Summary
Snelle-scan cyclische voltammetrie kan in vivo dopamine neurotransmissie in de context van drugs, ziekte en andere experimentele manipulaties monitoren. Dit werk beschrijft de implementatie van QNsim1.0, een software voor het modelleren van elektrisch gestimuleerde dopamine responsen volgens het kwantitatieve neurobiologische model om schattingen van dopamine release en reuptake dynamics te kwantificeren.
Abstract
Centrale dopaminerge (DAergic) pathways hebben een belangrijke rol in een breed scala van functies, zoals aandacht, motivatie en beweging. Dopamine (DA) is betrokken bij ziektes en aandoeningen, met inbegrip van de aandachtsfactor bij de hyperactiviteit, de ziekte van Parkinson en traumatisch hersenletsel. Dus, neurotransmissie DA en de methodes om het te bestuderen, zijn van intens wetenschappelijk belang. In vivo snelle scan cyclische voltammetrie (FSCV) is een methode die het mogelijk maakt om DA concentratie veranderingen selectief te controleren met een fijne temporale en ruimtelijke resolutie. Deze techniek wordt vaak gebruikt in combinatie met elektrische stimulaties van oplopende DAergic pathways om de impulsstroom van dopamine neurotransmissie te beheersen. Hoewel het gestimuleerde DA-neurotransmissieparadigma robuuste DA-reacties kan produceren met duidelijke morfologieën, waardoor ze vatbaar zijn voor de kinetische analyse, is er nog veel debat over hoe de reacties kunnen worden geïnterpreteerd in termen van hun DA-release en clearanCe componenten. Om dit probleem aan te pakken, is een kwantitatief neurobiologisch (QN) kader van gestimuleerde DA-neurotransmissie onlangs ontwikkeld om de dynamiek van DA-vrijlating en -heropname realistisch te modelleren in de loop van een gestimuleerde DA-reactie. De basis van dit model is gebaseerd op experimentele data van gestimuleerde DA neurotransmissie en op de principes van neurotransmissie die uit verschillende onderzoekslijnen worden aangenomen. Het QN model implementeert 12 parameters gerelateerd aan gestimuleerde DA release en reuptake dynamics om model DA reacties te modelleren. Dit werk beschrijft hoe DA-reacties kunnen worden gesimuleerd met behulp van QNsim1.0 en ook details van principes die zijn geïmplementeerd om systematisch veranderingen te zien in de gestimuleerde dopamine release en reuptake dynamics.
Introduction
Dopamine (DA) neurotransmissie speelt een essentiële rol in verschillende cognitieve en gedragsfuncties, en zijn disfunctie is betrokken bij verschillende gemeenschappelijke aandoeningen en aandoeningen. Als zodanig is het van cruciaal belang om nauwkeurige methoden te ontwikkelen om kwantitatief DA neurotransmissie in vivo te bestuderen om te beoordelen hoe DA-neurotransmissie verandert in de contexten van ziektebeeldmodellen en farmacologie. Snelle-scan cyclische voltammetrie (FSCV) maakt het mogelijk om in vivo DA neurotransmissie te monitoren met een fijne ruimtelijke en temporale resolutie. Hoewel het mogelijk is fysiologische DA neurotransmissie te bewaken bij wakker, vrijgedragen dieren, kan de elektrische stimulatie van oplopende dopaminergische pathes bij verdovende dieren robuuste DA-reacties produceren die geschikt zijn voor de verbeterde kinetische analyse van DA-neurotransmissie.
Elektrisch gestimuleerde DA reacties weerspiegelen een dynamische wisselwerking van DA release en heropname en interpretatiesVan deze reacties hebben voornamelijk gebruik gemaakt van een simpel model van gestimuleerde DA neurotransmissie genaamd het Michaelis-Menten (MM) model 12 . Het MM-model bestaat uit 3 variabelen om DA-reacties te beschrijven in termen van een constante DA-vrijgegeven snelheid en een constante opname-efficiëntie ( dat wil zeggen de relatie tussen de DA-opname-snelheid en extracellulaire DA-concentraties) zoals beschreven in vergelijking 1 : 
(DA release) (DA reuptake)
In vergelijking 1 is f de frequentie van stimulatie; [DA] p is de geschatte DA-concentratieverhoging per stimuleringsimpuls; V max vertegenwoordigt de geschatte maximale heropname snelheid; En K m is de geschatte MM-constante, die theoretisch gelijkwaardig is aan de extracellulaire DA-concentratie die 50% DAT verzadigt, wat leidt tot een halve maximale reuptake-snelheid. Dit onderscheidAl vergelijking kan geïntegreerd worden om experimentele DA reacties te simuleren door de [DA] p , V max en K m parameters te schatten.
