Summary
Snabbscanning cyklisk voltammetri kan övervaka dopamin-neurotransmission in vivo i samband med droger, sjukdomar och andra experimentella manipuleringar. Detta arbete beskriver implementeringen av QNsim1.0, en mjukvara för att modellera elektriskt stimulerade dopaminreaktioner enligt den kvantitativa neurobiologiska modellen för att kvantifiera uppskattningar av dopaminfrisättning och återupptagningsdynamik.
Abstract
Centrala dopaminerga (DAergic) vägar har en viktig roll i ett brett spektrum av funktioner, såsom uppmärksamhet, motivation och rörelse. Dopamin (DA) är inblandad i sjukdomar och störningar, däribland uppmärksamhetsbrist hyperaktivitetsstörning, Parkinsons sjukdom och traumatisk hjärnskada. Sålunda är DA neurotransmission och metoderna för att studera den av intensivt vetenskapligt intresse. In vivo snabbscanning cyklisk voltammetri (FSCV) är en metod som möjliggör selektiv övervakning av DA-koncentrationsförändringar med fin temporal och rumslig upplösning. Denna teknik används vanligen i samband med elektriska stimuleringar av stigande DAerg-vägar för att styra impulsflödet av dopamin-neurotransmission. Även om det stimulerade DA-neurotransmissionsparadigmet kan producera robusta DA-svar med tydliga morfologier, vilket gör dem mottagliga för kinetisk analys, är det fortfarande mycket debatt om hur man tolkar svaren i fråga om deras DA-frisättning och clearanCe komponenter. För att ta itu med detta problem utvecklades en kvantitativ neurobiologisk (QN) ram för stimulerad DA-neurotransmission för att realistiskt modellera dynamiken för DA-frisättning och återupptagning under ett stimulerat DA-svar. Grunden för denna modell är baserad på experimentella data från stimulerad DA-neurotransmission och på principer för neurotransmission antagen från olika forskningslinjer. QN-modellen implementerar 12 parametrar relaterade till stimulerad DA-frisättning och återupptagningsdynamik för modell DA-svar. I det här arbetet beskrivs hur man simulerar DA-svar med QNsim1.0 och även detaljer om principer som har implementerats för att systematiskt urskilja förändringar i den stimulerade dopaminfrisättningen och återupptagningsdynamiken.
Introduction
Dopamin (DA) neurotransmission spelar en viktig roll i olika kognitiva och beteendemässiga funktioner, och dess dysfunktion är inblandad i flera vanliga sjukdomar och störningar. Som sådan är det kritiskt att utveckla exakta metoder för att kvantitativt studera DA-neurotransmission in vivo för att utvärdera hur DA-neurotransmission förändras i samband med sjukdomsmodeller och läkemedelsfarmakologi. Snabb-skanning cyklisk voltammetri (FSCV) möjliggör övervakning in vivo DA-neurotransmission med fin spatial och tidsmässig upplösning. Medan det är möjligt att övervaka fysiologisk DA-neurotransmission i vakna, fritt uppfostrade djur kan den elektriska stimuleringen av stigande dopaminerga vägar i bedövade djur producera robusta DA-svar som är mottagliga för den förbättrade kinetiska analysen av DA-neurotransmission.
Elektriskt stimulerade DA-svar speglar ett dynamiskt samspel av DA-frisläppande och återupptagning och tolkningarAv dessa svar har främst använt en enkel modell av stimulerad DA-neurotransmission, kallad Michaelis-Menten (MM) -modellen 12 . MM-modellen består av 3 variabler för att beskriva DA-responser i form av en konstant DA-frisättningshastighet och en konstant återupptagningseffektivitet ( dvs. förhållandet mellan DA-upptagningshastigheten och extracellulära DA-koncentrationer), såsom beskrivs av ekvation 1 : 
(DA release) (DA återupptagning)
I ekvation 1 är f frekvensen för stimulering; [DA] p är den uppskattade DA-koncentrationens ökning per stimuleringsimpuls; V max representerar den uppskattade maximal återupptagningshastigheten; Och Km är den uppskattade MM-konstanten, som är teoretiskt ekvivalent med den extracellulära DA-koncentrationen som mättar 50% av DAT, vilket leder till en halv maximal återupptagningshastighet. Denna differentiAl ekvation kan integreras för att simulera experimentella DA-svar genom att uppskatta [DA] p , V max och K m parametrar.
