Summary
La voltamétrie cyclique à balayage rapide peut surveiller la neurotransmission de dopamine in vivo dans le contexte de médicaments, de maladies et d'autres manipulations expérimentales. Ce travail décrit la mise en œuvre de QNsim1.0, un logiciel pour modéliser les réponses de dopamine stimulées électriquement selon le modèle neurobiologique quantitatif pour quantifier les estimations de la libération de dopamine et de la dynamique de recapture.
Abstract
Les voies dopaminergiques centrales (DAergic) ont un rôle important dans un large éventail de fonctions telles que l'attention, la motivation et le mouvement. La dopamine (DA) est impliquée dans les maladies et les troubles, y compris le trouble déficitaire de l'attention avec hyperactivité, la maladie de Parkinson et les lésions cérébrales traumatiques. Ainsi, la neurotransmission de DA et les méthodes pour l'étudier sont d'un intérêt scientifique intense. La voltamétrie cyclique à balayage rapide in vivo (FSCV) est une méthode qui permet de surveiller sélectivement les changements de concentration de DA avec une résolution temporelle et spatiale fine. Cette technique est couramment utilisée en conjonction avec des stimulations électriques de voies de transmission ascendantes ascendantes pour contrôler le flux d'impulsions de neurotransmission de dopamine. Bien que le paradigme stimulé de neurotransmission de DA puisse produire des réponses robustes de DA avec des morphologies claires, ce qui les rend accessibles à l'analyse cinétique, il existe encore beaucoup de débat sur la façon d'interpréter les réponses en termes de libération de DA et de ClearanCe composants. Pour remédier à cette préoccupation, un cadre neurobiologique quantitatif (QN) de neurotransmission de DA stimulée a récemment été développé pour modéliser de façon réaliste la dynamique de la libération et la reprise de DA au cours d'une réponse de DA stimulée. Les fondements de ce modèle sont basés sur des données expérimentales provenant de la neurotransmission de DA stimulée et sur les principes de neurotransmission adoptés à partir de diverses lignes de recherche. Le modèle QN met en œuvre 12 paramètres liés à la libération de DA stimulée et à la dynamique de recapture pour modéliser les réponses DA. Ce travail décrit comment simuler les réponses DA en utilisant QNsim1.0 et aussi des principes détaillés qui ont été mis en œuvre pour discerner systématiquement les altérations de la libération de dopamine stimulée et de la dynamique de recapture.
Introduction
La neurotransmission de la dopamine (DA) joue un rôle essentiel dans diverses fonctions cognitives et comportementales, et son dysfonctionnement est impliqué dans plusieurs maladies et troubles courants. En tant que tel, il est essentiel de développer des méthodes précises pour étudier quantitativement la neurotransmission de DA in vivo pour évaluer comment la neurotransmission de DA est modifiée dans le contexte des modèles de maladie et de la pharmacologie des médicaments. La voltamétrie cyclique à balayage rapide (FSCV) permet de surveiller la neurotransmission DA in vivo avec une résolution spatiale et temporelle fine. Bien qu'il soit possible de surveiller la neurotransmission de DA physiologique chez des animaux éveillés et qui se comportent librement, la stimulation électrique des voies dopaminergiques ascendantes chez les animaux anesthésiés peut produire des réponses de DA robustes qui sont susceptibles d'une analyse cinétique améliorée de la neurotransmission de DA.
Les réponses de DA stimulées électriquement reflètent un jeu dynamique de la version et du recapitulation de DA et des interprétationsDe ces réponses ont utilisé principalement un modèle simple de neurotransmission de DA stimulée appelée le modèle de Michaelis-Menten (MM) 12 . Le modèle MM se compose de 3 variables pour décrire les réponses de DA en termes de taux de libération de DA constant et d'efficacité de recapture constante ( c.-à-d., La relation entre le taux de recaptage de DA et les concentrations de DA extracellulaires), comme décrit par l'équation 1 : 
(Version DA) (recouvrement de DA)
Dans l'équation 1, f est la fréquence de la stimulation; [DA] p est l'augmentation estimée de la concentration de DA par impulsion de stimulation; V max représente le taux maximal estimé de recapture; Et K m est la constante estimée de MM, qui est théoriquement équivalente à la concentration de DA extracellulaire qui sature 50% de DAT, ce qui entraîne un taux de recaptage maximal. Cette différenceL'équation égale peut être intégrée pour simuler les réponses expérimentales de DA en estimant les paramètres [DA] p , V max et K m .
