscu rejestracji (np. stymulacje 60-Hz o czasie trwania 5 s i 10 s) w celu walidacji dokładności parametrów (patrz: przykładowe dane). W ramach demonstracji do pakietu oprogramowania dołączono zestaw danych zawierający regioselektywne stymulowane odpowiedzi DA zebrane w jądrze półleżącym i grzbiecie prążkowia, przed i po wyzwaniu farmakologicznym, które zostało już zamodelowane przy użyciu struktury QN. W konsekwencji użytkownicy stwierdzą, że tę metodologię można w podobny sposób zastosować do charakterystyki kinetyki neurotransmisji DA w różnych kontekstach chorobowych i manipulacjach farmakologicznych.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

1. Instalacja, przygotowanie danych i uruchomienie QNsim1.0

  1. Pobierz plik „QNsim1.0.zip” (dołączony jako suplement) i rozpakuj go w wybranym katalogu.
  2. Przygotuj dane dotyczące stymulowanej odpowiedzi DA do modelowania w programie komputerowym, organizując arkusz kalkulacyjny, w którym każda kolumna zawiera czasową odpowiedź DA przeliczoną na stężenia µM DA. Zapisz ten plik (.xlsx) w tym samym katalogu, co pliki programu.
    Uwaga: Arkusz kalkulacyjny może zawierać wiele odpowiedzi w ramach pojedynczego eksperymentu lub wiele badań zawierających stałą liczbę odpowiedzi (przykład znajduje się w pliku „Sample.xlsx”).
  3. Uruchom oprogramowanie środowiska programistycznego, przejdź do katalogu „QNSim1.0” w oknie „Current Folder” i otwórz plik o nazwie „Initialization.m”. Kliknij „Run”, aby uruchomić ekran inicjalizacji (Rysunek 1).

Interfejs graficzny konfiguracji ilościowego modelu neurobiologicznego, tworzenie projektu, parametry symulacji, wprowadzanie plików danych.
Rycina 1: Ekran inicjalizacji. Ten ekran umożliwia użytkownikom kontynuowanie istniejącego projektu poprzez wprowadzenie poprzedniego pliku projektu *.mat (po lewej) lub rozpoczęcie nowego projektu na podstawie zapisanych danych ze stymulowanej neurotransmisji DA (po prawej). Dostępne są pola tekstowe do wprowadzenia nazwy pliku *.xlsx zawierającego dane, kilku podstawowych opisów danych oraz nazwy pliku projektu *.mat, który będzie zawierał wszystkie dane powiązane z projektem. Aby wyświetlić powiększoną wersję tej ryciny, kliknij tutaj.

2. Inicjalizacja środowiska symulacji

Uwaga: Ekran inicjalizacji umożliwia użytkownikom rozpoczęcie nowego projektu (krok 2.1) lub kontynuację wcześniej zapisanego projektu (krok 2.2).

  1. Opcja 1: Rozpoczęcie nowego projektu
    1. W sekcji Nowy projekt (New Project) wpisz w polu tekstowym [DA] Data file nazwę pliku arkusza kalkulacyjnego zawierającego dane odpowiedzi DA dla projektu (np. Sample.xlsx).
      Uwaga: Plik musi znajdować się w tym samym folderze co pliki programu.
    2. Przy polu Czas symulacji (Simulation time) wprowadź punkty czasowe odpowiadające rozpoczynięciu i zakończeniu zbierania danych (w sekundach) względem początku stymulacji. Na przykład, jeśli zbieranie danych rozpoczyna się 5 s przed stymulacją i kończy 35 s po niej, jak w pliku Sample.xlsx, wprowadź "-5" oraz "35".
    3. Wprowadź liczbę odpowiedzi w każdym badaniu w odpowiednim polu tekstowym.
    4. Przy polu Odstęp próbkowania (sampling interval) wprowadź odstęp próbkowania danych eksperymentalnych w sekundach.
    5. Przy polu Zapisz jako (.mat) (Save as (.mat)) określ nazwę pliku, w tym typ pliku (.mat), pod którą projekt ma zostać zapisany.
      Uwaga: Jest to plik, do którego będzie uzyskiwany dostęp w celu tworzenia symulacji; cała praca może być zapisywana w tym pliku projektu.
    6. Kliknij Utwórz nowy projekt (Create New Project), aby uruchomić okno Symulatora (Rysunek 2).
  2. Opcja 2: Kontynuacja poprzedniego projektu
    1. W sekcji Kontynuuj poprzedni projekt (Continue Previous Project) okna Inicjalizacji wprowadź nazwę pliku .mat wcześniej rozpoczętego projektu (np. Sample.mat).
      Uwaga: Plik ten musi znajdować się w tym samym folderze co pliki programu komputerowego.
    2. Kliknij Wczytaj istniejący projekt (Load Existing Project), aby uruchomić okno Symulatora (Rysunek 2).