Även om MM-modellen har underlättat betydande framsteg i förståelsen av DA-neurotransmissionskinetik i olika experimentella sammanhang, gör MM-modellen enkla grundläggande antaganden som begränsar dess tillämplighet vid modellering DA-svar som framkallas av suprafysiologiska stimulanser 2 , 13 . Exempelvis kan MM-modellen bara approximera DA-responsformer om de stiger på ett konvex sätt, men det kan inte ta hänsyn till de gradvisa (konkava) stigande svaren som finns i dorsala striatala regioner 12 . Således tar MM-modellen antaganden inte exakt upp de dynamiska frisättnings- och återupptagsprocesserna för stimulerad DA-neurotransmission.
Att modellera stimulerade DA-svar enligt en realistisk kvantItative ramverk, den kvantitativa neurobiologiska (QN) ramen utvecklades baserat på principer för stimulerad neurotransmissionskinetik härrörande från komplementär forskning och experiment 2 . Olika linjer av neurotransmissionsforskning visar att (1) stimulerad frigörande av neurotransmitter är en dynamisk process som minskar i takt under stimulans 14 , (2) frisättning fortsätter i post-stimuleringsfasen med bifasisk sönderfallskinetik 15 och (3) DA Reuptake-effektiviteten hämmas progressivt under själva stimulansperioden 2 , 16 . Dessa tre begrepp fungerar som grunden för QN-ramen, och de tre ekvationerna består av 12 parametrar som beskriver dynamiken för DA-frisättning och återupptagning ( Tabell 1 ). QN-ramen kan noggrant simulera heterogena experimentella DA-svarstyper, såväl som pReducerade effekter av experimentella manipuleringar av stimuleringsparametrar och läkemedelsadministration 2 , 6 . Även om ytterligare forskning är nödvändig för att fördjupa datamodelleringsmetoden, kan framtida experiment i stor utsträckning dra nytta av detta neurobiologiskt grundade modellerings-tillvägagångssätt, vilket väsentligt bidrar till de härledda resultaten från det stimulerade DA-neurotransmissionsparadigmet.
Tabell 1: Modelleringsekvationer och parametrar . Vänligen klicka här för att se en större version av denna figur.
Denna handledning beskriver hur man modellerar stimulerad DA-responsdata för att uppskatta DA-frisättning och återupptagskinetik med QNsim 1.0. Den faktiska experimentella datainsamlingen och prUppgift är inte beskrivet här och kräver endast tidsmässig DA-koncentrationsdata. Det teoretiska stödet och grunden för QN-ramen har beskrivits utförligt tidigare 2 , men ett praktiskt perspektiv på att tillämpa QN-ramverket för modell DA-svardata beskrivs nedan.
QN-ramen modellerar det dynamiska samspelet mellan: 1) dynamisk DA-frisättning, 2) DA-återupptagning, och 3) effekterna av suprafysiologiska stimulanser på dessa processer för att extrahera meningsfull kinetisk information från DA-svardata. QN-ramverket passar bäst för modellering av FSCV-data som erhållits med högt suprafysiologiska stimulanser med lång varaktighet ( t.ex. 60 Hz, 10 s stimulanser), vilket ger robusta DA-svar som är mottagliga för kinetisk analys. Efter noggrann modellering av de underliggande frisättnings- och återupptagsprocesserna kan modellparametrarna användas för att simulera ett DA-svar som skulle approximera formen på exPerimental DA svar.