Hoewel het MM-model aanzienlijke vooruitgang heeft geboekt bij het begrijpen van DA-neurotransmissiekinetiek in verschillende experimentele contexten, maakt het MM-model simplistische fundamentele aannames die de toepasbaarheid ervan beperken bij het modelleren van DA-reacties die worden opgewekt door suprafysiologische stimulaties 2 , 13 . Zo kan het MM-model alleen DA-responsvormen aanpassen als ze op een convexe manier stijgen, maar het kan niet rekening houden met de geleidelijke (concave) stijgende responsen die in dorsale striatale regio's 12 gevonden worden . Zo nemen de MM-modelaanvattingen de dynamische vrijlating- en heropnameprocessen van gestimuleerde DA-neurotransmissie niet nauwkeurig vast.
Om gestimuleerde DA responsen te modelleren volgens een realistische kwantiteitItatief kader werd het kwantitatieve neurobiologische (QN) kader ontwikkeld op basis van principes van gestimuleerde neurotransmissie kinetiek afgeleid van complementair onderzoek en experiment 2 . Verschillende lijnen van neurotransmissie onderzoek tonen aan dat (1) gestimuleerde neurotransmitter vrijlating een dynamisch proces is dat in snelheid tijdens de stimulatie afneemt 14 , (2) de vrijlating gaat door in de post-stimulatie fase met bifasische vervalkinetiek 15 en (3) DA Reuptake efficiency wordt progressief geremd tijdens de duur van de stimulatie zelf 2 , 16 . Deze drie concepten dienen als de basis van het QN-kader en de drie vergelijkingen die bestaan uit 12 parameters die de dynamiek van DA-release en heropname beschrijven ( tabel 1 ). Het QN-kader kan nauwkeurig simuleren op heterogene experimentele DA respons types, evenals de pGeredigeerde effecten van experimentele manipulaties van stimulatieparameters en geneesmiddeladministratie 2 , 6 . Hoewel verder onderzoek nodig is om de data-modelleringsbenadering te verfijnen, kunnen toekomstige experimenten sterk profiteren van deze neurobiologisch georiënteerde modelleringsbenadering, die aanzienlijk bijdraagt aan de afleidingen getrokken uit het gestimuleerde DA-neurotransmissieparadigma.
Tabel 1: Modelleringsvergelijkingen en parameters . Klik hier om een grotere versie van deze figuur te bekijken.
Deze handleiding beschrijft hoe u gestimuleerde DA-responsgegevens kunt modelleren om DA-vrijlating en reuptake kinetics te berekenen met behulp van QNsim 1.0. De feitelijke experimentele dataverzameling en prOcessing is hier niet beschreven en vereist alleen tijdelijke DA concentratie data. De theoretische ondersteuning en fundamenten van het QN-kader zijn al eerder beschreven 2 , maar een praktisch perspectief op het toepassen van het QN-kader op model DA-responsgegevens wordt hieronder beschreven.
Het QN-kader vormt de dynamische wisselwerking tussen: 1) dynamische DA-vrijlating, 2) DA-heropname en 3) de effecten van suprafysiologische stimulaties op deze processen om zinvolle kinetische informatie uit DA-responsgegevens te extraheren. Het QN-kader is het best geschikt voor het modelleren van FSCV-gegevens die zijn verkregen met behulp van zeer suprafysiologische stimulaties van lange duur ( bijv. 60 Hz, 10 s stimulaties), die robuuste DA-reacties produceren die geschikt zijn voor de kinetische analyse. Na de nauwkeurige modellering van de onderliggende vrijlating- en heropnameprocessen kunnen de modelparameters worden gebruikt om een DA-respons te simuleren die de vorm van de exPerimentale DA respons.
