Summary
Hurtig-skannesyklisk voltammetri kan overvåke in vivo dopamin nevrotransmisjon i sammenheng med narkotika, sykdom og andre eksperimentelle manipulasjoner. Dette arbeidet beskriver implementeringen av QNsim1.0, en programvare for å modellisere elektrisk stimulerte dopaminresponser i henhold til den kvantitative neurobiologiske modellen for å kvantifisere estimater for dopaminfrigivelse og gjenopptaksdynamikk.
Abstract
Sentrale dopaminerge (DAergic) veier har en viktig rolle i et bredt spekter av funksjoner, som oppmerksomhet, motivasjon og bevegelse. Dopamin (DA) er involvert i sykdommer og lidelser, inkludert oppmerksomhetsunderskudds hyperaktivitetsforstyrrelse, Parkinsons sykdom og traumatisk hjerneskade. Dermed er DA-neurotransmisjon og metodene for å studere den av intens vitenskapelig interesse. In-vivo hurtig-skanning syklisk voltammetri (FSCV) er en metode som gjør det mulig å selektivt overvåke DA konsentrasjonsendringer med fin temporal og romlig oppløsning. Denne teknikken brukes ofte i forbindelse med elektriske stimuleringer av stigende DAergiske veier for å kontrollere impulsstrømmen av dopamin nevrotransmisjon. Selv om det stimulerte DA-neurotransmisjonsparadigmet kan produsere robuste DA-responser med klare morfologier, noe som gjør dem akseptable for kinetisk analyse, er det fortsatt mye debatt om hvordan man kan tolke svarene i forhold til deres DA-frigivelse og clearanCe komponenter. For å løse denne bekymringen, ble et kvantitativt neurobiologisk (QN) rammeverk for stimulert DA-neurotransmisjon nylig utviklet for å realistisk modellere dynamikken til DA-utgivelse og gjenopptakelse i løpet av et stimulert DA-respons. Grunnlaget for denne modellen er basert på eksperimentelle data fra stimulert DA-neurotransmisjon og på prinsipper for nevrotransmisjon vedtatt fra ulike forskningslinjer. QN-modellen implementerer 12 parametere relatert til stimulert DA-utgivelse og gjenopptaksdynamikk til modell DA-responser. Dette arbeidet beskriver hvordan man simulerer DA-responser ved hjelp av QNsim1.0 og også detaljerte prinsipper som er implementert for systematisk å skille endringer i den stimulerte dopaminfrigivelsen og gjenopptaksdynamikken.
Introduction
Dopamin (DA) nevrotransmisjon spiller en viktig rolle i ulike kognitive og atferdsfunksjoner, og dysfunksjonen er involvert i flere vanlige sykdommer og lidelser. Som sådan er det kritisk å utvikle nøyaktige metoder for kvantitativt å studere DA-neurotransmisjon in vivo for å evaluere hvordan DA-neurotransmisjon er endret i sammenheng med sykdomsmodeller og stofffarmakologi. Fast-scan cyclisk voltammetri (FSCV) tillater overvåking in vivo DA-neurotransmisjon med fin romlig og tidsmessig oppløsning. Mens det er mulig å overvåke fysiologisk DA-neurotransmisjon i våte, fritt oppførte dyr, kan den elektriske stimuleringen av stigende dopaminerge veier i bedøvede dyr produsere robuste DA-responser som er mottagelige for den forbedrede kinetiske analysen av DA-neurotransmisjon.
Elektrisk stimulerte DA-responser gjenspeiler et dynamisk samspill mellom DA-utgivelse og gjenopptak, og tolkningerAv disse svarene har overveiende brukt en enkel modell av stimulert DA-neurotransmisjon kalt Michaelis-Menten (MM) -modellen 12 . MM-modellen består av 3 variabler for å beskrive DA-responser i form av en konstant DA-frigivelseshastighet og en konstant gjenopptakseffektivitet ( dvs. forholdet mellom DA-opptakshastigheten og ekstracellulære DA-konsentrasjoner), som beskrevet ved ligning 1 : 
(DA-utgivelse) (DA gjenopptak)
I ligning 1 er f frekvensen av stimulering; [DA] p er estimert DA konsentrasjon økning per stimuleringsimpuls; V max representerer estimert maksimal gjenopptakshastighet; Og K m er estimert MM-konstant, som teoretisk er ekvivalent med den ekstracellulære DA-konsentrasjonen som metter 50% DAT, noe som fører til en halv maksimal gjenopptakshastighet. Denne forskjellenAl likning kan integreres for å simulere eksperimentelle DA responser ved å estimere [DA] p , V max og K m parametrene.