Ekvationerna i QN-ramen beskriver hastigheterna för DA-frisättning och återupptagning under de stimulerade DA-svarenas lopp. QN-ramen beskriver den stimulerade DA-frisättningsgraden som en funktion av tiden från stimulansstart (t-st), när DA-frisättningsgraden exponentiellt minskar under stimulansförloppet. Detta överensstämmer med uttömningen av en lätt frigörbar pool, med en tillsatt stabiliserad DA-frisättningshastighet (DARss) för redovisning av vesikelpåfyllning, som liknar andra rapporter ( ekvation 2 ) 14 , 17 .
Manipuleringar som ökar DA-frisättningsfrekvensen, såsom ökande ΔDAR, ΔDAR τ eller DARss, leder till ökade responsförstärkningar på DA-versus tidstimer. Varje parameTer bidrar olika till DA-responsformer. Ökande DARss och ΔDAR τ gör båda stigande faser av svar mer linjära (mindre konvexa). Att minska Δ DAR τ främjar konvexitet, som styrs av storleken av Δ DAR. Baserat på modelleringserfarenhet är DARss generellt mindre än 1/5 av Δ DAR; Sålunda är Δ DAR frisättningsparametern som primärt bestämmer den totala responsamplituden för ett DA-svar.
DA-frisättningshastigheten efter stimulering modelleras av ekvation 3 som en fortsättning på den stimulerade DA-frisättningshastigheten från slutet av stimulering (DAR ES ) som en funktion av tiden efter stimulering (t- post ). Post-stimulering DA-frisättningshastigheten följer ett bifasiskt sönderfallsmönster, som tidigare beskrivits 15 , med en snabb exponentiell sönderfallsfas och en förlängd linjär sönderfallsfas till modell två caLciumberoende neurotransmittor-frisättningsförfaranden.
(Snabb exponentiell sönderfall) (långvarigt linjärt förfall)
Det är för närvarande inte möjligt att bestämma hur mycket poststimulering DA-frisättning uppstår. Denna begränsning kan åtgärdas genom att systematiskt minimera uppskattningar av poststimulering DA-frisättning och validering av modellparametrar över en uppsättning experimentella DA-svar som samlas in från samma inspelningsplats med användning av varierande stimuleringstider. Denna minimering tillåter användare att göra konservativa uppskattningar av frisättning och återupptagning. Eftersom elektriska stimuleringar leder till kalciumackumulering som främjar frisättning av neurostransmitter efter stimulering påverkar stimuleringstiden poststimulationsneurotransMitterfrigöringsparametrar 18 , 19 . Baserat på modelleringserfarenhet visade sig att när stimulansvaraktigheten ökar ökar τ R och X R minskar, vilket överensstämmer med de förväntade effekterna av en större kalciumackumulering 20 .
Ekvation 4 beskriver DA-återupptagningsgraden som en förlängning av MM-ramen och införlivar en dynamisk Km-term som ökar under stimulering för att modellera en gradvis minskande återupptagningseffektivitet orsakad av de suprafysiologiska stimulanserna 2 , 16 . Km efter stimulering hålls konstant vid Km-värdet vid slutet av stimuleringen (K mES ).
var,
(Under stimulering) (Efter stimulering)
Stimulerade DA-svar, särskilt från ventralstriatala regioner, är ofta okänsliga för förändringar i det ursprungliga Km-värdet (K mi ), vilket gör att ett K mi- värde problematiskt definieras. Således är, som den ursprungliga MM-ramen, K mi approximerad vid 0,1-0,4 μM för DA-svar uppsamlade från kontrollbehandlade djur 12 . Termen Δ K m bestämmer omfattningen av upptagningseffektivitetsförändringen under stimulering, vilket från vår erfarenhet är cirka 2081; M under loppet av en 60 Hz, 10 s stimulering. K- och K- minf- värdena bestämmer hur Km ändras över tiden, och ökning av någon av dessa termer främjar uppgången i stigningsfasen. V max är den maximala återupptagningsgraden som delvis hänför sig till lokal DA-transportörens densitet, vilken uppvisar en ventromedial till dorsolateral gradient 21 . Följaktligen är Vmax- värden i dorsalstriatumet (D-Str) i allmänhet större än 30 ^ M / s men i allmänhet mindre än 30 ^ M / s i de ventrala regionerna, som kärnan accumbens (NAc) 6 .