Bien que le modèle MM ait facilité des progrès significatifs dans la compréhension de la cinétique de neurotransmission de DA dans divers contextes expérimentaux, le modèle MM constitue des hypothèses fondamentales simplistes qui limitent son applicabilité lors de la modélisation des réponses de DA provoquées par des stimulations supraphysiologiques 2 , 13 . Par exemple, le modèle MM ne peut qu'approximer les formes de réponse DA si elles augmentent de manière convexe, mais elles ne peuvent pas expliquer les réponses progressives (concaves) croissantes trouvées dans les régions striatales dorsales 12 . Ainsi, les hypothèses du modèle MM ne capturent pas précisément les processus dynamiques de libération et de recapture de la neurotransmission de DA stimulée.
Modéliser les réponses de DA stimulées selon un quantum réalisteLe cadre quantitatif neurobiologique (QN) a été développé sur la base des principes de la cinétique de neurotransmission stimulée provenant de recherches et d'expérimentations complémentaires 2 . Différentes lignes de recherche sur les neurotransmissions démontrent que (1) la libération de neurotransmetteurs stimulée est un processus dynamique qui diminue dans le taux de stimulation 14 , (2) la libération se poursuit dans la phase post-stimulation avec la cinétique de décroissance biphasique 15 et (3) DA L'efficacité de la recapture est progressivement inhibée pendant la durée de la stimulation elle-même 2 , 16 . Ces trois concepts servent de base au cadre QN, et les trois équations se composent de 12 paramètres décrivant la dynamique de la libération et du recouvrement de DA ( tableau 1 ). Le cadre QN peut simuler de manière étroite des types de réponse expérimentale expérimentale hétérogènes, ainsi que la pEffets redacceptés des manipulations expérimentales des paramètres de stimulation et de l'administration du médicament 2 , 6 . Bien que des recherches supplémentaires soient nécessaires pour affiner l'approche de la modélisation des données, les expériences futures peuvent grandement bénéficier de cette approche de modélisation neurobiologiquement fondée, ce qui ajoute de manière significative aux inférences tirées du paradigme de neurotransmission de DA stimulé.
Tableau 1: Modélisation des équations et des paramètres . Cliquez ici pour voir une version plus grande de ce chiffre.
Ce didacticiel décrit comment modeler les données de réponse DA stimulées pour estimer la libération de DA et la cinétique de recapture en utilisant QNsim 1.0. La collecte de données expérimentales réelle et prLe traitement n'est pas décrit ici et nécessite uniquement des données temporelles de concentration de DA. Le support théorique et les fondements du cadre QN ont été largement décrits précédemment 2 , mais une perspective pratique sur l'application du cadre QN aux données de réponse DA modèle est décrite ci-dessous.
Le cadre de QN modélise l'interaction dynamique entre: 1) la libération de DA dynamique, 2) la recapture de DA et 3) les effets des stimulations supraphysiologiques sur ces processus pour extraire des informations de cinétique significatives à partir des données de réponse de DA. Le cadre QN est le mieux adapté à la modélisation des données FSCV acquises en utilisant des stimulations hautement supraphysiologiques de longue durée ( p. Ex., 60 Hz, 10 s stimulations), qui produisent des réponses de DA robustes susceptibles d'analyse cinétique. Suite à la modélisation précise des processus de libération et de recouvrement sous-jacents, les paramètres du modèle peuvent être utilisés pour simuler une réponse DA qui devrait se rapprocher de la forme de l'exRéponse expérimentale de DA.