De vergelijkingen van het QN-kader beschrijven de snelheid van DA-vrijlating en heropname in de loop van de gestimuleerde DA-reacties. Het QN-kader beschrijft de gestimuleerde DA-vrijgavepercentage als functie van de tijd vanaf het begin van de stimulatie (t- stimulatie ), wanneer de DA-vrijgegeven snelheid exponentieel afneemt tijdens de stimulatie. Dit is in overeenstemming met de uitputting van een gemakkelijk losgelaten pool, met een toegevoegde steady state DA-afgiftepercentage (DARss) om rekening te houden met vesicle-aanvulling, vergelijkbaar met andere rapporten (vergelijking 2 ) 14 , 17 .
Manipulaties die de DA-uitzettingssnelheid verhogen, zoals het verhogen van Δ DAR, Δ DAR τ of DARss, leiden tot verhoogde responsversterkingen op DA versus tijdstippen. Elke parameTer draagt bij aan de DA responsieve vormen. Verhogen van DARss en Δ DAR τ maken beide de stijgende fase van de reacties lineair (minder convex). Afnemende Δ DAR τ bevordert de convexiteit, die wordt geregeld door de grootte van Δ DAR. Op basis van modelervaring is DARss meestal minder dan 1/5 van Δ DAR; Daardoor is Δ DAR de vrijlating parameter die in hoofdzaak de totale respons amplitude van een DA reactie bepaalt.
De post-stimulatie DA-vrijgavepercentage wordt gemodelleerd door Equation 3 als een voortzetting van de gestimuleerde DA-vrijgavepercentage vanaf het einde van de stimulatie (DAR ES ) als functie van de tijd na stimulatie (t post ). De post-stimulatie DA-afgiftegraad volgt een bifasisch vervalpatroon, zoals eerder beschreven 15 , met een snelle exponentiële afbraakfase en een verlengde lineaire vervalfase tot model twee caLcium-afhankelijke neurotransmitter vrijgegeven processen.
(Snelle exponentiële verval) (langdurig lineair verval)
Het is momenteel niet mogelijk om te bepalen hoeveel post-stimulatie DA-vrijlating plaatsvindt. Deze beperking kan worden aangepakt door systematisch te minimaliseren schattingen van post-stimulatie DA-vrijlating en validatie van modelparameters over een reeks experimentele DA-reacties die zijn verzameld uit dezelfde opname-site met behulp van verschillende stimulatie-duurzaamheden. Deze minimalisering stelt gebruikers in staat om conservatieve schattingen van vrijlating en heropname te maken. Omdat elektrische stimulaties leiden tot de calciumopbouw die post-stimulatie-neurotransmittervrijheid bevordert, beïnvloedt de duur van de stimulatie de post-stimulatie neurotransMitter vrijgave parameters 18 , 19 . Gebaseerd op modelleringservaring bleek dat toen de stimulatiewijdte toeneemt, verhoogt τ R en X R afneemt, in overeenstemming met de verwachte effecten van een grotere calciumopbouw 20 .
Vergelijking 4 beschrijft de DA-opname-opname als verlenging van het MM-kader en bevat een dynamische Km term, die tijdens stimulatie toeneemt om een progressief dalende heropname-efficiëntie te modelleren die wordt veroorzaakt door de suprafysiologische stimulaties 2 , 16 . De Km na stimulatie wordt constant gehouden bij de Km waarde aan het einde van de stimulatie (K mES ).
waar,
(Tijdens stimulatie) (na stimulatie)
Gestimuleerde DA-reacties, vooral van ventrale striatale gebieden, zijn vaak ongevoelig voor veranderingen in de initiële Km- waarde (K mi ), waardoor een K mi- waarde problematisch wordt gedefinieerd. Zo, zoals het oorspronkelijke MM kader, wordt K mi benaderd bij 0,1-0,4 μM voor DA-reacties die worden verzameld uit controle-onbehandelde dieren 12 . De Δ K m term bepaalt de mate van reuptake efficiency change tijdens stimulatie, die uit onze ervaring ongeveer 20 is81; M in de loop van een stimulatie van 60 Hz, 10 s. De k- en K- minf- waarden bepalen hoe K m over de tijd verandert, en het verhogen van een van deze termen bevordert de concaviteit van de opkomende fase. V max is de maximale heropname-tarief die mede betrekking heeft op de lokale DA-transportdichtheid, die een ventromediale naar dorsolaterale verloop 21 vertoont. Bijgevolg zijn V max- waarden in de dorsale striatum (D-Str) over het algemeen groter dan 30 μM / s, maar in het algemeen minder dan 30 μM / s in de ventrale gebieden, zoals de nucleus accumbens (NAc) 6 .