De allmänna riktlinjerna ovan kan hjälpa till med modellering av experimentella DA-svardata, men generering av en simulering som approximerar det experimentella DA-svaret kräver iterativt att justera modellparametrar. Noggrannheten hos modellparametrarna kan förbättras genom att erhålla DA-svar på suprafysiologiska stimuleringar som tillhandahållerEa robust substrat för simulering, samt genom att erhålla och modellera flera DA-svar på stimuleringar av varierande varaktighet på samma inspelningsplats ( t.ex. stimulering av 60 Hz, 5 s och 10 s) för att validera parameterns noggrannhet ( Se provdata). För att visa att en dataset ingår i mjukvarupaketet som innehåller regiospecifika stimulerade DA-svar som samlats in i kärnans accumbens och dorsalstriatum före och efter en farmakologisk utmaning som redan modellerades med hjälp av QN-ramverket. Utvidgningen kommer användarna att finna att denna metodik kan användas för att karakterisera kinetiken för DA-neurotransmission i olika sjukdomskontext och farmakologiska manipuleringar.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Installation, Data Förberedelse och Starta QNsim1.0
- Hämta "QNsim1.0.zip" (tillhandahålls som tillägg) och extrahera den till en önskad katalog.
- Förbered stimulerad DA-responsdata för modellering med programprogrammet genom att organisera ett kalkylblad där varje kolumn innehåller ett tidsmässigt DA-svar omvandlat till μM DA-koncentrationer. Spara den här filen (.xlsx) i samma katalog som programfilerna.
Obs! Kalkylbladet kan innehålla flera svar i ett enskilt experiment eller flera studier som innehåller ett fast antal svar (se "Sample.xlsx" för ett exempel). - Öppna programmeringsmiljöprogramvaran, navigera till katalogen "QNSim1.0" i fönstret "Aktuell mapp" och öppna den fil som heter "Initialization.m." Klicka på "Kör" för att starta initieringsskärmen ( Figur 1 ).
Figur 1 : Initialiseringsskärm. Den här skärmen låter användarna fortsätta ett befintligt projekt genom att ange en tidigare * .mat-projektfil (vänster), eller för att starta ett nytt projekt från lagrade data för stimulerad DA-neurotransmission (höger). Textboxar tillhandahålls för att mata in * .xlsx-filnamnet som innehåller data, några viktiga beskrivare av data, och filnamnet * .mat-projektet som innehåller alla data relaterade till projektet. Vänligen klicka här för att se en större version av denna figur.
2. Initialisering av simuleringsmiljön
Obs! Initialiseringsskärmen tillåter användare att starta ett nytt projekt (steg 2.1) eller fortsätta med ett tidigare sparat projekt (steg 2.2).
- Alternativ 1: Börjar ett nytt projekt
- Skriv in namnet på kalkylarkfilen som innehåller DA-svardata för projektet ( t.ex. Sample.xlsx) i textrutan [DA] Datafil under avsnittet Nytt projekt.
Obs! Filen måste vara i samma mapp som programfilerna. - Bredvid simuleringstid anger du de tidpunkter som motsvarar start och slut på datainsamling (i sekunder) i förhållande till stimulans start. Till exempel, om datainsamlingen börjar 5 s före stimuleringen och slutar 35 s efter, som i Sample.xlsx, matas in "-5" och "35."