Les équations du cadre de QN décrivent les taux de libération et de recouvrement de DA au cours des réponses de DA stimulées. Le cadre QN décrit le taux de libération de DA stimulé en fonction du temps depuis le début de la stimulation (t stim ), lorsque le taux de libération de DA diminue de façon exponentielle au cours de la stimulation. Ceci est conforme à l'épuisement d'un pool facilement libérable, avec un taux de libération de DA (DARss) à l'état stationnaire supplémentaire pour tenir compte de la reconstitution des vésicules, similaire à d'autres rapports ( équation 2 ) 14 , 17 .
Les manipulations qui augmentent le taux de libération de DA, telles que l'augmentation de Δ DAR, Δ DAR τ ou DARss, conduisent à des amplitudes de réponse accrues sur DA contre les tracés temporels. Chaque parameTer contribue différemment aux formes de réponse de DA. Augmenter DARss et Δ DAR τ rendent la phase croissante des réponses plus linéaire (moins convexe). Diminuer Δ DAR τ favorise la convexité, qui est contrôlée par la grandeur de Δ DAR. Sur la base de l'expérience de modélisation, DARss est généralement inférieur au 1/5 de Δ DAR; Donc, Δ DAR est le paramètre de libération qui détermine principalement l'amplitude de réponse globale d'une réponse DA.
Le taux de libération de DA post-stimulation est modélisé par l'équation 3 comme continuation du taux de libération de DA stimulé à partir de la fin de la stimulation (DAR ES ) en fonction du temps après la stimulation (t post ). Le taux de libération de post-stimulation DA suit un schéma de décroissance biphasique, comme décrit précédemment 15 , avec une phase de décroissance exponentielle rapide et une phase de désintégration linéaire prolongée pour modéliser deux caProcessus de libération de neurotransmetteurs dépendants du calcium.
(Dégradation exponentielle rapide) (Dégradation linéaire prolongée)
Il n'est actuellement pas possible de déterminer la quantité de publication post-stimulation DA. Cette limitation peut être résolue en minimisant de manière systématique les estimations de la publication DA de post-stimulation et en validant les paramètres du modèle à travers un ensemble de réponses de DA expérimentales collectées à partir du même site d'enregistrement à l'aide de différentes durées de stimulation. Cette minimisation permet aux utilisateurs de faire des estimations prudentes de la libération et du recouvrement. Parce que les stimulations électriques conduisent à l'accumulation de calcium qui favorise la libération des neurotransmetteurs post-stimulation, la durée de la stimulation influe sur les neurotrans post-stimulationMitter release parameters 18 , 19 . Sur la base de l'expérience de la modélisation, on a constaté qu'à mesure que la durée de stimulation augmente, τ R augmente et X R diminue, ce qui correspond aux effets prévus d'une accumulation accrue de calcium 20 .
L'équation 4 décrit le taux de recaptage de DA comme une extension du cadre de MM et incorpore un terme de K m dynamique, qui augmente pendant la stimulation pour modéliser une efficacité de recapture progressivement décroissante causée par les stimulations supraphysiologiques 2 , 16 . Le K m après la stimulation est maintenu constant à la valeur K m à la fin de la stimulation (K mES ).
où,
(Pendant la stimulation) (après stimulation)
Les réponses stimulées de DA, en particulier des régions striatées ventrales, sont souvent insensibles aux changements de la valeur initiale de K m (K mi ), ce qui rend la définition d'une problématique de K mi . Ainsi, comme le cadre MM original, K mi est approximativement à 0,1-0,4 μ M pour les réponses DA collectées à partir des animaux témoins non traités 12 . Le terme Δ K m détermine l'ampleur du changement d'efficacité du recapture pendant la stimulation, qui, de notre expérience, est d'environ 2081; M au cours d'une stimulation de 60 Hz, 10 s. Les valeurs k et K minf déterminent comment K m change au fil du temps et l'augmentation de ces deux termes favorise la concavité de la phase ascendante. V max est le taux de recapture maximal qui concerne en partie la densité locale du transporteur DA, qui présente un gradient ventromédial à dorsolatéral 21 . En conséquence, les valeurs de V max dans le striatum dorsal (D-Str) sont généralement supérieures à 30 μ M / s mais généralement inférieures à 30 μ M / s dans les régions ventrales, comme le noyau accumbens (NAc) 6 .
