Summary
La voltammetria ciclica veloce può monitorare la neurotrasmissione dopamina in vivo nel contesto di farmaci, malattie e altre manipolazioni sperimentali. Questo lavoro descrive l'implementazione di QNsim1.0, un software per modellare le risposte dopaminiche stimolate elettricamente secondo il modello quantitativo neurobiologico per quantificare le stime della dinamica di rilascio e di reuptake della dopamina.
Abstract
I percorsi dopaminergici centrali (DAergic) hanno un ruolo importante in una vasta gamma di funzioni, come l'attenzione, la motivazione e il movimento. La dopamina (DA) è implicata in malattie e disturbi tra cui disordine di iperattività, deficit di attenzione, malattia di Parkinson e lesioni cerebrali traumatiche. Quindi, la neurotrasmissione DA ei metodi per lo studio sono di interesse scientifico intenso. La voltammetria ciclica veloce di scansione in vivo (FSCV) è un metodo che consente di monitorare selettivamente i cambiamenti di concentrazione di DA con una risoluzione fine temporale e spaziale. Questa tecnica è comunemente usata in combinazione con stimoli elettrici di ascendenti vie DAergiche per controllare il flusso impulsivo della neurotrasmissione della dopamina. Sebbene il paradigma di neurotrasmissione DA stimolato possa produrre robuste risposte DA con morfologie chiare, rendendole suscettibili di analisi cinetiche, c'è ancora molto dibattito su come interpretare le risposte in termini di rilascio di DA e chiareCe componenti. Per affrontare questa preoccupazione, è stato recentemente sviluppato un quadro quantitativo neurobiologico (QN) di stimolato neurotrasmissione DA per modellare realisticamente le dinamiche di rilascio e reuptake di DA nel corso di una risposta stimolata DA. Le basi di questo modello sono basate su dati sperimentali provenienti da stimolati neurotrasmissione DA e su principi di neurotrasmissione adottati da varie linee di ricerca. Il modello QN implementa 12 parametri relativi alla stimolazione della dinamica di rilascio e di ricupero DA per modellare le risposte DA. Questo lavoro descrive come simulare le risposte DA utilizzando QNsim1.0 e anche dettagli i principi che sono stati implementati per discernere sistematicamente le alterazioni nella stimolazione della dopamina di rilascio e di reuptake.
Introduction
La neurotrasmissione della dopamina (DA) svolge un ruolo essenziale nelle varie funzioni cognitive e comportamentali, e la sua disfunzione è implicata in varie malattie e disturbi comuni. In quanto tale, è fondamentale sviluppare metodi accurati per studiare quantitativamente la neurotrasmissione DA in vivo per valutare come la neurotrasmissione DA sia alterata nei contesti dei modelli di malattia e della farmacologia farmacologica. La voltammetria ciclica veloce (FSCV) consente di monitorare la neurotrasmissione in vivo DA con una risoluzione fine spaziale e temporale. Mentre è possibile monitorare la neurotrasmissione fisiologica DA in animali svegli e liberamente comportati, la stimolazione elettrica dei percorsi dopaminergici ascendenti in animali anestetizzati può produrre risposte robuste DA che sono suscettibili di una migliore analisi cinetica della neurotrasmissione DA.
Le risposte DA stimolate elettricamente riflettono un gioco dinamico di rilascio e reuptake DA e interpretazioniDi queste risposte hanno utilizzato prevalentemente un modello semplice di stimolazione della neurotrasmissione DA chiamata il modello Michaelis-Menten (MM) 12 . Il modello MM è costituito da 3 variabili per descrivere le risposte DA in termini di velocità di rilascio DA costante e di efficienza di reuptake costante ( cioè, la relazione tra il tasso di reuptake DA e le concentrazioni di extracellulari DA), come descritto nell'equazione 1 : 
(Rilascio DA) (ricupero DA)
Nell'equazione 1, f è la frequenza di stimolazione; [DA] p è l'aumento stimato della concentrazione DA per impulso di stimolazione; V max rappresenta il tasso massimo di ricupero stimato; E K m è la costante MM stimata, che è teoricamente equivalente alla concentrazione di DA extracellulare che satura il 50% di DAT, portando ad una velocità di ricuprimento half-maximal. Questo è diversoL'equazione può essere integrata per simulare le risposte DA sperimentali stimando i parametri [DA] p , V max e K m .