Wykresy symulacji dopaminy; DA w funkcji czasu, komponent post-stymulacyjny; panel wprowadzania parametrów; analiza danych.
Rycina 2: Ekran symulatora. Ekran symulatora umożliwia użytkownikom wybór danych eksperymentalnych w D i dostosowanie parametrów symulacji w E w celu zamodelowania danych eksperymentalnych. Wizualna inspekcja (A, B, i C) może następnie pomóc w doprecyzowaniu parametrów symulacji, tak aby symulacja (niebieskie linie przerywane) modelowała dane eksperymentalne (grube zielone linie). Tutaj (A) zawiera dane stężenia DA w funkcji czasu, eksperymentalne i symulowane. (B) to wykres pomagający w szacowaniu uwalniania DA po stymulacji. (C) to wykres eksperymentalnych i symulowanych pierwszych pochodnych stężenia DA w funkcji czasu z A lub szybkości wywołanego wypływu (EO). Szybkość EO jest teoretycznie równowagą szybkości uwalniania i wychwytu zwrotnego, co zostało naniesione na ten wykres. Aby zobaczyć powiększoną wersję tej ryciny, kliknij tutaj.

3. Korzystanie z okna Symulatora

Uwaga: Ekran symulatora umożliwia wybór danych eksperymentalnych do modelowania (krok 3.1), dostosowanie parametrów w celu symulacji eksperymentalnych danych odpowiedzi DA (krok 3.2), zapisywanie/wczytywanie parametrów modelowania dla każdej odpowiedzi DA (krok 3.3) oraz eksport zapisanych parametrów (krok 3.4).