Les directives générales ci-dessus peuvent aider à modéliser les données expérimentales de réponse DA, mais générer une simulation qui se rapproche de la réponse DA expérimentale nécessite un ajustement itératif des paramètres du modèle. La précision des paramètres du modèle peut être améliorée en obtenant des réponses DA à des stimulations supraphysiologiques qui fournissentUn substrat solide pour la simulation, ainsi que l'obtention et la modélisation de multiples réponses de DA à des stimulations de différentes durées sur le même site d'enregistrement ( p. Ex., 60-Hz, 5-s et 10-s stimulations) pour valider la précision des paramètres ( Voir les exemples de données). Pour démontrer, un ensemble de données est inclus avec le progiciel contenant des réponses DA stimulées par régiospécifique recueillies dans le noyau accumbens et le striatum dorsal, avant et après un défi pharmacologique qui a déjà été modélisé en utilisant le cadre QN. Par extension, les utilisateurs trouveront que cette méthodologie peut également être appliquée pour caractériser la cinétique de neurotransmission de DA dans divers contextes de maladie et des manipulations pharmacologiques.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Installation, préparation des données et lancement de QNsim1.0
- Téléchargez "QNsim1.0.zip" (fourni en complément) et extrayez-le dans un répertoire souhaité.
- Préparer des données de réponse DA stimulées pour la modélisation avec le logiciel en organisant une feuille de calcul dans laquelle chaque colonne contient une réponse temporelle DA convertie en μ M DA concentrations. Enregistrez ce fichier (.xlsx) dans le même répertoire que les fichiers de programme.
Remarque: la feuille de calcul peut contenir plusieurs réponses dans une expérience individuelle ou plusieurs études contenant un nombre fixe de réponses (voir "Sample.xlsx" pour un exemple). - Ouvrez le logiciel de l'environnement de programmation, accédez au répertoire "QNSim1.0" dans la fenêtre "Dossier actuel" et ouvrez le fichier intitulé "Initialisation.m". Cliquez sur "Exécuter" pour lancer l'écran d'initialisation ( Figure 1 ).
Figure 1 : écran d'initialisation. Cet écran permet aux utilisateurs de poursuivre un projet existant en entrant un fichier de projet * .mat précédent (à gauche) ou pour commencer un nouveau projet à partir de données stockées de neurotransmission de DA stimulée (à droite). Des boîtes de texte sont fournies pour entrer le nom de fichier * .xlsx contenant les données, quelques descripteurs essentiels des données et le nom de fichier du projet * .mat qui contiendra toutes les données relatives au projet. Cliquez ici pour voir une version plus grande de ce chiffre.
2. Initialisation de l'environnement de simulation
Remarque: l'écran d'initialisation permet aux utilisateurs de commencer un nouveau projet (étape 2.1) ou de continuer avec un projet précédemment enregistré (étape 2.2).
- Option 1: Début d'un nouveau projet
- Dans la section Nouveau projet, tapez le nom du fichier tableur qui contient les données de réponse DA pour le projet ( par exemple, Sample.xlsx) dans la zone de texte du fichier de données [DA].
Remarque: Le fichier doit être dans le même dossier que les fichiers de programme. - À côté du temps de simulation, saisissez les points de temps correspondant au début et à la fin de la collecte de données (en secondes) par rapport au début de la stimulation. Par exemple, si la collecte de données commence 5 s avant la stimulation et se termine 35 s après, comme dans Sample.xlsx, entrez "-5" et "35".
- Entrez le nombre de réponses dans chaque étude à côté de la zone de texte correspondante.
- À côté de l'intervalle d'échantillonnage, saisissez l'intervalle expérimental d'échantillonnage des données en quelques secondes.
- À côté de Enregistrer sous (.mat), désignez le nom du fichier, y compris le type de fichier (.mat) où le projet doit être enregistré.