Selv om MM-modellen har tilrettelagt betydelige fremskritt i forståelsen av DA-neurotransmisjonskinetikk i ulike eksperimentelle sammenhenger, gjør MM-modellen enkle grunnleggende forutsetninger som begrenser anvendelighet ved modellering DA-responser fremkalt av suprafysiologiske stimuleringer 2 , 13 . For eksempel kan MM-modellen kun tilnærme DA-responsformer dersom de stiger på en konveks måte, men den kan ikke regne med de gradvise (konkave) stigende responsene som finnes i dorsale striatalregioner 12 . Således tar MM-modellantakningene ikke nøyaktig inn i de dynamiske frigjørings- og gjenopptaksprosessene for stimulert DA-neurotransmisjon.
Å modellere stimulerte DA responser i henhold til en realistisk kvantDet rammende rammeprogrammet, den kvantitative neurobiologiske rammen (QN), ble utviklet basert på prinsipper for stimulert nevrotransmisjonskinetikk fra komplementær forskning og eksperiment 2 . Ulike linjer for neurotransmisjonsforskning viser at (1) stimulert frigivelse av neurotransmitter er en dynamisk prosess som faller i hastighet i løpet av stimulering 14 , (2) frigivelsen fortsetter i post-stimuleringsfasen med bifasisk henfallskinetikk 15 og (3) DA Reuptake effektivitet er gradvis hemmet i løpet av selve stimuleringen 2 , 16 . Disse tre konseptene tjener som grunnlaget for QN-rammen, og de tre ligningene består av 12 parametere som beskriver dynamikken til DA-utgivelsen og gjenopptaket ( Tabell 1 ). QN-rammen kan nøye simulere heterogene eksperimentelle DA-responstyper, så vel som pReduserte effekter av eksperimentelle manipulasjoner av stimuleringsparametere og legemiddeladministrasjon 2 , 6 . Selv om det er nødvendig med ytterligere forskning for å avgrense datamodelleringsmetoden, kan fremtidige eksperimenter i stor grad dra nytte av denne nevrologisk grunnlagsmodelleringsmetoden, noe som i betydelig grad bidrar til påvirkninger trukket fra det stimulerte DA-neurotransmisjonsparadigmet.
Tabell 1: Modelleringsligninger og parametere . Vennligst klikk her for å se en større versjon av denne figuren.
Denne opplæringen beskriver hvordan man modellerer stimulerte DA-responsdata for å estimere DA-frigivelse og gjenopptakskinetikk ved hjelp av QNsim 1.0. Den faktiske eksperimentelle datainnsamlingen og prOcessing er ikke beskrevet her og krever bare tidsmessige DA konsentrasjonsdata. Den teoretiske støtten og grunnlaget for QN-rammen har blitt beskrevet i stor grad tidligere 2 , men et praktisk perspektiv på å anvende QN-rammen på modell DA-responsdata er beskrevet nedenfor.
QN-rammen modellerer det dynamiske samspillet mellom: 1) dynamisk DA-frigivelse, 2) DA-gjenopptak, og 3) effektene av suprafysiologiske stimuleringer på disse prosessene for å trekke ut meningsfylt kinetisk informasjon fra DA-responsdata. QN-rammen passer best for modellering av FSCV-data som er oppnådd ved hjelp av svært suprafysiologiske stimuleringer av lang varighet ( f.eks. 60 Hz, 10 s stimuleringer), som gir robuste DA-responser som er mottagelige for kinetisk analyse. Etter nøyaktig modellering av de underliggende utgivelses- og gjenopptaksprosessene, kan modellparametrene brukes til å simulere en DA-respons som skal tilnærme formen til exPerimental DA respons.
