Summary
A voltametria cíclica de varredura rápida pode monitorar neurotransmissão de dopamina in vivo no contexto de drogas, doenças e outras manipulações experimentais. Este trabalho descreve a implementação do QNsim1.0, um software para modelar respostas de dopamina estimuladas eletricamente de acordo com o modelo neurobiológico quantitativo para quantificar estimativas de liberação de dopamina e dinâmica de recaptação.
Abstract
As vias dopaminérgicas do meio (DAergic) central têm um papel importante em uma ampla gama de funções, como atenção, motivação e movimento. A dopamina (DA) está implicada em doenças e distúrbios, incluindo transtorno de déficit de atenção e hiperatividade, doença de Parkinson e lesão cerebral traumática. Assim, a neurotransmissão DA e os métodos para estudá-la são de intenso interesse científico. A voltamperografia cíclica de rápida varredura in vivo (FSCV) é um método que permite monitorar seletivamente as mudanças de concentração DA com resolução temporal e espacial fina. Esta técnica é comumente usada em conjunção com estimulações elétricas de caminhos díngicos ascendentes para controlar o fluxo de impulso da neurotransmissão da dopamina. Embora o paradigma de neurotransmissão de DA estimulado possa produzir respostas de DA robustas com morfologias claras, tornando-as passíveis de análise cinética, ainda há muito debate sobre como interpretar as respostas em termos de liberação de DA e ClearanComponentes. Para abordar esta preocupação, uma estrutura neurobiológica quantitativa (QN) de neurotransmissão DA estimulada foi recentemente desenvolvida para modelar de forma realista a dinâmica de liberação e recaptação de DA ao longo de uma resposta de DA estimulada. Os fundamentos deste modelo baseiam-se em dados experimentais de neurotransmissão de DA estimulada e em princípios de neurotransmissão adotados em várias linhas de pesquisa. O modelo de QN implementa 12 parâmetros relacionados à liberação de DA estimulada e dinâmica de recaptação para modelar as respostas DA. Este trabalho descreve como simular as respostas da DA usando QNsim1.0 e também detalha os princípios que foram implementados para discernir sistematicamente as alterações na liberação de dopamina estimulada e na dinâmica da recaptação.
Introduction
A neurotransmissão de dopamina (DA) desempenha um papel essencial em várias funções cognitivas e comportamentais, e sua disfunção está implicada em várias doenças e distúrbios comuns. Como tal, é fundamental desenvolver métodos precisos de estudo quantitativo da neurotransmissão DA in vivo para avaliar como a neurotransmissão DA é alterada nos contextos de modelos de doenças e farmacologia de drogas. A voltametria cíclica de varredura rápida (FSCV) permite monitorizar a neurotransmissão DA DA in vivo com resolução espacial e temporal fina. Embora seja possível monitorizar a neurotransmissão de DA fisiológica em animais acordados, que se comportam livremente, a estimulação elétrica de caminhos dopaminérgicos ascendentes em animais anestesiados pode produzir respostas de DA robustas que são favoráveis à análise cinética aprimorada da neurotransmissão DA.
As respostas de DA estimuladas eletronicamente refletem uma interação dinâmica da liberação e recaptação de DA, e interpretaçõesDessas respostas usaram predominantemente um modelo simples de neurotransmissão de DA estimulada chamada modelo Michaelis-Menten (MM) 12 . O modelo de MM consiste em 3 variáveis para descrever as respostas de DA em termos de uma taxa de liberação constante de DA e uma eficiência de recaptação constante ( ou seja, a relação entre a taxa de recaptação de DA e as concentrações extracelulares de DA), conforme descrito pela Equação 1 : 
(Liberação de DA) (recaptação de DA)
Na Equação 1, f é a freqüência de estimulação; [DA] p é o aumento estimado da concentração DA por pulso de estimulação; V max representa a taxa de recaptação máxima estimada; E K m é a constante de MM estimada, que é teoricamente equivalente à concentração de DA extracelular que satura 50% de DAT, levando a uma taxa de recaptação de meio máximo. Essa diferençaA equação completa pode ser integrada para simular respostas experimentais de DA estimando os parâmetros [DA] p , V max e K m .
Embora o modelo de MM tenha facilitado avanços significativos na compreensão da cinética de neurotransmissão de DA em vários contextos experimentais, o modelo de MM faz suposições fundamentais simplistas que limitam sua aplicabilidade ao modelar as respostas da DA suscitadas por estimulações suprafisiológicas 2 , 13 . Por exemplo, o modelo de MM só pode aproximar as formas de resposta de DA se aumentar de maneira convexa, mas não pode explicar as respostas crescentes graduais (côncavas) encontradas nas regiões estriadas dorsais 12 . Assim, os pressupostos do modelo MM não capturam com precisão os processos de liberação dinâmica e recaptação da neurotransmissão de DA estimulada.