Remarque: Il s'agit du fichier auquel on accède pour créer leDes simulations et tous les travaux peuvent être sauvegardés dans ce fichier de projet. - Cliquez sur Créer un nouveau projet pour lancer la fenêtre Simulateur ( Figure 2 ).
- Dans la section Nouveau projet, tapez le nom du fichier tableur qui contient les données de réponse DA pour le projet ( par exemple, Sample.xlsx) dans la zone de texte du fichier de données [DA].
- Option 2: Poursuivre un projet précédent
- Dans la section Continuer projet précédent de la fenêtre d'initialisation, entrez le nom de fichier.mat d'un projet précédemment commencé ( par exemple, Sample.mat).
Remarque: Ce fichier doit être contenu dans le même dossier que les fichiers du programme logiciel. - Cliquez sur Charger le projet existant pour lancer la fenêtre Simulateur ( Figure 2 ).
- Dans la section Continuer projet précédent de la fenêtre d'initialisation, entrez le nom de fichier.mat d'un projet précédemment commencé ( par exemple, Sample.mat).
Figure 2 : écran du simulateur. L'écran du simulateur permet aux utilisateurs de sélectionner les données expérimentales dans D et d'ajuster les paramètres de simulation en E pour modéliser l'expérimentationLes données. L'inspection visuelle de ( A, B et C ) peut alors aider au raffinement des paramètres de simulation afin que la simulation (lignes pointillées bleues) modélise les données expérimentales (lignes vertes épaisses). Ici, ( A ) contient des données expérimentales et simulées de concentration de DA contre temps. ( B ) est un graphique qui aide à estimer la publication DA post-stimulation. ( C ) est un graphique des premières dérivations expérimentales et simulées de la concentration de DA en fonction des données de temps de A ou du taux de débordement évoqué (EO). Le taux d'OE est théoriquement un équilibre entre les taux de réapprovisionnement, qui est superposé à ce graphique. Cliquez ici pour voir une version plus grande de ce chiffre.
3. Utilisation de la fenêtre Simulator
Remarque: L'écran Simulator permet de sélectionner l'expérimentationDonnées au modèle (étape 3.1), ajustez les paramètres pour simuler les données expérimentales de réponse DA (étape 3.2), sauvegardez / chargez les paramètres de modélisation pour chaque réponse DA (étape 3.3) et exportez les paramètres enregistrés (étape 3.4).
- Sélection de la réponse DA expérimentale à simuler.
- Sélectionnez la réponse DA expérimentale à simuler en saisissant le numéro d'étude, le numéro de réponse et la durée de la stimulation dans les zones de texte correspondantes. Appuyez sur la touche "enter" ou cliquez sur simuler pour commencer le processus de simulation, ce qui crée 3 graphiques contenant des données expérimentales (lignes vertes épaisses), des données simulées (lignes pointillées bleues) et des données simulées qui ne représentent pas la publication DA post-stimulation Lignes pointillées rouges), comme dans la figure 2 .
- Modélisation des réponses expérimentales de DA.
Remarque: L'objectif de la modélisation est d'ajuster les paramètres du modèle relatifs à la libération de DA stimulée (étape 3.2.1), la recapture de DA (Étape 3.2.2) et la publication DA post-stimulation (étape 3.2.3) pour modéliser avec précision les réponses expérimentales de DA. La modélisation est un processus itératif dans lequel les paramètres de départ sont affinés jusqu'à ce que les paramètres produisent une réponse de DA simulée qui se rapproche des données expérimentales dans le graphique de DA contre Time (Panel A), qui peut être aidé en ajustant les données simulées aux données dérivées expérimentalement Le graphique des composants de post-stimulation estimés (Panneau B) et les taux de libération, recapture et diagramme EO (Panneau C).- Ajustez les paramètres ΔDAR, ΔDARτ et DARss associés à la version DA ( Equation 2 ) pour correspondre à l'amplitude de la stimulation.