Ligningene i QN-rammen beskriver hastighetene for DA-frigivelse og gjenopptak i løpet av de stimulerte DA-responsene. QN-rammen beskriver den stimulerte DA-frigivelseshastigheten som en funksjon av tid fra starten av stimulering (t- stimulering ), når DA-frigivelsesraten eksponentielt avtar i løpet av stimuleringen. Dette er i samsvar med uttømmelsen av et lett frigjørbart basseng, med en tilsatt stabil-DA-frigivelseshastighet (DARss) for å ta hensyn til vesikkelpåfylling, ligner andre rapporter ( ligning 2 ) 14 , 17 .
Manipulasjoner som øker DA-utgivelseshastigheten, for eksempel økning av A DAR, Δ DAR τ eller DARss, fører til økte responsamplituder på DA versus tidstegninger. Hver parameTer bidrar forskjellig til DA-responsformer. Økende DARss og Δ DAR τ gjør begge stigende faser av svar mer lineære (mindre konvekse). Reduserende Δ DAR τ fremmer konveksitet, som styres av størrelsen på Δ DAR. Basert på modelleringserfaring er DARss generelt mindre enn 1/5 av Δ DAR; Dermed er Δ DAR frigjøringsparameteren som primært bestemmer den samlede responsamplituden til en DA-respons.
Post-stimulerings-DA-frigivelseshastigheten er modellert av ligning 3 som en fortsettelse av den stimulerte DA-frigivelseshastigheten fra slutten av stimulering (DAR ES ) som en funksjon av tiden etter stimulering (t post ). Post-stimulering DA frigjøringshastigheten følger et bifasisk henfallsmønster, som tidligere beskrevet 15 , med en rask eksponensiell forfallsfase og en forlenget lineær forfallsfase til modell to caLcium-avhengige nevrotransmitterfrigjøringsprosesser.
(Rask eksponensiell forfall) (langvarig lineær forfall)
Det er for øyeblikket ikke mulig å avgjøre hvor mye poststimulering DA utgivelse skjer. Denne begrensningen kan behandles ved systematisk minimering av estimater for poststimulering DA-frigivelse og validering av modellparametere over et sett av eksperimentelle DA-responser samlet inn fra det samme opptakssted ved bruk av varierende stimuleringsvarigheter. Denne minimeringen tillater brukere å lage konservative estimater for utgivelse og gjenopptak. Fordi elektriske stimuleringer fører til kalsiumakkumulering som fremmer frigivelse etter stimulering av neurotransmitter, påvirker stimuleringsvarigheten poststimuleringsneurotransmitterenMitterfrigivelsesparametere 18 , 19 . Basert på modelleringserfaring ble det funnet at når stimuleringsvarigheten øker, øker τ R og X R reduseres, i samsvar med forventede effekter av større kalsiumakkumulering 20 .
Ligning 4 beskriver DA-gjenopptakshastigheten som en forlengelse av MM-rammen og inkorporerer en dynamisk Km-term, som øker under stimulering for å modellere en gradvis avtagende gjenopptakseffektivitet forårsaket av de suprafysiologiske stimulansene 2 , 16 . Km etter stimulering holdes konstant ved Km-verdien ved slutten av stimuleringen (K mES ).
hvor,
(Under stimulering) (Etter stimulering)
Stimulerte DA-responser, spesielt fra ventrale striatalregioner, er ofte ufølsomme for endringer i den innledende Km-verdien (K mi ), noe som gjør definisjonen av en K mi- verdi problematisk. Således, som den opprinnelige MM-rammen, er K mi tilnærmet ved 0,1-0,4 μM for DA-responser samlet inn fra kontrollbehandlede dyr 12 . A k m- siktet bestemmer omfanget av gjenopptakseffektivitetsendring under stimulering, som fra vår erfaring er om lag 2081; M i løpet av en 60 Hz, 10 s stimulering. K- og K- minf- verdiene bestemmer hvordan K m endrer seg over tid, og økning av disse vilkårene fremmer konkaviteten til stigningsfasen. V max er den maksimale gjenopptakshastigheten som delvis vedrører lokal DA transportør tetthet, som utviser en ventromedial til dorsolateral gradient 21 . Følgelig er V max- verdier i dorsalstriatumet (D-Str) generelt større enn 30 μM / s, men generelt mindre enn 30 μM / s i de ventrale områdene, slik som nucleus accumbens (NAc) 6 .