  1. Wybór eksperymentalnej odpowiedzi DA do symulacji.
    1. Wybierz eksperymentalną odpowiedź DA do symulacji, wpisując numer badania, numer odpowiedzi oraz czas trwania stymulacji w odpowiednich polach tekstowych. Naciśnij klawisz „enter” lub kliknij „simulate”, aby rozpocząć proces symulacji, w wyniku którego zostaną utworzone 3 wykresy zawierające dane eksperymentalne (grube zielone linie), dane symulowane (niebieskie linie przerywane) oraz dane symulowane bez uwzględnienia uwalniania DA po stymulacji (czerwone linie punktowe), zgodnie z Rysunek 2.
  2. Modelowanie eksperymentalnych odpowiedzi DA.
    Uwaga: Celem modelowania jest dostosowanie parametrów modelu dotyczących stymulowanego uwalniania DA (krok 3.2.1), wychwytu zwrotnego DA (krok 3.2.2) oraz uwalniania DA po stymulacji (krok 3.2.3) w celu dokładnego odwzorowania eksperymentalnych odpowiedzi DA. Modelowanie jest procesem iteracyjnym, w którym parametry początkowe są doprecyzowywane do momentu, aż uzyskaną symulowaną odpowiedź DA będzie można przybliżyć do danych eksperymentalnych na wykresie DA w funkcji czasu (Panel A); proces ten może być wspomagany poprzez dopasowanie danych symulowanych do danych uzyskanych eksperymentalnie na wykresie szacowanej składowej po stymulacji (Panel B) oraz wykresie szybkości uwalniania, wychwytu zwrotnego i EO (Panel C).
    1. Dostosuj parametry ΔDAR, ΔDARτ i DARss związane z uwalnianiem DA (Równanie 2) aby dopasować ją do amplitudy stymulacji.
      Uwaga: Parametry te są jedynie wstępnymi szacunkami, które zostaną doprecyzowane, przy czym ΔDARτ=25 oraz wartość DARss wynosząca 1/5th Wartości ΔDAR są satysfakcjonującymi warunkami początkowymi. Zwiększenie któregokolwiek z tych parametrów spowoduje wzrost amplitudy na wykresie DA w funkcji czasu oraz wzrost szybkości uwalniania DA w komponencie szacowanego uwalniania postymulacyjnego oraz na wykresach szybkości uwalniania, wychwytu zwrotnego i EO.
    2. Dostosuj Vmaks., Kmi, ΔKm, Kminforaz parametry k związane z wychwytem zwrotnym DA (równanie 4), tak aby w panelu A symulowane dane przybliżały kształt fazy wzrostowej danych eksperymentalnych (gruba zielona linia), a przebieg symulacji bez uwalniania postsymulacyjnego (czerwona linia przerywana) był niższy od przebiegu danych eksperymentalnych dla wszystkich punktów czasowych po stymulacji.
      Uwaga: ten krok prawdopodobnie wymaga ponownego dostrojenia parametrów uwalniania DA (krok 3.2.1).
    3. Dostosuj parametry XR, τR i m związane z uwalnianiem DA po stymulacji (Równanie 3), tak aby symulacja przybliżała dane eksperymentalne na wykresie DA w funkcji czasu.
      Uwaga: XR powinna przyjmować wartość od 0 do 1 i zazwyczaj powinna być większa niż 0,7.
  3. Zapisywanie/wczytywanie parametrów modelowania.
    1. Gdy zestaw parametrów będzie ściśle odwzorowywał dane eksperymentalne, należy kliknąć Save Parameters, co zapisze ten zestaw parametrów dla danej odpowiedzi w pliku .mat projektu.
    2. W razie potrzeby wczytaj wcześniej zapisane parametry dla konkretnej odpowiedzi, klikając Wczytaj parametry. Upewnij się, że w odpowiednich polach tekstowych wprowadzono właściwy numer badania oraz numer odpowiedzi.
  4. Eksportowanie zapisanych parametrów.
    1. W polu tekstowym obok przycisku Export Parameters wpisz nazwę pliku (np. Sample.txt) i kliknij Export Parameters, aby wyeksportować plik tekstowy ze wszystkimi parametrami symulacji. Jako ogranicznik w pliku tekstowym wybierz spacje, aby wygenerować arkusz parametrów, tak jak w Rycina 4 z / od / do / tej / tego Reprezentatywne wyniki Proszę podać sekcję do przetłumaczenia.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Do programu dołączone zostały przykładowe dane dotyczące neurotransmisji DA uzyskane z prążkowia grzbietowego szczura (Badanie 1) oraz jądra półleżącego (Badanie 2), które zostały zestawione w pliku „Sample.xlsx”. Arkusz kalkulacyjny zawiera dane dotyczące stężenia DA dla odpowiedzi bazowych na stymulacje o częstotliwości 60 Hz i czasie trwania 10 s oraz 5 s, a także odpowiedź na stymulację 60 Hz, 5 s przeprowadzoną 35 min po podaniu inhibitora transportu DA, metylofenidatu (MPH) (10 mg/kg, i.p.). Dane dotyczące odpowied...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Zastosowanie FSCV do badania neuroprzekaźnictwa DA stymulowanego in vivo powstało w latach 80. XX wiekui nadal stanowi bogate źródło danych dotyczących neurotransmisji in vivo o niezrównanej rozdzielczości przestrzennej i czasowej. Stymulowane odpowiedzi DA odzwierciedlają złożoną równowagę uwalniania DA i wychwytu zwrotnego, które są modulowane przez same stymulacje elektryczne. Model QN łączy zasady współczesnych badań nad neurotransmisją w celu modelowania stymulowanych in...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Dziękujemy Instytutowi Rehabilitacji UPMC za wsparcie tej pracy.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
MATLAB R2016a dla komputerów Mac Mathworks
QNsim1.0Autorski pakietOprogramowanie do modelowania danych FSCV przy użyciu frameworka QN
oprogramowania

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Oprogramowanie QNsim1 0stymulacja elektrycznauwalnianie dopaminywychwyt zwrotny dopaminydopamina pr kowiowaj dro p le cegrzbietowe pr kowiemodelowanie parametr w
Modelowanie danych szybkiego skanowania woltamperometrii cyklicznej na podstawie elektrycznie stymulowanych danych neurotransmisji dopaminy przy użyciu QNsim1.0
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.