Anche se il modello MM ha facilitato notevoli progressi nella comprensione della cinetica di neurotrasmissione DA in vari contesti sperimentali, il modello MM rende ipotesi fondamentali semplici che limitano la sua applicabilità quando si modellano le risposte DA ottenute da stimoli suprafisiologici 2 , 13 . Ad esempio, il modello MM può approssimare solo le forme di risposta DA se ascendono in modo convesso, ma non possono rappresentare le risposte graduali (concave) che si trovano nelle regioni striatali dorsali 12 . Quindi, le ipotesi di modello MM non acquisiscono con precisione i processi di rilascio dinamico e di reuptake della stimolata neurotrasmissione DA.
Modellare le risposte DA stimolate in base a un quant realisticoIl quadro quantitativo neurobiologico (QN) è stato sviluppato sulla base di principi di cinetica stimolata di neurotrasmissione derivata dalla ricerca complementare e dalla sperimentazione 2 . Diverse linee di ricerca di neurotrasmissione dimostrano che (1) la liberazione del neurotrasmettitore stimolato è un processo dinamico che diminuisce nel tasso nel corso della stimolazione 14 , (2) rilascio continua nella fase poststimulazione con cinetica di decadimento bifasica 15 e (3) DA L'efficienza di ricupero viene inibito progressivamente durante la durata della stessa stimolazione 2 , 16 . Questi tre concetti fungono da fondamento del framework QN e le tre equazioni costituite da 12 parametri che descrivono le dinamiche di rilascio e reuptake DA ( tabella 1 ). Il quadro QN può simulare da vicino i tipi di risposta sperimentale eterogenei, nonché il pEffetti ridotti delle manipolazioni sperimentali di parametri di stimolazione e somministrazione di farmaci 2 , 6 . Sebbene sia necessaria un'ulteriore ricerca per perfezionare l'approccio di modellazione dei dati, i prossimi esperimenti possono trarre profitto da questo approccio di modellazione neurobiologicamente fondato, che aggiunge notevolmente le inferenze tratte dal paradigma stimolato DA di neurotrasmissione.
Tabella 1: Equazioni e parametri di modellazione . Clicca qui per visualizzare una versione più grande di questa figura.
Questo tutorial descrive come modellare i dati di risposta stimolati DA per stimare la rilascio di DA e ricompare la cinetica utilizzando QNsim 1.0. L'effettiva raccolta di dati sperimentali e prL'elaborazione non è descritta qui e richiede solo dati temporali di concentrazione DA. Il supporto teorico e le fondamenta del framework QN sono stati descritti in precedenza 2 , ma una prospettiva pratica sull'applicazione del framework QN per la modellazione dei dati di risposta DA è descritta di seguito.
Il framework QNM modella l'interazione dinamica tra: 1) rilascio dinamico DA, 2) reuptake DA, 3) effetti di stimoli suprafisiologici su questi processi per estrarre informazioni cinetiche significative dai dati di risposta DA. Il framework QN è più adatto per la modellazione di dati FSCV acquisiti utilizzando stimoli altamente suprafisiologici di lunga durata ( ad es., 60 Hz, 10 s stimolazioni), che producono robuste risposte DA che sono suscettibili di analisi cinetica. Seguendo la corretta modellizzazione dei processi di rilascio e di reuptake sottostante, i parametri del modello possono essere utilizzati per simulare una risposta DA che dovrebbe approssimare la forma dell'exRisposta perorale DA.