De generelle retningslinjene ovenfor kan hjelpe til med modellering av eksperimentelle DA-responsdata, men generering av en simulering som tilnærmer eksperimentell DA-respons krever iterativt justering av modellparametere. Nøyaktigheten av modellparametrene kan forbedres ved å oppnå DA-responser på suprafysiologiske stimuleringer som girEa robust substrat for simulering, samt ved å skaffe og modellere flere DA-responser på stimuleringer av varierende varighet på samme opptakssted ( f.eks. 60 Hz, 5 s og 10 s stimuleringer) for å validere nøyaktigheten av parametrene ( Se eksempeldataene). For å demonstrere er et datasett inkludert i programvarepakken som inneholder regispecifikke, stimulerte DA-responser samlet inn i nukleobatteriet og dorsalstriatum før og etter en farmakologisk utfordring som allerede var modellert ved hjelp av QN-rammen. I tillegg vil brukerne finne at denne metoden også kan brukes til å karakterisere kinetikken til DA-neurotransmisjon i ulike sykdomskontekster og farmakologiske manipulasjoner.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Installasjon, Dataforberedelse og Lansering av QNsim1.0
- Last ned "QNsim1.0.zip" (leveres som et supplement) og trekk det ut til en ønsket katalog.
- Klargjør stimulerte DA-responsdata for modellering med programvaren ved å organisere et regneark der hver kolonne inneholder et temporalt DA-svar konvertert til μM DA-konsentrasjoner. Lagre denne (.xlsx) filen til samme katalog som programfilene.
Merk: Regnearket kan inneholde flere svar i et enkelt eksperiment eller flere studier som inneholder et fast antall svar (se "Eksempel.xlsx" for eksempel). - Åpne programmeringsmiljøprogramvaren, naviger til "QNSim1.0" -katalogen i vinduet "Aktuell mappe", og åpne arkivet "Initialization.m." Klikk "Kjør" for å starte initialiseringsskjermbildet ( Figur 1 ).
Figur 1 : Initialiseringsskjerm. Denne skjermen lar brukerne fortsette et eksisterende prosjekt ved å skrive inn en tidligere * .mat prosjektfil (til venstre), eller for å starte et nytt prosjekt fra lagrede data av stimulert DA-neurotransmisjon (til høyre). Tekstboksene er gitt for å skrive inn * .xlsx filnavnet som inneholder dataene, noen få viktige beskrivere av dataene, og * .mat-prosjektfilen som inneholder alle dataene knyttet til prosjektet. Vennligst klikk her for å se en større versjon av denne figuren.
2. Initialisering av simuleringsmiljøet
Merk: Initialiseringsskjermbildet lar brukerne starte et nytt prosjekt (trinn 2.1) eller fortsette med et tidligere lagret prosjekt (trinn 2.2).
- valg 1: Begynner et nytt prosjekt
- Skriv inn navnet på regnearkfilen som inneholder DA-svardataene for prosjektet ( f.eks. Sample.xlsx) i tekstboksen [DA] Datafil under delen Ny prosjekt.
Merk: Filen må være i samme mappe som programfilene. - Ved siden av simuleringstid, skriv inn tidspunkter som svarer til start og slutt på datainnsamling (i sekunder) i forhold til starten av stimuleringen. For eksempel, hvis datainnsamlingen starter 5 s før stimuleringen og slutter 35 s etter, som i Sample.xlsx, skrives inn "-5" og "35."