Remarque: Ces paramètres ne sont que des estimations de départ qui seront raffinées, mais ΔDARτ = 25 et une valeur DARss 1/5 de ΔDAR sont des conditions de départ satisfaisantes. L'augmentation de l'un de ces paramètres augmentera l'amplitude dans le graphique DA versus Time et augmentera le rapport DATaux d'élimination dans le composant Estimation de la publication post-stimulation et les taux de libération, de recapture et de graphiques EO. - Réglez les paramètres V max , K mi , ΔK m , K minf et k associés à la récupération de DA (Équation 4), de sorte que dans le panneau A, les données simulées se rapprochent de la forme de la phase ascendante des données expérimentales (vert épais Ligne) et de sorte que la simulation sans trace de sortie post-stim (ligne pointillée rouge) est inférieure à la trace de données expérimentales pour tous les points de temps après stimulation.
Remarque: Cette étape nécessite probablement de réajuster les paramètres de publication DA (étape 3.2.1). - Ajustez les paramètres XR, τR et m associés à la publication DA post-stimulation ( Equation 3 ), de sorte que la simulation se rapproche des données expérimentales dans le graphique DA contre Time.
Remarque: X R doit prendre une valeur entre 0 et 1 et devrait généralement être supérieur à 0,7.
- Ajustez les paramètres ΔDAR, ΔDARτ et DARss associés à la version DA ( Equation 2 ) pour correspondre à l'amplitude de la stimulation.
- Enregistrement / loConcernant les paramètres de modélisation.
- Une fois qu'un ensemble de paramètres modélise étroitement les données expérimentales, cliquez sur Enregistrer les paramètres, ce qui permettra d'enregistrer cet ensemble de paramètres pour la réponse donnée au fichier .mat pour le projet.
- Si nécessaire, chargez les paramètres précédemment enregistrés pour une réponse particulière en cliquant sur Load Parameters. Assurez-vous que le numéro d'étude approprié et le numéro de réponse sont entrés dans les champs de texte correspondants.
- Exportation de paramètres enregistrés.
- Dans la zone de texte à côté du bouton Exporter les paramètres, tapez le nom du fichier ( par exemple, Sample.txt) et cliquez sur Exporter les paramètres pour exporter un fichier texte avec tous les paramètres des simulations. Détaillez le fichier texte en utilisant des espaces pour générer une feuille de calcul de paramètres, comme dans la Figure 4 de la section Résultats représentatifs ci-dessous.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Dans le programme logiciel, on trouve des exemples de données de neurotransmission de DA obtenues à partir du striatum dorsal de rat (Étude 1) et du noyau accumbens (Étude 2) qui sont compilés dans "Sample.xlsx". La feuille de calcul contient les données de concentration de DA des réponses de base aux stimulations de 60 Hz, 10 s et 5 s et une réponse à une stimulation de 60 Hz, 5 s 35 minutes après l'administration de l'inhibiteur de transport de DA méthylphénidate (MPH) (10 mg / Kg, ip). Les données de réponse de DA stimulées sont organisées en colonnes, comme le montre la figure 3 , qui sert de modèle pour organiser des données à modéliser à l'aide du logiciel.
Figure 3: Structurer les données dans un format lisible pour la modélisation . Les données de réponse DA stimulées issues de Sample.xlsx sont des organesDans les colonnes, comme ci-dessus, chaque colonne contenant une réponse de DA stimulée individuelle. Notez qu'il n'y a pas de colonnes relatives au domaine temporel dans cette feuille de calcul. Ceci est pris en compte dans l'écran d'initialisation.
Les données d'échantillonnage ont été modélisées comme décrit à l'étape 3.2 (modélisation des réponses DA expérimentales) en utilisant les paramètres de la figure 4 . Cela a donné des simulations qui ont approché les données expérimentales bien dans la D-Str ( Figure 5A ) et la NAc ( Figure 5B) .
Figure 4: Paramètres de simulation exportés pour la modélisation d'échantillons de données expérimentales . Chaque rangée contient des paramètres de simulation corrélés à une réponse de DA stimulée individuelle. Ici, les lignes 2-4 et 5-7 correspondent aux paramètres de simulation pour le striatum dorsal et nUcleus accumbens data (voir la figure 3 ci-dessus). Cliquez ici pour voir une version plus grande de ce chiffre.