Le equazioni del quadro QN descrivono i tassi di rilascio e reuptake di DA nel corso delle risposte DA stimolate. Il quadro QN descrive la velocità di rilascio DA stimolata in funzione del tempo dall'inizio della stimolazione (t stim ), quando la velocità di rilascio DA diminuisce esponenzialmente nel corso dello stimolo. Ciò è coerente con l'esaurimento di una piscina prontamente rilasciata, con un tasso di rilascio aggiuntivo di DA (DARss) a rendere conto della ricostituzione della vescicola, simile ad altri rapporti (Equazione 2 ) 14 , 17 .
Le manipolazioni che aumentano il tasso di rilascio del DA, ad esempio aumentando ΔDAR, ΔDAR τ o DARss, portano ad aumentate ampiezze di risposta nei diagrammi DA rispetto a tempo. Ogni parameTer contribuisce in modo differenziato alle forme di risposta DA. Aumentando DARss e ΔDAR τ entrambi rendono la fase crescente di risposte più lineari (meno convessa). La diminuzione di ΔDAR τ promuove la convessità, controllata dalla grandezza di ΔDAR. Sulla base dell'esperienza di modellazione, DARss è generalmente inferiore a 1/5 di ΔDAR; Quindi, ΔDAR è il parametro di rilascio che determina principalmente l'ampiezza complessiva di risposta di una risposta DA.
La velocità di rilascio post-stimolazione DA è modellata dall'equazione 3 come una continuazione della velocità di rilascio DA stimolata dalla fine della stimolazione (DAR ES ) in funzione del tempo dopo la stimolazione (t post ). La velocità di rilascio DA dopo la stimolazione segue un modello di decadimento bifasico, come descritto in precedenza 15 , con una rapida fase di decadimento esponenziale e una prolungata fase di decadimento lineare per modellare due caProcessi di rilascio del neurotrasmettitore dipendente dal calcio.
(Decadimento rapido esponenziale) (Decadimento lineare prolungato)
Attualmente non è possibile determinare la percentuale di rilascio post-stimolazione DA. Questa limitazione può essere affrontata riducendo sistematicamente le stime di rilascio DA poststimulazione e convalidando i parametri del modello attraverso un insieme di risposte DA sperimentali raccolte dallo stesso sito di registrazione utilizzando varie durate di stimolazione. Questa minimizzazione consente agli utenti di effettuare stime conservative di rilascio e riutilizzo. Poiché le stimolazioni elettriche conducono all'accumulo di calcio che promuove il rilascio del neurotrasmettitore post-stimolazione, la durata della stimolazione influenza i neurotrasci poststimulativiI parametri di rilascio del mittente 18 , 19 . Sulla base dell'esperienza di modellazione, si è scoperto che mentre aumenta la durata della stimolazione, τ aumenta e X R diminuisce, coerente con gli effetti previsti di un maggiore accumulo di calcio 20 .
L' equazione 4 descrive la frequenza di ricupero DA come estensione del quadro MM e incorpora un termine dinamico Km che aumenta durante la stimolazione per modellare un'efficienza di reuptake progressivamente diminuita causata dalle stimoli suprafisiologiche 2 , 16 . La stimolazione K m viene mantenuta costante al valore K m alla fine della stimolazione (K mES ).
dove,
(Durante la stimolazione) (dopo stimolazione)
Le risposte stimolate DA, in particolare dalle regioni striatali ventrali, spesso sono insensibili a variazioni del valore iniziale Km (K mi ), che rende problematica la definizione di un valore K mi . Così, come il quadro MM originale, K mi è approssimato a 0,1-0,4 μM per le risposte DA raccolte da animali di controllo non trattati 12 . Il termine Δ K m determina l'entità del cambiamento di efficienza di riutilizzo durante la stimolazione, che dalla nostra esperienza è di circa 2081; M nel corso di una stimolazione da 60 Hz, 10-s. I valori k e K minf determinano come Km cambia nel tempo e aumentando uno di questi termini promuove la concavità della fase crescente. V max è la frequenza massima di ricupero che in parte si riferisce alla densità locale del trasportatore DA, che presenta un gradiente ventromediale a dorsolaterale 21 . Di conseguenza, i valori V max nel striato dorsale (D-Str) sono generalmente superiori a 30 μM / s, ma generalmente inferiori a 30 μM / s nelle regioni ventrali, come il nucleo accumbens (NAc) 6 .