- Skriv inn antall svar i hver studie ved siden av den tilsvarende tekstboksen.
- Ved siden av samplingsintervallet, skriv inn eksperimentelt datainnsamlingsintervall i sekunder.
- Ved siden av Lagre som (.mat), betegne filnavnet, inkludert filtype (.mat) der prosjektet skal lagres.
Merk: Dette er filen som skal åpnes for å oppretteSimuleringer, og alt arbeid kan lagres i denne prosjektfilen. - Klikk på Opprett nytt prosjekt for å starte simuleringsvinduet ( figur 2 ).
- Skriv inn navnet på regnearkfilen som inneholder DA-svardataene for prosjektet ( f.eks. Sample.xlsx) i tekstboksen [DA] Datafil under delen Ny prosjekt.
- Alternativ 2: Fortsetter et tidligere prosjekt
- I avsnittet Fortsett Forrige Prosjekt i Initialiseringsvinduet, skriv inn.matfilnavnet til et tidligere startet prosjekt ( f.eks. Sample.mat).
Merk: Denne filen må være inneholdt i samme mappe som programprogramfilene. - Klikk Last inn eksisterende prosjekt for å starte simulatorvinduet ( figur 2 ).
- I avsnittet Fortsett Forrige Prosjekt i Initialiseringsvinduet, skriv inn.matfilnavnet til et tidligere startet prosjekt ( f.eks. Sample.mat).
Figur 2 : Simulatorskjerm. Simulatorskjermen lar brukerne velge eksperimentelle data i D og justere simuleringsparametere i E for å modellere eksperimentetdata. Visuell inspeksjon av ( A, B og C ) kan da bidra til å forbedre simuleringsparametrene slik at simuleringen (blå strekkede linjer) modellerer eksperimentelle data (tykke grønne linjer). Her inneholder ( A ) eksperimentell og simulert DA-konsentrasjon versus tidsdata. ( B ) er en graf som hjelper til med å estimere post-stimulering DA-utgivelse. ( C ) er et plott av eksperimentelle og simulerte første derivater av DA-konsentrasjon versus tidsdata fra A eller hastigheten på fremkalt overløp (EO). Frekvensen av EO er teoretisk en balanse mellom frigjøringsopptakstildelingene, som er lagt på denne grafen. Vennligst klikk her for å se en større versjon av denne figuren.
3. Bruk simulatorvinduet
Merk: Skjermbildet Simulator lar deg velge eksperimenteltData til modell (trinn 3.1), juster parametere for å simulere eksperimentelle DA-responsdata (trinn 3.2), lagre / last modelleringsparametere for hver DA-respons (trinn 3.3) og eksporter de lagrede parameterne (trinn 3.4).
- Valg av eksperimentell DA-respons for å simulere.
- Velg eksperimentell DA-respons for å simulere ved å legge inn studienummer, svarnummer og varighet av stimuleringen i de tilsvarende tekstbokser. Trykk på "enter" -tasten eller klikk simulere for å starte simuleringsprosessen, som lager 3 grafer som inneholder eksperimentelle data (tykke grønne linjer), simulerte data (blå strekkede linjer) og simulerte data som ikke står for poststimulering DA-utgivelse ( Røde prikkede linjer), som i figur 2 .
- Modellering av eksperimentelle DA-svar.
Merk: Formålet med modellering er å justere modellparametrene knyttet til stimulert DA-utgivelse (trinn 3.2.1), DA-opptak (Trinn 3.2.2) og post-stimulering DA-frigivelse (trinn 3.2.3) for å nøyaktig modellere eksperimentelle DA-responser. Modellering er en iterativ prosess hvorved startparametrene blir raffinert til parametrene gir et simulert DA-respons som tilnærmer eksperimentelle data i DA versus Time-grafen (Panel A), som kan støttes ved å montere de simulerte dataene til de eksperimentelt avledede dataene i Graden av estimert poststimuleringskomponent (Panel B) og priser for utgivelse, gjenopptak og EO-graf (panel C).- Juster ΔDAR, ΔDARτ og DARss parametrene assosiert med DA utgivelse ( ligning 2 ) for å matche stimulansens amplitude.