- Ange antal svar i varje studie bredvid motsvarande textruta.
- Vid provtagningsintervallet matar du in provintervallet för experimentdata i sekunder.
- Bredvid Spara som (.mat), ange filnamnet, inklusive filtyp (.mat) där projektet ska sparas.
Obs! Det här är filen som kommer att öppnas för att skapaSimuleringar och allt arbete kan sparas i den här projektfilen. - Klicka på Skapa nytt projekt för att starta simulatorfönstret ( Figur 2 ).
- Skriv in namnet på kalkylarkfilen som innehåller DA-svardata för projektet ( t.ex. Sample.xlsx) i textrutan [DA] Datafil under avsnittet Nytt projekt.
- Alternativ 2: Fortsätter ett tidigare projekt
- I avsnittet Fortsätt Föregående Projekt i Initialiseringsfönstret skriver du in.matfilen för ett tidigare startat projekt ( t.ex. Sample.mat).
Obs! Den här filen måste finnas i samma mapp som programfilerna. - Klicka på Ladda befintligt projekt för att starta simulatorfönstret ( Figur 2 ).
- I avsnittet Fortsätt Föregående Projekt i Initialiseringsfönstret skriver du in.matfilen för ett tidigare startat projekt ( t.ex. Sample.mat).
Figur 2 : Simulatorskärm. På simulatorns skärm kan användarna välja experimentella data i D och justera simuleringsparametrarna i E för att modellera experimentetdata. Visuell inspektion av ( A, B och C ) kan sedan bidra till förädling av simuleringsparametrar så att simuleringen (blå streckade linjer) modellerar experimentdata (tjocka gröna linjer). Här innehåller ( A ) experimentell och simulerad DA-koncentration kontra tiddata. ( B ) är ett diagram som hjälper till att uppskatta post-stimulering DA-frisättning. ( C ) är en plot av experimentella och simulerade första derivat av DA-koncentration kontra tidsdata från A eller hastigheten för framkallat överflöde (EO). Hastigheten för EO är teoretiskt sett en balans av frisättningsupptagningshastigheter, vilken läggs över på denna graf. Vänligen klicka här för att se en större version av denna figur.
3. Använda simulatorfönstret
Obs! På skärmen Simulator kan du välja experimentData till modell (steg 3.1), justera parametrar för att simulera experimentella DA-svardata (steg 3.2), spara / ladda modelleringsparametrar för varje DA-svar (steg 3.3) och exportera de sparade parametrarna (steg 3.4).
- Val av experimentell DA-respons för att simulera.
- Välj det experimentella DA-svaret att simulera genom att mata in studienummer, svarnummer och varaktighet för stimuleringen i motsvarande textrutor. Tryck på "enter" -tangenten eller klicka på simulera för att starta simuleringsprocessen, vilket skapar 3 diagram som innehåller experimentdata (tjockgröna linjer), simulerade data (blå streckade linjer) och simulerade data som inte svarar för poststimulering DA-frisläppning Röda prickade linjer), som i figur 2 .
- Modellering av experimentella DA-svar.
Obs! Målet med modellering är att justera modellparametrarna för stimulerad DA-frisättning (steg 3.2.1), återupptagning av DA (Steg 3.2.2) och post-stimulering DA-frisättning (steg 3.2.3) för att exakt modellera experimentella DA-svar. Modellering är en iterativ process där utgångsparametrarna raffineras tills parametrarna ger ett simulerat DA-svar som approximerar experimentdata i DA-versus Time-grafen (Panel A), vilket kan hjälpas genom att de simulerade dataen anpassas till experimentellt avledda data i Graden av beräknad poststimuleringskomponent (Panel B) och Frekvensen för frisläppning, återupptagning och EO-graf (Panel C).- Justera parametrarna ΔDAR, ΔDARτ och DARss som är associerade med DA-frigöring ( ekvation 2 ) för att matcha stimulans amplitud.