Le linee guida di cui sopra possono aiutare a modellare i dati sperimentali di risposta DA, ma generando una simulazione che si avvicina alla risposta sperimentale DA richiede una revisione iterativa dei parametri del modello. L'accuratezza dei parametri del modello può essere migliorata ottenendo risposta DA a stimoli suprafisiologici che fornisconoE un substrato robusto per la simulazione, nonché ottenendo e modellando molteplici risposte DA a stimoli di varia durate nello stesso luogo di registrazione ( ad esempio, stimoli da 60, 5 e 10) per convalidare l'accuratezza dei parametri ( Vedere i dati del campione). Per dimostrare, un set di dati è incluso con il pacchetto software contenente risposte DA regiospecificamente stimolate raccolte nel nucleus accumbens e nello striato dorsale, prima e dopo una sfida farmacologica già modellata utilizzando il framework QN. Per estensione, gli utenti troveranno che questa metodologia può essere applicata allo stesso modo per caratterizzare la cinetica della neurotrasmissione DA in vari contesti di malattia e manipolazioni farmacologiche.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Installazione, preparazione dati e lancio di QNsim1.0
- Scaricare "QNsim1.0.zip" (fornito come un supplemento) e estrarla in una directory desiderata.
- Preparare i dati di risposta DA stimolati per la modellazione con il programma software organizzando un foglio di calcolo in cui ogni colonna contiene una risposta temporale DA convertita a concentrazioni di μ M DA. Salvare questo file (.xlsx) nella stessa directory dei file di programma.
Nota: il foglio di calcolo può contenere più risposte in un singolo esperimento o più studi contenenti un numero fisso di risposte (vedere "esempio.xlsx" per un esempio). - Aprire il software dell'ambiente di programmazione, passare alla directory "QNSim1.0" nella finestra "Current Folder" e aprire il file intitolato "Initialization.m." Fare clic su "Esegui" per avviare la schermata di inizializzazione ( Figura 1 ).
Figura 1 : Schermata di inizializzazione. Questa schermata consente agli utenti di continuare un progetto esistente, immettendo un precedente file di progetto * .mat (a sinistra) o iniziando un nuovo progetto dai dati memorizzati di stimolato neurotrasmissione DA (a destra). Sono disponibili caselle di testo per immettere il nome file * .xlsx contenente i dati, alcuni descrittori essenziali dei dati e il nome file di progetto * .mat che contiene tutti i dati relativi al progetto. Clicca qui per visualizzare una versione più grande di questa figura.
2. Inizializzazione dell'ambiente di simulazione
Nota: la schermata di inizializzazione consente agli utenti di avviare un nuovo progetto (passo 2.1) o continuare con un progetto salvato in precedenza (punto 2.2).
- opzione 1: Iniziare un nuovo progetto
- Nella sezione Nuovo progetto, digitare il nome del file foglio di calcolo che contiene i dati di risposta DA per il progetto ( ad esempio, Sample.xlsx) nella casella di testo del file di dati [DA].
Nota: il file deve trovarsi nella stessa cartella dei file di programma. - Accanto al tempo di simulazione, immettere i punti temporali corrispondenti all'inizio e alla fine della raccolta dati (in secondi) rispetto all'inizio della stimolazione. Ad esempio, se la raccolta dati inizia 5 s prima della stimolazione e termina 35 s dopo, come nel Sample.xlsx, inserisci "-5" e "35."
- Inserisci il numero di risposte in ciascun studio accanto alla casella di testo corrispondente.
- Accanto all'intervallo di campionamento, immettere l'intervallo di campionamento dei dati sperimentali in pochi secondi.
- Accanto a Salva come (.mat), designa il nome del file, incluso il tipo di file (.mat) dove il progetto deve essere salvato.