Merk: Disse parametrene er bare startestimater som vil bli raffinert, men ΔDARτ = 25 og en DARss-verdi som er 1/5 av ΔDAR, er tilfredsstillende startforhold. Å øke noen av disse parametrene vil øke amplituden i DA versus Time grafen og øke DA releAse rate i Estimated post-stimulation release komponent og priser for utgivelse, reuptake og EO grafer. - Juster V max , K mi , ΔK m , K minf og k parametere assosiert med DA reuptake (Equation 4) slik at i de simulerte dataene i panel A tilsvarer formen på stigningsfasen av forsøksdataene (tykk grønn Linje) og slik at simuleringen uten post-stim-frigjøringsspor (rød prikkelinje) er mindre enn forsøksdata-sporet for alle post-stimuleringstidspunkter.
Merk: Dette trinnet krever sannsynligvis å justere DA-utgivelsesparametere (trinn 3.2.1). - Juster XR-, τR- og m-parametrene assosiert med post-stimulering DA-utgivelse ( ligning 3 ), slik at simuleringen tilnærmer eksperimentelle data i DA-versus tidsgrafen.
Merk: X R skal ta en verdi mellom 0 og 1 og skal generelt være større enn 0,7.
- Juster ΔDAR, ΔDARτ og DARss parametrene assosiert med DA utgivelse ( ligning 2 ) for å matche stimulansens amplitude.
- Lagring / loAddere modelleringsparametrene.
- Når et sett med parametere nøyaktig modellerer eksperimentelle data, klikker du Lagre parameter, som vil lagre det settet av parametere for det oppgitte svaret til .mat-filen for prosjektet.
- Hvis nødvendig, legg inn tidligere lagrede parametere for et bestemt svar ved å klikke Last inn parametere. Kontroller at riktig studienummer og svarnummer er innført i de tilsvarende tekstbokser.
- Eksporterer lagrede parametere.
- Skriv inn filnavnet ( f.eks. Eksempel.txt) i tekstboksen ved siden av knappen Eksporter parametere, og klikk på Eksporter parametere for å eksportere en tekstfil med alle parametrene til simuleringene. Avgrens tekstfilen ved hjelp av mellomrom for å generere et regneark med parametre, som i figur 4 i delen Representative resultater nedenfor.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Inkludert med programvaren er prøve DA-neurotransmisjonsdata oppnådd fra rotte dorsalstriatum (Studie 1) og kjernen accumbens (Study 2) som er kompilert i "Sample.xlsx." Regnearket inneholder DA-konsentrasjonsdataene for baseline responsene på 60 Hz, 10 s og 5 s stimuleringer og et svar på en 60 Hz, 5 s stimulering 35 min etter administrering av DA transport inhibitor methylphenidate (MPH) (10 mg / Kg, ip). De stimulerte DA-responsdataene er organisert i kolonner, som vist i figur 3 , som tjener som en mal for å organisere data som skal modelleres ved hjelp av programvaren.
Figur 3: Strukturering av dataene i et lesbart format for modellering . De stimulerte DA-responsdataene fra Sample.xlsx er organIzed i kolonner, som ovenfor, med hver kolonne inneholdende et individuelt stimulert DA respons. Vær oppmerksom på at det ikke er kolonner knyttet til tidsdomene i dette regnearket. Dette regnskapsføres i initialiseringsskjermbildet.
Prøvedataene ble modellert som beskrevet i trinn 3.2 (modelleringseksperimentelle DA-responser) ved hjelp av parametrene i figur 4 . Dette ga simuleringer som tilnærmet de eksperimentelle dataene godt i både D-Str ( Figur 5A ) og NAc ( Figur 5B) .
Figur 4: Eksporterte simuleringsparametere for modellering av prøveeksperimentdata . Hver rad inneholder simuleringsparametere som korrelerer med en individuell stimulert DA-respons. Her svarer rad 2-4 og 5-7 til simuleringsparametere for dorsalstriatum og nUcleus accumbens data (se figur 3 ovenfor). Vennligst klikk her for å se en større versjon av denne figuren.