De bovenstaande algemene richtlijnen kunnen helpen bij het modelleren van experimentele DA-responsgegevens, maar het genereren van een simulatie die het experimentele DA-reactie overeenkomt, vereist dat het modelparameters iteratief wordt aangepast. De nauwkeurigheid van de modelparameters kan worden verbeterd door het verkrijgen van DA-reacties op suprafysiologische stimulaties die ervoor zorgenEa robuuste substraat voor simulatie, alsmede door het verkrijgen en modelleren van meerdere DA-reacties op stimulaties van wisselende duurzaamheden op dezelfde opnameplaats ( bijv. Stimulaties van 60 Hz, 5 en 10 s) om de nauwkeurigheid van de parameters te valideren ( Zie de voorbeeldgegevens). Om te demonstreren is een dataset opgenomen in het softwarepakket met regiospecifieke gestimuleerde DA-reacties die zijn verzameld in de nucleus accumbens en dorsale striatum, voor en na een farmacologische uitdaging die al gemodelleerd was met behulp van het QN-kader. Bovendien zullen gebruikers vinden dat deze methodologie ook kan worden toegepast om de kinetiek van DA neurotransmissie in verschillende ziektecontexten en farmacologische manipulaties te karakteriseren.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Installatie, Data-voorbereiding en Launch QNsim1.0
- Download "QNsim1.0.zip" (meegeleverd als aanvulling) en pak het uit naar een gewenste map.
- Bereid gestimuleerde DA-responsgegevens voor modelleren met het softwareprogramma door een spreadsheet te organiseren waarin elke kolom een temporele DA-reactie bevat die is omgezet in μ M DA concentraties. Sla dit (.xlsx) bestand op in dezelfde map als de programmabestanden.
Opmerking: de spreadsheet kan meerdere reacties bevatten in een afzonderlijk experiment of meerdere studies die een vast aantal antwoorden bevatten (zie voorbeeld Voorbeeldxxx). - Open de programmatuuromgeving software, navigeer naar de map 'QNSim1.0' in het venster 'Huidige map' en open het bestand 'Initialization.m.' Klik op "Run" om het initialisatie scherm te starten ( Figuur 1 ).
Figuur 1 : Initialiseringsscherm. Dit scherm laat gebruikers toe om een bestaand project door te gaan door een vorig * .mat projectbestand (links) in te voeren of een nieuw project te starten van opgeslagen data van gestimuleerde DA neurotransmissie (rechts). Tekstvakken worden verstrekt om de * .xlsx bestandsnaam in te voeren die de gegevens bevat, een paar essentiële beschrijvers van de gegevens en de * .mat project bestandsnaam die alle gegevens met betrekking tot het project bevat. Klik hier om een grotere versie van deze figuur te bekijken.
2. Initialisatie van de simulatie omgeving
Opmerking: bij het initialisatie scherm kunnen gebruikers een nieuw project starten (stap 2.1) of doorgaan met een eerder opgeslagen project (stap 2.2).
- Optie 1: Begin een nieuw project
- Typ onder de sectie Nieuw project de naam van het spreadsheetbestand dat de DA-responsgegevens bevat voor het project ( bijv. Sample.xlsx) in het [DA] Data-bestand tekstvak.
Opmerking: het bestand moet in dezelfde map zijn als de programmabestanden. - Naast de simulatietijd, voer de tijdspunten in die overeenstemmen met het begin en einde van de gegevensverzameling (in seconden) ten opzichte van het begin van de stimulatie. Bijvoorbeeld, als de gegevensverzameling 5 s begint vóór de stimulatie en eindigt 35 s na, zoals in de Sample.xlsx, invoer "-5" en "35."
- Voer het aantal reacties in elke studie naast het bijbehorende tekstvak in.
- Voer naast het bemonsteringsinterval het experimentele data-bemonsteringsinterval in seconden in.
- Naast Save as (.mat), wijs de bestandsnaam aan, inclusief het bestandstype (.mat) waar het project moet worden opgeslagen.