Nota: Questo è il file che verrà utilizzato per creare il fileSimulazioni e tutto il lavoro può essere salvato in questo file di progetto. - Fare clic su Crea nuovo progetto per avviare la finestra Simulatore ( Figura 2 ).
- Nella sezione Nuovo progetto, digitare il nome del file foglio di calcolo che contiene i dati di risposta DA per il progetto ( ad esempio, Sample.xlsx) nella casella di testo del file di dati [DA].
- Opzione 2: Continuare un progetto precedente
- Nella sezione Continua Progetto precedente della finestra di inizializzazione, immettere il nomefile di un progetto iniziato in precedenza ( es. Sample.mat).
Nota: Questo file deve essere contenuto nella stessa cartella dei file del programma software. - Fare clic su Carica progetto esistente per avviare la finestra Simulatore ( Figura 2 ).
- Nella sezione Continua Progetto precedente della finestra di inizializzazione, immettere il nomefile di un progetto iniziato in precedenza ( es. Sample.mat).
Figura 2 : Schermo simulatore. La schermata del simulatore consente agli utenti di selezionare i dati sperimentali in D e di regolare i parametri di simulazione in E per modellare la sperimentazionedati. L'ispezione visiva di ( A, B e C ) può quindi aiutare nella perfezionamento dei parametri di simulazione in modo che la simulazione (linee blu tratteggiate) modella i dati sperimentali (righe verdi spesse). Qui, ( A ) contiene dati sperimentali e simulati DA concentrazione rispetto a tempo. ( B ) è un grafico che aiuta a stimare la liberazione post-stimolazione DA. ( C ) è una trama dei primi derivati sperimentali e simulati di concentrazioni di DA rispetto ai dati di tempo di A o del tasso di overflow evocato (EO). Il tasso di EO è teoricamente un equilibrio tra i tassi di rilascio-reuptake, sovrapposti su questo grafico. Clicca qui per visualizzare una versione più grande di questa figura.
3. Utilizzo della finestra Simulatore
Nota: la schermata Simulator consente di selezionare la sezione sperimentaleI dati da modellare (passo 3.1), regolare i parametri per simulare i dati sperimentali di risposta DA (passo 3.2), salvare / caricare i parametri di modellazione per ogni risposta DA (passo 3.3) e esportare i parametri salvati (passaggio 3.4).
- Selezione della risposta sperimentale DA per simulare.
- Selezionare la risposta sperimentale DA per simulare inserendo il numero di studio, il numero di risposta e la durata della stimolazione nelle caselle di testo corrispondenti. Premere il tasto "enter" o fare clic su simulazione per iniziare il processo di simulazione, che crea 3 grafici contenenti dati sperimentali (righe verdi spesse), dati simulati (linee tratteggiate blu) e dati simulati che non contengono la release post-stimolazione DA Linee tratteggiate rosse), come nella Figura 2 .
- Modellazione di risposte sperimentali DA.
Nota: L'obiettivo della modellazione è quello di regolare i parametri del modello relativi alla liberazione DA stimata (punto 3.2.1), ricupero DA (Punto 3.2.2) e rilascio poststimulazione DA (punto 3.2.3) per modellare accuratamente le risposte DA sperimentali. La modellazione è un processo iterativo in cui i parametri di partenza vengono raffinati finché i parametri non producono una risposta simulata DA che approssima i dati sperimentali nel diagramma DA vs. A tempo (Pannello A), che può essere aiutato inserendo i dati simulati sui dati derivati sperimentalmente in Il grafico del componente post-stimolazione stimato (pannello B) e le tariffe di rilascio, riassunto e grafico EO (pannello C).- Regolare i parametri ΔDAR, ΔDARτ e DARss associati alla liberazione DA (Equazione 2 ) per abbinare l'ampiezza della stimolazione.