Obs! Dessa parametrar är bara startberäkningar som kommer att bli raffinerade, men ΔDARτ = 25 och ett DARss-värde som är 1/5 av ΔDAR är tillfredsställande startförhållanden. Att öka någon av dessa parametrar ökar amplituden i DA versus Time-grafen och ökar DA-reläetAse-hastighet i beräknad post-stimuleringsfrigöringskomponent och Priser för frisättning, återupptagning och EO-grafer. - Justera parametrarna V max , K mi , ΔK m , K minf och k som är associerade med DA-återupptagning (ekvation 4), så att i simuleringsdata approximeras den simulerade dataformen för den experimentella dataens stigande fas (tjockgrön Linje) och så att simuleringen utan post-stim-frigöringsspår (röd prickad linje) är mindre än det experimentella dataspåret för alla post-stimuleringstidpunkter.
Obs! Det här steget kräver förmodligen att justera DA-frisättningsparametrarna (steg 3.2.1). - Justera XR-, τR- och m-parametrarna förknippade med post-stimulering DA-frisättning ( ekvation 3 ), så att simuleringen approximerar experimentdata i DA-versus Time-grafen.
Obs! X R bör ta ett värde mellan 0 och 1 och ska i allmänhet vara större än 0,7.
- Justera parametrarna ΔDAR, ΔDARτ och DARss som är associerade med DA-frigöring ( ekvation 2 ) för att matcha stimulans amplitud.
- Spara / loAdderar modelleringsparametrarna.
- När en uppsättning parametrar nära modellerar experimentdata, klickar du på Spara parametrar, som kommer att spara den uppsättning parametrar för det angivna svaret på .mat-filen för projektet.
- Om det behövs, ladda tidigare sparade parametrar för ett visst svar genom att klicka på Ladda parametrar. Kontrollera att lämpligt studienummer och svarnummer matas in i motsvarande textrutor.
- Exportera sparade parametrar.
- I textrutan bredvid knappen Exportera parametrar skriver du in filnamnet ( t.ex. Sample.txt) och klickar på Exportera parametrar för att exportera en textfil med alla parametrar i simuleringarna. Avgräns textfilen med mellanslag för att generera ett kalkylblad med parametrar, som i Figur 4 i avsnittet Representativa resultat nedan.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Inbegreppet mjukvaruprogrammet är prov DA-neurotransmissionsdata erhållen från råttor-dorsalstriatum (Studie 1) och kärnans accumbens (Study 2) som sammanställs i "Sample.xlsx". Kalkylbladet innehåller DA-koncentrationsdata för baslinjesponserna på stimulans på 60 Hz, 10 s och 5 s och ett svar på en 60 Hz, 5 s-stimulering 35 min efter administrering av DA-transporthämmaren metylfenidat (MPH) (10 mg / Kg, ip). Den stimulerade DA-responsdatan är organiserad i kolumner, såsom visas i figur 3 , som tjänar som en mall för att organisera data som ska modelleras med hjälp av mjukvaruprogrammet.
Figur 3: Strukturera data till ett läsbart format för modellering . Den stimulerade DA-responsdata från Sample.xlsx är organIn i kolonner, som ovan, med varje kolonn innehållande ett individuellt stimulerat DA-svar. Observera att det inte finns några kolumner relaterade till tidsdomänen i det här kalkylbladet. Detta redovisas i initialiseringsskärmen.
Provdatan modellerades som beskrivet i steg 3.2 (modelleringsexperimentella DA-svar) med användning av parametrarna i figur 4 . Detta gav simuleringar som approximerade experimentella data väl i både D-Str ( Figur 5A ) och NAc ( Figur 5B) .
Figur 4: Exporterade simuleringsparametrar för modellering av experimentexperimentella data . Varje rad innehåller simuleringsparametrar som korrelerar med ett individuellt stimulerat DA-svar. Här motsvarar raderna 2-4 och 5-7 simuleringsparametrar för dorsalstriatum och nUcleus accumbens data (se figur 3 ovan). Vänligen klicka här för att se en större version av denna figur.