Opmerking: dit is het bestand dat wordt geopend om het bestand te makenSimulaties, en al het werk kan in dit projectbestand worden opgeslagen. - Klik op Nieuw project maken om het simulatorvenster te starten (afbeelding 2 ).
- Typ onder de sectie Nieuw project de naam van het spreadsheetbestand dat de DA-responsgegevens bevat voor het project ( bijv. Sample.xlsx) in het [DA] Data-bestand tekstvak.
- Optie 2: Vervolg van een eerder project
- Voer in het gedeelte Vorige Vorige Project van het Initialiseringsvenster de.mat-bestandsnaam in van een eerder gestart project (bijvoorbeeld Sample.mat).
Opmerking: dit bestand moet in dezelfde map zijn opgenomen als de software programma bestanden. - Klik op Bestaande project laden om het simulatorvenster te starten ( Figuur 2 ).
- Voer in het gedeelte Vorige Vorige Project van het Initialiseringsvenster de.mat-bestandsnaam in van een eerder gestart project (bijvoorbeeld Sample.mat).
Figuur 2 : Simulator scherm. Het simulatorscherm laat gebruikers toe om de experimentele gegevens in D te selecteren en simulatieparameters in E aan te passen om de experimentele modellen te modellerengegevens. Visuele inspectie van ( A, B en C ) kan dan helpen bij het verfijnen van simulatieparameters, zodat de simulatie (blauwe streeplijnen) de experimentele data (dikke groene lijnen) modelt. Hier bevat ( A ) experimentele en gesimuleerde DA-concentratie versus tijdsdata. ( B ) is een grafiek die helpt bij het schatten van post-stimulatie DA release. ( C ) is een grafiek van de experimentele en gesimuleerde eerste derivaten van DA-concentratie versus tijdsdata van A of de snelheid van opgewekte overloop (EO). Het tempo van EO is theoretisch een evenwicht van vrijgeven-heropname tarieven, die op deze grafiek wordt overgemaakt. Klik hier om een grotere versie van deze figuur te bekijken.
3. Het simulatievenster gebruiken
Opmerking: het scherm simulator maakt het mogelijk de experimentele selectie te selecterenData naar model (stap 3.1), parameters aanpassen om experimentele DA-responsgegevens te simuleren (stap 3.2), opslaan / laad modelleringsparameters voor elke DA-reactie (stap 3.3) en voer de opgeslagen parameters uit (stap 3.4).
- Selecteren van de experimentele DA respons om te simuleren.
- Selecteer het experimentele DA-antwoord om te simuleren door het studienummer, het antwoordnummer en de duur van de stimulatie in de bijbehorende tekstvakken in te voeren. Druk op de "enter" -toets of klik op simuleren om het simulatieproces te starten, dat 3 grafieken bevat die experimentele gegevens bevatten (dikke groene lijnen), gesimuleerde gegevens (blauwe streeplijnen) en gesimuleerde gegevens die geen rekening houden met post-stimulatie DA release Rode stippellijnen), zoals in figuur 2 .
- Modelleren van experimentele DA reacties.
Opmerking: Het doel van modellering is het aanpassen van de modelparameters met betrekking tot gestimuleerde DA-release (stap 3.2.1), DA-heropname (Stap 3.2.2) en post-stimulatie DA-vrijlating (stap 3.2.3) om experimentele DA-reacties nauwkeurig te modelleren. Modellering is een iteratief proces waarbij de uitgangsparameters worden verfijnd totdat de parameters een gesimuleerde DA-respons geven die de experimentele data in de DA-versus Tijdgrafiek (Panel A) benadert, die kan worden geholpen door de gesimuleerde gegevens aan de experimentele afgeleide gegevens in te passen De grafiek van de geschatte post-stimulatiecomponent (Panel B) en de tarieven van de release, reuptake en EO graph (Panel C).- Pas de ΔDAR-, ΔDARτ- en DARss-parameters aan die geassocieerd zijn met DA-afgifte (vergelijking 2 ) om de amplitude van de stimulatie aan te passen.