Nota: Questi parametri sono solo stime iniziali che verranno raffinate, ma ΔDARτ = 25 e un valore DARss pari a 1/5 di ΔDAR sono condizioni di partenza soddisfacenti. L'aumento di questi parametri aumenta l'ampiezza nel diagramma DA rispetto al tempo e aumenta il relè DATasso di ase nel componente di rilascio post stimolato stimato e tassi di rilascio, riassunto e grafici EO. - Regolare i parametri V max , Kmi, ΔK m , K minf e k associati con il riassunto DA (Equazione 4), in modo tale che nel pannello A i dati simulati approssimano la forma della fase di salita dei dati sperimentali (spessore verde Line) e tale che la simulazione con la traccia di rilascio post-stim (linea puntata rossa) è inferiore alla traccia dei dati sperimentali per tutti i punti temporali di post-stimolazione.
Nota: questo passaggio richiede probabilmente la regolazione dei parametri di rilascio DA (fase 3.2.1). - Regolare i parametri XR, τR e m associati alla release post-stimolazione DA (Equazione 3 ), in modo che la simulazione approssimi i dati sperimentali nel grafico DA vs. tempo.
Nota: X R deve assumere un valore compreso tra 0 e 1 e generalmente superiore a 0,7.
- Regolare i parametri ΔDAR, ΔDARτ e DARss associati alla liberazione DA (Equazione 2 ) per abbinare l'ampiezza della stimolazione.
- Salvataggio / LoInserendo i parametri di modellazione.
- Una volta che un insieme di parametri modella i dati sperimentali, fare clic su Salva parametri, che salverà quel set di parametri per la risposta data al file the.mat per il progetto.
- Se necessario, caricate i parametri precedentemente salvati per una determinata risposta facendo clic su Carica parametri. Assicurarsi che il numero di studio appropriato e il numero di risposta siano inseriti nelle corrispondenti caselle di testo.
- Esportazione dei parametri salvati.
- Nella casella di testo accanto al pulsante Parametri di esportazione, digitare il nome del file ( es. Sample.txt) e fare clic su Esporta parametri per esportare un file di testo con tutti i parametri delle simulazioni. Eliminare il file di testo utilizzando gli spazi per generare un foglio di calcolo dei parametri, come nella figura 4 della sezione Risultati rappresentativi di seguito.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Sono inclusi nel programma software i dati di neurotrasmissione dei campioni DA ottenuti dallo striato dorsale del ratto (studio 1) e dal nucleo accumbens (studio 2) che vengono compilati in "Sample.xlsx". Il foglio di calcolo contiene i dati di concentrazione di DA delle risposte baseline a 60 Hz, 10 s e 5 s stimolazioni e una risposta a una stimolazione di 60 Hz, 5 s 35 minuti dopo la somministrazione del metilefenidato di trasporto DA inibitore (MPH) (10 mg / Kg, ip). I dati di risposta DA stimolati sono organizzati in colonne, come dimostrato nella figura 3 , che serve come modello per l'organizzazione dei dati da modellare usando il programma software.
Figura 3: Strutturare i dati in un formato leggibile per la modellazione . I dati di risposta DA stimolati da Sample.xlsx sono organiIn colonne, come sopra, con ogni colonna contenente una risposta individuale stimolata DA. Si noti che non ci sono colonne relative al dominio temporale in questo foglio di calcolo. Questo viene considerato nella schermata di inizializzazione.
I dati del campione sono stati modellati come descritto nel punto 3.2 (modellazione di risposte DA sperimentali) utilizzando i parametri di Figura 4 . Questo ha prodotto simulazioni che hanno approssimato bene i dati sperimentali sia nella D-Str ( Figura 5A ) che nel NAc ( Figura 5B) .
Figura 4: Parametri di simulazione esportati per la modellazione di dati sperimentali di esempio . Ogni riga contiene parametri di simulazione correlati a una risposta individuale stimolata DA. Qui le righe 2-4 e 5-7 corrispondono ai parametri di simulazione per lo striato dorsale e nDati ucleus accumbens (vedere la figura 3 sopra). Clicca qui per visualizzare una versione più grande di questa figura.