FSCV-experiment som innefattar samling av multipla DA-svar innehåller vanligen tillräckliga interstimuleringsintervaller för att låta systemet återställa sig för att producera reproducerbara stimulerade DA-svar 25 . I ett idealt scenario som producerade reproducerbara svar skulle stimulerade DA-frisättningsparametrar (ΔDAR, ΔDATτ och DARss) och återupptagningsparametrar ( Vmax , Kmi, ΔKm , K minf och k) vara konstanta för baslinjesponser till samma frekvens av stimulering. I praktiken finns det emellertid små förändringar i DA-responsformer och amplituder över tiden som översätter till minskningar i DA-frisättningsmetoder, som ΔDAR i denna dataset (jämför rad 2 till 3 och5 till 6 i figur 4 ) eller att minska i Vmax .
I motsats till stimulerad DA-frisättning, förändras post-stimulering DA-frisättningsparametrar baserat på stimuleringstiden. Detta beror troligen på en stimuleringsinducerad ackumulation av intracellulär Ca 2+ som förlänger frisättningen efter stimulering och ökar det relativa bidraget från den långsammare linjära förfallskomponenten av post-stimulering DA-frisättning 20 , 26 . Dessa stimulansvaraktighetsberoende effekter kan ses i de representativa modelleringsparametrarna, varvid 10 s-stimuleringen uppvisar större τR-värden och mindre X- R- värden än 5 s-stimuleringarna (jämför rad 2 till 3 och 5 till 6 i figur 4 ).
Figur 5: SimUlationer av provdata. Simuleringar visar att de simulerade uppgifterna (blåa streckade linjer) är nära anpassade till experimentens experimentdata (tjocka gröna linjer). Här ( A och B ) avbildar simuleringar och experimentella data som samlas in i dorsalstriatum respektive kärnan accumbens. Se figur 4 för parametrar som används för att modellera experimentdata. Vänligen klicka här för att se en större version av denna figur.
Stimulerade DA-svar från de två regionerna producerade mycket olika responsformer, med konkava stigande former i D-Str ( Figur 5A ) och konvexa stigande former i NAc ( Figur 5B ). Båda responsformerna kan modelleras med några märkbara skillnader i parametrar. Även om det finns variationer i svarformer och amplituder även inom en viss region, K <Sub> minf är generellt mycket lägre in i NAc jämfört med D-Str. Vidare tenderar V max , ΔDAR och ΔDARτ också att vara lägre i NAc, vilket är fallet i denna provdataset (jämför raderna 2 och 5 i figur 4 ).
Innehållet i provdatasetet är svar på en MPH-utmaning. Även om primärt en DAT-hämmare är MPH känt för att ha sekundära effekter på DA-frisättning 22 , 27 och kan förändra det plasmalemmala uttrycket av DAT som andra DAT-hämmare 28 , 29 . Experimentella responser modellerades efter en 10 mg / kg MPH genom att hålla den snabba komponenten av poststimulationsfrisättning, R , konstant före- och post-MPH-administrering, vilket gör det påstådda antagandet att MPH-inducerade förändringar i stimulerad DA-neurotransmissionskinetik inte är På grund av förändringar i post-stimulering DA-frisättning. Detta tillåts förUndersökningen av förändringar i stimulerad frisättning och återupptagskinetik. I detta exempel inducerade MPH en ökning i simulerade K mi- värden som förväntas för en konkurrerande DAT-hämmare, men också en minskning av ΔDARτ och Vmax .