Opmerking: deze parameters zijn alleen startschattingen die verfijnd zullen worden, maar ΔDARτ = 25 en een DARss-waarde die 1/5 van ΔDAR is, zijn bevredigende startomstandigheden. Door een van deze parameters te verhogen, wordt de amplitude verhoogd in de DA versus Time grafiek en verhoogt de DA relaisAse-tarief in het geschatte post-stimulatie-vrijgavecomponent en tarieven van vrijgeven, heropname en EO-grafieken. - Stel de V max , K mi , ΔK m , K minf en k parameters in verband met DA heropname (vergelijking 4) aan, zodat in de paneel A de gesimuleerde gegevens de vorm van de stijgende fase van de experimentele data benaderen (dik groen Lijn) en zodanig dat de simulatie zonder post-stim release spoor (rode stippellijn) minder is dan het experimentele data spoor voor alle post-stimulatie tijdspunten.
Opmerking: deze stap vereist waarschijnlijk de afgifteparameters van DA af te stellen (stap 3.2.1). - Pas de XR-, τR- en m-parameters aan die geassocieerd zijn met post-stimulatie DA-vrijgave (vergelijking 3 ), zodat de simulatie de experimentele gegevens in de DA-versus de tijdgrafiek benadert.
Opmerking: X R dient een waarde tussen 0 en 1 aan te nemen en moet over het algemeen groter zijn dan 0,7.
- Pas de ΔDAR-, ΔDARτ- en DARss-parameters aan die geassocieerd zijn met DA-afgifte (vergelijking 2 ) om de amplitude van de stimulatie aan te passen.
- Opslaan / loHet toevoegen van de modelleringsparameters.
- Zodra een set van parameters de experimentele gegevens nauwkeurig modelleert, klikt u op Parameters opslaan, die die parameters voor het gegeven antwoord op het.mat-bestand voor het project opslaat.
- Indien nodig, laad u eerder opgeslagen parameters voor een bepaald antwoord door op Parameters laden te klikken. Zorg ervoor dat het juiste leernummer en antwoordnummer ingevoerd worden in de bijbehorende tekstvakken.
- Gemarkeerde parameters exporteren.
- Typ in de tekstvak naast de knop Exportparameters de bestandnaam (bijvoorbeeld Sample.txt) en klik op Exportparameters om een tekstbestand te exporteren met alle parameters van de simulaties. Bepaal het tekstbestand met behulp van spaties om een spreadsheet van parameters te genereren, zoals in Figuur 4 van de sectie Representatieve resultaten hieronder .
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Inbegrepen bij het softwareprogramma zijn sample DA neurotransmissie data verkregen uit de rat dorsale striatum (Study 1) en de nucleus accumbens (Study 2) die zijn samengesteld in "Sample.xlsx." De spreadsheet bevat de DA-concentratiedata van de baseline responses op 60 Hz, 10 s en 5 s stimulaties en een reactie op een 60 Hz, 5 s stimulatie 35 min na de toediening van de DA transportremmer methylphenidaat (MPH) (10 mg / Kg, ip). De gestimuleerde DA-responsgegevens worden georganiseerd in kolommen, zoals getoond in figuur 3 , die dient als een sjabloon voor het organiseren van gegevens die gemodelleerd worden met behulp van het softwareprogramma.
Figuur 3: Structuren van de gegevens in een leesbaar formaat voor modellering . De gestimuleerde DA respons data van Sample.xlsx is orgelIn bovenstaande kolommen, zoals hierboven, met elke kolom die een individueel gestimuleerde DA-reactie bevat. Merk op dat er geen kolommen zijn die betrekking hebben op het tijddomein in deze spreadsheet. Dit wordt verantwoord in het initialisatiescherm.
De voorbeeldgegevens werden gemodelleerd zoals beschreven in stap 3.2 (modellerende experimentele DA-reacties) met behulp van de parameters in Figuur 4 . Dit leverde simulaties op die de experimentele gegevens goed benaderd in zowel de D-Str ( Figuur 5A ) als de NAc ( Figuur 5B) .
Figuur 4: Uitgevoerde simulatieparameters voor het modelleren van proefexperimentele gegevens . Elke rij bevat simulatieparameters die correleren met een individueel gestimuleerde DA-reactie. Hier staan rijen 2-4 en 5-7 overeen met simulatieparameters voor de dorsale striatum en nUcleus accumbens data (zie figuur 3 hierboven). Klik hier om een grotere versie van deze figuur te bekijken.