FSCV-eksperimenter som involverer samlingen av multiple DA-responser, innbefatter generelt tilstrekkelige inter-stimuleringsintervaller for å tillate systemet å gjenopprette seg selv for å produsere reproduserbare stimulerte DA-responser 25 . I et ideelt scenario som produserte reproduserbare responser, ville stimulerte DA-frigjøringsparametre (ΔDAR, ΔDATτ og DARss) og gjenopptaksparametere ( Vmax, Kmi , ΔKm, K minf og k) være konstant for baselineresponser til samme frekvens av stimulering. Imidlertid er det i praksis små endringer i DA-responsformer og amplituder over tid som oversetter til reduksjoner i DA-frigivelsesmålinger, som ΔDAR i dette datasettet (sammenlign rad 2 til 3 og5 til 6 i figur 4 ), eller å senke i V max .
I motsetning til stimulert DA-frigjøring, endres post-stimulering DA-frigjøringsparametere basert på varigheten av stimuleringen. Dette skyldes sannsynligvis en stimuleringsinducert akkumulering av intracellulær Ca 2+ som forlenger poststimulasjonsfrigivelsen og øker det relative bidraget fra den langsommere lineære forfallskomponent av poststimulering DA-frigjøring 20 , 26 . Disse stimuleringsvarighetsavhengige effektene kan ses i de representative modelleringsparametrene, med 10 s stimulering som viser større τR-verdier og mindre X- R- verdier enn 5 s-stimuleringene (sammenlign rad 2 til 3 og 5 til 6 i figur 4 ).
Figur 5: SimUlasjoner av prøvedata. Simuleringer viser den nære tilpasningen til simulerte data (blå strekkede linjer) til prøveeksperimentdataene (tykke grønne linjer). Her, ( A og B ) skildrer simuleringer og eksperimentelle data samlet i henholdsvis dorsalstriatum og kjerne accumbens. Se figur 4 for parametrene som brukes til å modellere eksperimentelle data. Vennligst klikk her for å se en større versjon av denne figuren.
Stimulerte DA-responser fra de to regionene produserte svært forskjellige responsformer, med konkave stigende former i D-Str ( Figur 5A ) og konvekse stigende former i NAc ( Figur 5B ). Begge responsformer kunne modelleres med noen få merkbare forskjeller i parameteriseringer. Selv om det er variabilitet i responsformer og amplituder selv innenfor en gitt region, K <Sub> minf er generelt mye lavere inn i NAc sammenlignet med D-Str. Videre, V max , ΔDAR og ΔDARτ har også en tendens til å være lavere i NAc, slik det er tilfelle i denne prøvedatasettet (sammenlign rader 2 og 5 i figur 4 ).
Inkludert i utvalgsdatasettet er svar på en MPH-utfordring. Selv om det primært er en DAT-inhibitor, er MPH kjent for å ha sekundære effekter på DA-frigjøring 22 , 27 og kan endre det plasmalemmale uttrykket av DAT som andre DAT-hemmere 28 , 29 . Eksperimentelle responser ble modellert etter en 10 mg / kg MPH ved å holde den raske komponenten av poststimulasjonsfrigivelse, τR, konstant før- og post-MPH-administrasjon, og utgjorde den antagelige antagelsen om at MPH-induserte endringer i stimulert DA-neurotransmisjonskinetikk ikke er På grunn av endringer i post-stimulering DA frigjøring. Dette tillatt forUndersøkelsen av endringer i stimulert frigivelse og reopptakskinetikk. I dette eksemplet induserte MPH en økning i simulerte K mi , verdier som forventes for en konkurrerende DAT-inhibitor, men også en reduksjon i ΔDARτ og V max .