Kompletterande fil QNSim1.0.zip: Vänligen klicka här för att ladda ner den här filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Användningen av FSCV för att studera in vivo- stimulerad DA-neurotransmission härstammar från 1980-talet 30 och fortsätter fortfarande att vara en rik källa till in vivo- neurotransmissionsdata med oöverträffad rumslig och tidsmässig upplösning. Stimulerade DA-svar speglar en komplex balans av DA-frisättning och återupptagning som moduleras av de elektriska stimulansema själva. QN-modellen innehåller principer från modern neurotransmissionsforskning för att modellera in vivo- stimulerade DA-neurotransmissionsdata i termer av dynamisk frisättning och återupptagningsantaganden 2 . Dessutom sträcker QN-ramen de möjliga analysområdena med FSCV till platser som inte producerar "konvexa" svar, såsom dorsalstriatumet. Dessa framsteg möjliggör den regionala karakteriseringen av in vivo DAergic farmakodynamik 6 och DAerg-förändringar i CNS-sjukdomsmodeller. Den regionala karaktärenZation av DA neurotransmission är särskilt viktigt eftersom dorsal och ventralstriatum har olika funktionella konsekvenser, mottar olika DAergic innervation från olika neuronpopulationer och är differentiellt mottagliga i sjukdomstillstånd som Parkinsons 31 , 32 .
Som Figur 5 visar, är QN-ramen i stånd att närma sig experimentella data; Det finns dock begränsningar med modelleringsmetoderna. Med 12 justerbara parametrar i QN-ramen kan flera uppsättningar av parametrar nära simulera ett experimentellt DA-svar och det är viktigt att bestämma vilken uppsättning parametrar som mest exakt och exakt reflekterar den underliggande kinetiken för DA-frisättning och återupptagning. Det är inte möjligt att extrahera modellparametrar som exakt reflekterar den underliggande neurobiologin med säkerhet, men det är möjligt att systematisktAllierade bestämma minimala uppskattningar av frisättnings- och återupptagningsparametrar som passar antagandena för QN-ramen. Modellparametrarna bör således tolkas som konservativa uppskattningar av frisättning och återupptagskinetik. För att finjustera modellparameterns noggrannhet bör flera DA-svar som framkallas av olika stimulansstimuleringar erhållas från samma inspelningsplats. Detta genererar flera substrat för modellering som kan begränsa simuleringsparametrar för att förbättra deras noggrannhet. Andra begränsningar kan systematiskt placeras på modellparametrar baserat på litteraturdata ( t.ex. Kmi ≈ 0,1-0,4 μM och τR≈ 1,2 för 60 Hz, 10 s stimulanser) för att underlätta datamodellering, speciellt för studieutformningar där modellering av relativa temporära förändringar är mer Viktig än den absoluta exaktheten av modellparametrar. Strategier för att förbättra precisionen och noggrannheten hos modellparametrar är en pågående insats.
QN-ramen har stRong teoretiska fundament för sina antaganden om hur stimulering påverkar DA neurotransmission kinetik. QN-ramen själv tar inte hänsyn till de möjliga effekterna av elektrodresponslagret och diffusionsdistortionen i DA-svaren 33 , 34 , vars existens och relativa betydelse debatteras i fältet 3 . Den regionala kinetiska variabiliteten hos DA-svar har till exempel tidigare tillskrivits cytoarkitekturalskillnader, med vita substansområden som verkar som en masstransportbarriär i dorsalstriatum 35 . Däremot minskar variationen i DA-responsformer genom administrering av D2-antagonister eller DAT-hämmare 3 , 13 , vilket tyder på att regional responsvariabilitet är kopplad till underliggande skillnader i frisättning och återupptagskinetik. Om användarna ser passar kan DA-svaren dekonvolveras till remOve diffusionsförvrängningar enligt tidigare publicerade metoder 33 , 34 , 36 och denna behandlade DA-svardata kan fortfarande modelleras med hjälp av programvaran som vanligt.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har ingenting att avslöja.
Acknowledgments
Vi erkänner UPMC Rehabilitation Institute för att stödja detta arbete.
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).