FSCV-experimenten die de verzameling van meerdere DA-reacties betreffen omvatten in het algemeen voldoende inter-stimulatie-intervallen om het systeem te kunnen herstellen om reproduceerbare gestimuleerde DA-reacties 25 te produceren. In een ideaal scenario dat reproduceerbare reacties produceerde, zouden gestimuleerde DA-vrijgeparameters (ΔDAR, ΔDATτ en DARss) en heropnameparameters (Vmax, Kmi, ΔKm, K minf en k) constant zijn voor baseline responsen op dezelfde frequentie van stimulatie. In de praktijk zijn er echter kleine veranderingen in DA responsvormen en amplitudes over de tijd die vertalen naar dalingen in DA release-statistieken, zoals ΔDAR in deze dataset (vergelijk rij 2 tot en met 3 en5 tot 6 in figuur 4 ), of afnemen in V max .
In tegenstelling tot gestimuleerde DA-vrijlating veranderen post-stimulatie DA-vrijlating parameters op basis van de duur van de stimulatie. Dit komt waarschijnlijk door een stimulatie-geïnduceerde accumulatie van intracellulaire Ca 2+ die de post-stimulatie vrijlating verlengt en verhoogt de relatieve bijdrage van het langzamere lineaire afbraakcomponent van post-stimulatie DA-afgifte 20 , 26 . Deze stimulatie duurafhankelijke effecten kunnen in de representatieve modelleringsparameters worden gezien, waarbij de 10 s stimulatie grotere τR-waarden en kleinere XR-waarden vertoont dan de 5 s-stimulaties (vergelijk rij 2 tot 3 en 5 tot 6 in figuur 4 ).
Figuur 5: SimUlaties van voorbeeldgegevens. Simulaties tonen de nauwkeurige pasvorm van gesimuleerde gegevens (blauwe streeplijnen) aan de experimentele experimentele gegevens (dikke groene lijnen). Hierin ( A en B ) worden simulaties en experimentele data weergegeven die respectievelijk zijn verzameld in de dorsale striatum en nucleaire accumbens. Zie figuur 4 voor de parameters die gebruikt worden om de experimentele gegevens te modelleren. Klik hier om een grotere versie van deze figuur te bekijken.
Gestimuleerde DA-reacties uit de twee regio's produceerden zeer verschillende responsvormen, met concave stijgende vormen in de D-Str ( Figuur 5A ) en convexe stijgende vormen in de NAc ( Figuur 5B ). Beide responsvormen kunnen gemodelleerd worden met een aantal opvallende verschillen in parameterisaties. Hoewel er variabiliteit is in responsvormen en amplituden, zelfs binnen een bepaalde regio, K <Sub> minf is over het algemeen veel lager in de NAc in vergelijking met de D-Str. Bovendien zijn de V max , ΔDAR en ΔDARτ ook lager in de NAc, zoals in dit voorbeeld dataset (vergelijk de rijen 2 en 5 in figuur 4 ).
In de steekproef dataset zijn reacties op een MPH uitdaging. Alhoewel MPH voornamelijk een DAT-remmer is, is het bekend dat MPH secundaire effecten heeft op DA-vrijgave 22 , 27 en kan de plasmalemale expressie van DAT zoals andere DAT-remmers 28 , 29 wijzigen . Experimentele responsen werden gemodelleerd na een MPH van 10 mg / kg door de snelle component van post-stimulatie vrijgave, τR, constante pre- en post-MPH toediening te houden, waarbij de aannemelijke veronderstelling is dat MPH-geïnduceerde veranderingen in gestimuleerde DA neurotransmissie kinetiek niet Als gevolg van veranderingen in post-stimulatie DA release. Dit is toegestaan voorHet onderzoek naar veranderingen in gestimuleerde vrijlating en reuptake kinetiek. In dit voorbeeld induceerde MPH een toename van gesimuleerde K mi , waarden zoals verwacht wordt voor een competitieve DAT-remmer, maar ook een afname van ΔDARτ en V max .
Aanvullend bestand QNSim1.0.zip: Klik hier om dit bestand te downloaden .