Supplerende fil QNSim1.0.zip: Vennligst klikk her for å laste ned denne filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Bruken av FSCV for å studere in vivo- stimulert DA-neurotransmisjon oppsto i 1980-tallet og fortsetter fortsatt å være en rik kilde til in vivo nevrotransmisjonsdata med enestående romlig og tidsmessig oppløsning. Stimulerte DA-responser reflekterer en kompleks balanse mellom DA-frigivelse og gjenopptak som moduleres av de elektriske stimuleringene selv. QN-modellen inkorporerer prinsipper fra moderne neurotransmisjonsforskning for å modellere in vivo- stimulerte DA-neurotransmisjonsdata når det gjelder dynamisk frigivelse og gjenopptaksforutsetninger 2 . Videre utvider QN-rammen de mulige analysene med FSCV til steder som ikke produserer "konvekse" svar, som dorsalstriatumet. Disse fremskrittene tillater den regionale karakterisering av in vivo DAergic farmakodynamikk 6 og DAergiske endringer i CNS-sykdomsmodeller. Den regionale karakterenZation av DA-neurotransmisjon er spesielt viktig fordi dorsal og ventral striatum har forskjellige funksjonelle implikasjoner, mottar forskjellig DAergic innervering fra forskjellige nevronpopulasjoner, og er differensielt utsatt for sykdomstilstander som Parkinsons 31 , 32 .
Som figur 5 viser, er QN-rammen i stand til å modellere eksperimentelle data nøye. Det er imidlertid begrensninger med modelleringsmetodene. Med 12 justerbare parametere i QN-rammen kan flere sett med parametreringer nøye simulere en eksperimentell DA-respons, og det er viktig å bestemme hvilket sett av parameteriseringer som mest nøyaktig og nøyaktig reflekterer den underliggende kinetikken til DA-utgivelse og gjenopptak. Selv om det ikke er mulig å trekke ut modellparametere som nøyaktig reflekterer den underliggende neurobiologien med sikkerhet, er det mulig å systematiskAllierte bestemme minimale estimater for utgivelse og gjenopptaksparametere som passer til antagelsene til QN-rammen. Dermed bør modellparametrene tolkes som konservative estimater for frigjøring og gjenopptakskinetikk. For å finpese nøyaktigheten av modellparametrene, bør flere DA-responser fremkalt av forskjellige varighetsstimuleringer oppnås fra samme opptakssted. Dette genererer flere underlag for modellering som kan begrense simuleringsparametere for å forbedre nøyaktigheten. Andre begrensninger kan systematisk settes på modellparametere basert på litteraturdata ( f.eks. Kmi ≈ 0,1-0,4 μM og τR ≈ 1,2 for 60 Hz, 10 s stimuleringer) for å lette datamodellering, spesielt for studieutformninger hvor modellering av relative temporære endringer er mer Viktig enn absolutt nøyaktighet av modellparametere. Strategier for å forbedre nøyaktigheten og nøyaktigheten til modellparametrene er en kontinuerlig innsats.
QN-rammen har stRong teoretiske grunnlag for antagelser om hvordan stimulering påvirker DA-neurotransmisjonskinetikk. QN-rammen selv tar ikke hensyn til de mulige effektene av elektroderesponslag og diffusjonsforvrengning i DA-responsene 33 , 34 , hvor eksistensen og relativ betydning er diskutert i feltet 3 . For eksempel har den regionale kinetiske variabiliteten av DA-responser tidligere blitt tilskrevet cytoarchitectural forskjeller, med hvite materielle kanaler som virker som en massetransportbarriere i dorsalstriatumet 35 . Imidlertid reduseres variabiliteten i DA-responsformer ved administrering av D2-antagonister eller DAT-inhibitorer 3 , 13 , noe som tyder på at regional responsvariabilitet er knyttet til underliggende forskjeller i frigjørings- og gjenopptakskinetikk. Hvis brukerne ser hensiktsmessig, kan DA-svarene dekonvolueres til remOve diffusjonsforvrengning i henhold til tidligere publiserte metoder 33 , 34 , 36 og denne behandlede DA-responsdata kan fremdeles modelleres ved hjelp av programvaren som vanlig.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingenting å avsløre.
Acknowledgments
Vi anerkjenner UPMC Rehabilitation Institute for å støtte dette arbeidet.
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).