Gli esperimenti FSCV che coinvolgono la raccolta di risposte multiple DA generalmente incorporano intervalli di inter-stimolazione sufficienti per consentire al sistema di ripristinare se stesso per produrre risposte DA riproduttive stimolate 25 . In uno scenario ideale che ha prodotto risposte riproducibili, i parametri di rilascio DA (DAR, ΔDATτ e DARss) stimolati DA e parametri di reuptake (V max , Kmi, ΔK m , K minf e k) sarebbero costanti per le risposte baseline alla stessa frequenza di stimolazione. Tuttavia, in pratica, ci sono piccoli cambiamenti nelle forme di risposta e ampiezze del tempo nel tempo che si traducono in diminuzioni nelle metriche di rilascio DA, come ΔDAR in questo set di dati (confronta la riga da 2 a 3 eDa 5 a 6 in Figura 4 ), o per diminuire in V max .
A differenza della liberazione DA stimolata, i parametri di rilascio DA poststimulazione cambiano in base alla durata della stimolazione. Ciò è probabilmente dovuto ad un'accumulazione indotta da stimolazione di Ca 2+ intracellulare che prolunga il rilascio post-stimolazione e aumenta il contributo relativo del più lento componente di decadimento lineare della release post-stimolazione DA DA 20 , 26 . Questi effetti dipendenti dalla durata della stimolazione possono essere osservati nei parametri rappresentativi di modellazione, con la stimolazione di 10 s che presenta valori di τR maggiori e valori di X R più piccoli rispetto alle stimolazioni di 5 s (confronta la riga 2 alla 3 e quella da 5 a 6 in figura 4 ).
Figura 5: SimDati di campionamento. Le simulazioni dimostrano la perfetta adattamento dei dati simulati (linee tratteggiate blu) ai dati sperimentali del campione (righe verdi spesse). Qui, ( A e B ) rappresentano simulazioni e dati sperimentali raccolti rispettivamente nello striato dorsale e nel nucleus accumbens. Vedere la Figura 4 per i parametri utilizzati per modellare i dati sperimentali. Clicca qui per visualizzare una versione più grande di questa figura.
Le risposte DA stimolato dalle due regioni hanno prodotto forme di risposta molto diverse, con forme di salita concava nella D-Str ( Figura 5A ) e convex forme crescenti nel NAc ( Figura 5B ). Entrambe le forme di risposta potrebbero essere modellate con alcune differenze notevoli nelle parametrizzazioni. Anche se c'è variabilità nelle forme di risposta e nelle ampiezze anche all'interno di una determinata regione, K <Sub> minf è generalmente molto più basso nel NAc rispetto al D-Str. Inoltre, V max , ΔDAR e ΔDARτ tendono ad essere inferiori anche nel NAc, come nel caso di questo set di dati del campione (confronta le righe 2 e 5 della figura 4 ).
Inclusi nel set di dati del campione sono risposte a una sfida MPH. Anche se principalmente un inibitore DAT, MPH è noto per avere effetti secondari sulla release DA 22 , 27 e può alterare l'espressione plasmalemale di DAT come altri inibitori DAT 28 , 29 . Le risposte sperimentali sono state modellate dopo un MPH da 10 mg / kg mantenendo la componente rapida del rilascio post-stimolazione, τ R , la somministrazione costante di pre- e post-MPH, rendendo l'ipotesi argomente che i cambiamenti indotti da MPH nella cinetica stimolata DA di neurotrasmissione DA A causa di cambiamenti nel rilascio post-stimolazione DA. Questo ha permessoL'esame dei cambiamenti nella cinetica di rilascio stimolato e di reuptake. In questo esempio, MPH ha indotto un aumento dei Kmi simulati, come previsto per un inibitore DAT competitivo, ma anche una diminuzione di ΔDARτ e Vmax.