Les expériences de FSCV impliquant la collecte de multiples réponses de DA incluent généralement des intervalles d'inter-stimulation suffisants pour permettre au système de se restaurer pour produire des réponses de DA stimulées reproductibles 25 . Dans un scénario idéal qui a produit des réponses reproductibles, les paramètres de libération de DA stimulés (ΔDAR, ΔDATτ et DARss) et les paramètres de recapture (V max , Kmi, ΔK m , K minf et k) seraient constants pour les réponses de base à la même fréquence de stimulation. Cependant, dans la pratique, il existe de petits changements dans les formes de réponse de DA et les amplitudes dans le temps qui se traduisent par des diminutions des métriques de publication de DA, comme ΔDAR dans cet ensemble de données (comparez les lignes 2 à 3 et5 à 6 sur la figure 4 ), ou diminuer en V max .
Contrairement à la libération de DA stimulée, les paramètres de libération de DA après stimulation changent en fonction de la durée de stimulation. Ceci est probablement dû à une accumulation induite par la stimulation du Ca 2+ intracellulaire qui prolonge la libération post-stimulation et augmente la contribution relative du composant de désintégration linéaire plus lent de la publication DA 20 , 26 post-stimulation. Ces effets dépendants de la durée de stimulation peuvent être observés dans les paramètres de modélisation représentatifs, la stimulation 10 s présentant des valeurs τR plus grandes et des valeurs X R plus petites que les stimulations 5 s (comparer les rangées 2 à 3 et 5 à 6 dans la Figure 4 ).
Figure 5: SimDes exemples de données d'échantillonnage. Les simulations démontrent l'ajustement étroit des données simulées (lignes pointillées bleues) aux données expérimentales de l'échantillon (lignes vertes épaisses). Ici, ( A et B ) représentent des simulations et des données expérimentales recueillies dans le striatum dorsal et le noyau accumbens, respectivement. Voir la Figure 4 pour les paramètres utilisés pour modéliser les données expérimentales. Cliquez ici pour voir une version plus grande de ce chiffre.
Les réponses de DA stimulées des deux régions ont produit des formes de réponse très différentes, avec des formes ascendantes concaves dans la D-Str ( Figure 5A ) et des formes ascendantes convexes dans la NAc ( Figure 5B ). Les deux formes de réponse pourraient être modélisées avec quelques différences notables dans les paramétrages. Bien qu'il existe une variabilité dans les formes de réponse et les amplitudes même dans une région donnée, K <Sub> minf est généralement beaucoup plus faible dans la NAc par rapport à la D-Str. En outre, V max , ΔDAR et ΔDARτ ont tendance à être plus bas dans la NAc, comme c'est le cas dans cet ensemble de données d'échantillons (comparer les lignes 2 et 5 de la figure 4 ).
L'ensemble des données d'échantillonnage inclut les réponses à un défi MPH. Bien qu'il s'agisse principalement d'un inhibiteur de DAT, on sait que le MPH a des effets secondaires sur la délivrance de DA 22 , 27 et peut altérer l'expression de la DAT en plasmique comme d'autres inhibiteurs de DAT 28 , 29 . Les réponses expérimentales ont été modélisées après une MPH de 10 mg / kg en tenant le composant rapide de la libération post-stimulation, τ R , l'administration constante pré et post-MPH, ce qui rend l'hypothèse discutable que les changements induits par MPH dans la cinétique de neurotransmission de DA stimulée ne sont pas En raison des changements dans la publication DA post-stimulation. Cela a permisL'examen des changements dans la libération stimulée et la cinétique de recapture. Dans cet exemple, MPH a induit une augmentation des K mes simulés, comme il est prévu pour un inhibiteur DAT compétitif, mais aussi une diminution de ΔDARτ et V max .