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Het gebruik van FSCV om in vivo gestimuleerde DA neurotransmissie te studeren is ontstaan in de jaren tachtig en blijft nog steeds een rijke bron van in vivo neurotransmissiegegevens met een ongeëvenaarde ruimtelijke en temporale resolutie. Gestimuleerde DA-reacties weerspiegelen een complexe balans van DA-vrijlating en heropname die door de elektrische stimulaties zelf worden gemoduleerd. Het QN-model bevat principes van hedendaagse neurotransmissieonderzoek om in vivo gestimuleerde DA-neurotransmissiegegevens te modelleren in termen van dynamische vrijlating en reuptake-aannames 2 . Bovendien verruimt het QN-kader de mogelijke gebieden van analyse met FSCV naar sites die geen "convex" responsen produceren, zoals de dorsale striatum. Deze vooruitzichten maken het mogelijk om de regionale karakterisering van in vivo DAergic farmacodynamica 6 en DAergische veranderingen in CNS-ziekte modellen te waarborgen. De regionale karakteristiekenZation van DA neurotransmissie is vooral belangrijk omdat de dorsale en ventrale striatum verschillende functionele implicaties hebben, verschillend DAergic innervation van verschillende neuronale populaties ontvangen en verschillend gevoelig zijn voor ziektetoestanden zoals Parkinson's 31 , 32 .
Zoals blijkt uit figuur 5 , is het QN-kader in staat om experimentele data nauw te modelleren; Er zijn echter beperkingen met de modelleringsmethoden. Met 12 instelbare parameters in het QN-kader kunnen meerdere sets van parameteriseringen een experimentele DA-reactie nauwlettend simuleren en het is belangrijk om te bepalen welke set van parameteringen de onderliggende kinetiek van DA-release en heropname precies en nauwkeurig weerspiegelt. Hoewel het niet mogelijk is om modelparameters te extraheren die de onderliggende neurobiologie met zekerheid nauwkeurig weerspiegelen, is het mogelijk om systematisch te reflecterenBondgenoot bepalen minimale schattingen van vrijlating en heropname parameters die passen bij de aannames van het QN kader. Zo moeten de modelparameters worden geïnterpreteerd als conservatieve schattingen van vrijlating en reuptake kinetiek. Om de nauwkeurigheid van de modelparameters te scherpen, moeten meerdere DA-reacties die worden opgewekt door verschillende duurzaamheden van stimulatie, worden verkregen op dezelfde opnameplaats. Dit genereert meerdere substraten voor modellering die simulatieparameters kan beperken om hun nauwkeurigheid te verbeteren. Andere beperkingen kunnen systematisch worden geplaatst op modelparameters op basis van literatuurgegevens ( bijv. Kmi ≈ 0,1-0,4 μM en τR ≈ 1,2 voor 60 Hz, 10 s stimulaties) om data-modellering te vergemakkelijken, met name voor studieontwerpen waarbij modellering van relatieve temporale veranderingen meer is Belangrijk dan de absolute nauwkeurigheid van modelparameters. Strategieën om de precisie en nauwkeurigheid van modelparameters te verbeteren zijn een voortdurende inspanning.
Het QN-kader heeft stRong theoretische grondslagen voor zijn aannames over hoe stimulatie invloed op de neurotransmissiekinetiek van DA heeft. In het QN-kader zelf wordt geen rekening gehouden met de mogelijke effecten van elektrode respons lag en diffusiedistorsie in de DA responsen 33 , 34 , het bestaan en relatieve belang daarvan worden in het veld 3 besproken. Bijvoorbeeld, de regionale kinetische variabiliteit van DA-reacties is eerder toegeschreven aan cytoarchitecturale verschillen, met witte stofwegen die fungeren als een massavervoerbarrière in de dorsale striatum 35 . De variabiliteit in DA-responsvormen wordt echter verminderd door de toediening van D2-antagonisten of DAT-remmers 3 , 13 , wat suggereert dat de regionale responsvariabiliteit gekoppeld is aan onderliggende verschillen in vrijlating en reuptake kinetiek. Als gebruikers het goed vinden, kunnen DA-reacties worden afgekeurd naar remOve diffusiedistorsies volgens de eerder gepubliceerde methoden 33 , 34 , 36 en deze verwerkte DA-responsgegevens kunnen nog steeds gemodelleerd worden met behulp van het softwareprogramma zoals gebruikelijk.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
De auteurs hebben niets te onthullen.
Acknowledgments
Wij erkennen het UPMC Rehabilitation Institute voor het ondersteunen van dit werk.
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).