Supplemental File QNSim1.0.zip: Fare clic qui per scaricare questo file.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
L'uso di FSCV per studiare la neurotrasmissione DA stimolata in vivo in origine negli anni '80 e che continua ad essere una ricca fonte di dati in vivo di neurotrasmissione con risoluzione senza precedenti spaziali e temporali. Le risposte stimolate DA riflettono un equilibrio complesso di rilascio e reuptake DA che sono modulati dalle stesse stimolazioni elettriche. Il modello QN incorpora i principi della ricerca di neurotrasmissione contemporanea per modellare in vivo i dati di neurotrasmissione DA stimolati in vivo in termini di ipotesi di rilascio dinamico e di reuptake 2 . Inoltre, il framework QN estende le possibili aree di analisi con FSCV a siti che non producono risposte "convesse", come lo striato dorsale. Questi progressi consentono la caratterizzazione regionale della farmacodinamica DAergic 6 e delle alterazioni DAergiche nei modelli di malattia di CNS. I caratteri regionaliLa neurotrasmissione DA è particolarmente importante in quanto la striatum dorsale e ventrale hanno implicazioni funzionali diverse, ricevono innervazioni DAergiche diverse dalle diverse popolazioni neuronali e sono differenzialmente suscettibili in stati di malattia come i 31 e 32 di Parkinson.
Come dimostra la figura 5 , il framework QN è in grado di modellare attentamente i dati sperimentali; Tuttavia, esistono limitazioni con i metodi di modellazione. Con 12 parametri regolabili nel quadro QN, più set di parametrizzazioni possono simulare da vicino una risposta sperimentale DA e è importante determinare quale set di parametrizzazioni riflette più precisamente e accuratamente la cinetica sottostante della rilascio e della reuptake DA. Mentre non è possibile estrarre parametri di modello che riflettano con precisione la neurobiologia sottostante, è possibile sistematicamenteStabiliscono le stime minime dei parametri di rilascio e di ricupero che soddisfano le ipotesi del quadro QN. Pertanto, i parametri del modello dovrebbero essere interpretati come stime conservative di cinetica di rilascio e reuptake. Per affinare l'esattezza dei parametri del modello, molteplici risposte DA dovute alle diverse durate di stimolazione dovrebbero essere ottenute dallo stesso sito di registrazione. Ciò genera diversi substrati per la modellazione che possono costringere i parametri di simulazione per migliorare la loro precisione. Altri vincoli possono essere sistematicamente posizionati su parametri di modello basati su dati di letteratura ( ad esempio, Kmi ≈ 0,1-0,4 μM e τR ≈ 1,2 per 60 Hz, stimoli da 10 s) per facilitare la modellazione dei dati, soprattutto per i progetti di studio in cui modellazione dei cambiamenti temporali relativi è più Importante della precisione assoluta dei parametri del modello. Le strategie per migliorare la precisione e l'accuratezza dei parametri del modello sono uno sforzo continuo.
Il quadro QN ha la stRong per le sue ipotesi su come la stimolazione influenza la kinetica della neurotrasmissione DA. Il quadro QN stesso non tiene conto dei possibili effetti della ritardo di risposta dell'elettrodo e delle distorsioni diffusive nelle risposte DA 33 , 34 , la cui esistenza e relativa importanza sono discussi nel campo 3 . Ad esempio, la variabilità cinetica regionale delle risposte DA è stata precedentemente attribuita a differenze di cytoarchitettura, con tracce di materia bianca che agiscono come barriera di trasporto di massa nello striato dorsale 35 . Tuttavia, la variabilità delle forme di risposta DA diminuisce con la somministrazione di antagonisti D2 o inibitori DAT 3 , 13 , suggerendo che la variabilità di risposta regionale è legata alle differenze sottostanti nella cinetica di rilascio e di reuptake. Se gli utenti sembrano in forma, le risposte DA possono essere deconvolute a remOve le distorsioni diffusive secondo i metodi precedentemente pubblicati 33 , 34 , 36 e questi dati di risposta elaborati da DA possono ancora essere modellati usando il programma software come al solito.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Gli autori non hanno niente da rivelare.
Acknowledgments
Riconosciamo l'Istituto di Riabilitazione UPMC per sostenere questo lavoro.
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).