Fichier supplémentaire QNSim1.0.zip: Cliquez ici pour télécharger ce fichier.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
L'utilisation de FSCV pour étudier la neurotransmission de DA stimulée in vivo est née dans les années 1980 30 et continue d'être une source riche de données de neurotransmission in vivo avec une résolution spatiale et temporelle inégalée. Les réponses estimées de DA reflètent un équilibre complexe de la libération et du recouvrement de DA qui sont modulés par les stimulations électriques elles-mêmes. Le modèle QN intègre les principes de la recherche contemporaine en neurotransmission pour modéliser les données de neurotransmission de DA stimulées in vivo en termes d'hypothèses dynamiques de libération et de recapture 2 . En outre, le cadre QN étend les régions possibles d'analyse avec FSCV à des sites qui ne produisent pas de réponses "convexes", comme le striatum dorsal. Ces progrès permettent la caractérisation régionale de la pharmacodynamique emigranée 6 in vivo et des altérations danotiques dans les modèles de maladie du SNC. Le caractère régionalLa neurotransmission de DA est particulièrement importante parce que le striatum dorsal et ventral a des implications fonctionnelles différentes, reçoit une innervation différentielle différente de différentes populations neuronales et sont sensiblement sensibles dans les états pathologiques comme les 31 , 32 de Parkinson.
Comme le montre la figure 5 , le cadre QN est capable de modéliser de près les données expérimentales; Cependant, il existe des limites avec les méthodes de modélisation. Avec 12 paramètres réglables dans le cadre QN, plusieurs ensembles de paramétrages peuvent simuler de manière étroite une réponse DA expérimentale, et il est important de déterminer quel ensemble de paramétrages reflète plus précisément et précisément la cinétique sous-jacente de la libération et du recouvrement de DA. Bien qu'il soit impossible d'extraire des paramètres de modèle qui reflètent fidèlement la neurobiologie sous-jacente avec certitude, il est possible de systématiserDéterminent les estimations minimales des paramètres de libération et de réapprovisionnement qui correspondent aux hypothèses du cadre QN. Ainsi, les paramètres du modèle devraient être interprétés comme des estimations prudentes de la cinétique de libération et de recapture. Pour affiner la précision des paramètres du modèle, les réponses de DA multiples obtenues par différentes durées de stimulation doivent être obtenues à partir du même site d'enregistrement. Cela génère de multiples substrats pour la modélisation qui peuvent contraindre les paramètres de simulation pour améliorer leur précision. D'autres contraintes peuvent systématiquement être placées sur les paramètres du modèle en fonction des données de la littérature ( par exemple, Kmi ≈ 0.1-0.4 μM et τR ≈ 1.2 pour 60 Hz, 10 s stimulations) pour faciliter la modélisation des données, en particulier pour les modèles d'étude où la modélisation des changements temporels relatifs est plus importante Important que la précision absolue des paramètres du modèle. Les stratégies visant à améliorer la précision et la précision des paramètres du modèle sont un effort continu.
Le cadre QN aDes fondements théoriques pour ses hypothèses sur la façon dont la stimulation affecte la cinétique de neurotransmission de DA. Le cadre QN lui-même ne tient pas compte des effets possibles du retard de réponse des électrodes et de la distorsion diffusive dans les réponses DA 33 , 34 , dont l'existence et l'importance relative sont débattues dans le champ 3 . Par exemple, la variabilité cinétique régionale des réponses de DA a précédemment été attribuée à des différences cytoarchitecturales, avec des trajets de la matière blanche agissant comme une barrière de transport de masse dans le striatum dorsal 35 . Cependant, la variabilité dans les formes de réponse de DA est diminuée par l'administration d'antagonistes de D2 ou d'inhibiteurs de DAT 3 , 13 , ce qui suggère que la variabilité de réponse régionale est liée aux différences sous-jacentes dans la cinétique de libération et de recapture. Si les utilisateurs le jugent approprié, les réponses de DA peuvent être déconvolues à remOve diffusional distortions selon les méthodes publiées précédemment 33 , 34 , 36 , et ces données de réponse DA traitées peuvent encore être modélisées à l'aide du logiciel comme d'habitude.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Les auteurs n'ont rien à dévoiler.
Acknowledgments
Nous reconnaissons l'Institut de réadaptation de l'UPMC pour soutenir ce travail.
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).