Para modelar as respostas de DA estimuladas de acordo com um quantum realistaO quadro quantitativo neurobiológico (QN) foi desenvolvido com base em princípios de cinética de neurotransmissão estimulada, derivados de pesquisas complementares e experimentação 2 . Várias linhas de pesquisa de neurotransmissão demonstram que (1) a liberação de neurotransmissor estimulada é um processo dinâmico que diminui na taxa ao longo da estimulação 14 , (2) a liberação continua na fase pós-estimulação com cinética de decomposição bifásica 15 e (3) DA A eficiência da recaptação é progressivamente inibida durante a duração da própria estimulação 2 , 16 . Esses três conceitos servem de base à estrutura do QN e as três equações consistindo em 12 parâmetros que descrevem a dinâmica da liberação e recaptação do DA ( Tabela 1 ). A estrutura de QN pode simular de forma precisa tipos de resposta de DA experimentais heterogêneos, bem como a pEfeitos redicados de manipulações experimentais de parâmetros de estimulação e administração de fármaco 2 , 6 . Embora seja necessária uma pesquisa adicional para refinar a abordagem de modelagem de dados, as experiências futuras podem se beneficiar grandemente dessa abordagem de modelagem neuroquimicamente fundamentada, o que aumenta significativamente as inferências extraídas do paradigma de neurotransmissão DA estimulado.
Tabela 1: Modelagem de Equações e Parâmetros . Clique aqui para ver uma versão maior desta figura.
Este tutorial descreve como modelar dados de resposta de DA estimulados para estimar a liberação de DA e a cinética de recaptação usando o QNsim 1.0. A coleção de dados experimental real e prO processamento não é descrito aqui e requer apenas dados de concentração de DA temporais. O suporte teórico e os fundamentos da estrutura QN foram amplamente descritos anteriormente 2 , mas uma perspectiva prática sobre a aplicação da estrutura QN para o modelo de dados de resposta DA é descrita abaixo.
A estrutura de QN modela a interação dinâmica entre: 1) liberação de DA dinâmica, 2) recaptação de DA e 3) os efeitos de estimulações suprafisiológicas nesses processos para extrair informações cinéticas significativas de dados de resposta de DA. A estrutura QN é mais adequada para modelagem de dados FSCV adquiridos com estimulações altamente suprafisiológicas de longa duração ( por exemplo, 60 Hz, 10 s estimulações), que produzem respostas robustas DA que são passíveis de análise cinética. Seguindo a modelagem precisa dos processos subjacentes de liberação e recaptação, os parâmetros do modelo podem ser usados para simular uma resposta DA que deve se aproximar da forma do exResposta de DA experimental.
As equações da estrutura de QN descrevem as taxas de liberação de DA e recaptação ao longo das respostas de DA estimuladas. A estrutura de QN descreve a taxa de liberação de DA estimulada como uma função do tempo desde o início da estimulação (t stim ), quando a taxa de liberação de DA diminui exponencialmente ao longo da estimulação. Isso é consistente com o esgotamento de um pool prontamente liberável, com uma taxa de liberação de DA de estado estável adicionada (DARss) para explicar o reabastecimento de vesículas, semelhante a outros relatórios ( Equação 2 ) 14 , 17 .
Manipulações que aumentam a taxa de liberação de DA, como o aumento de Δ DAR, Δ DAR τ ou DARss, levam a amplitudes de resposta aumentadas em partos de DA versus tempo. Cada parameE contribui diferencialmente com as formas de resposta DA. Aumentar DARss e Δ DAR τ tornam a fase ascendente das respostas mais linear (menos convexa). Diminuir Δ DAR τ promove a convexidade, que é controlada pela magnitude de Δ DAR. Com base na experiência de modelagem, DARss geralmente é inferior a 1/5 de Δ DAR; Assim, Δ DAR é o parâmetro de lançamento que determina principalmente a amplitude de resposta global de uma resposta DA.
A taxa de liberação de DA pós-estimulação é modelada pela Equação 3 como uma continuação da taxa estimada de liberação de DA desde o final da estimulação (DAR ES ) em função do tempo após a estimulação (t post ). A taxa de liberação de DA pós-estimulação segue um padrão de decaimento bifásico, como descrito anteriormente 15 , com uma rápida fase de decaimento exponencial e uma fase de decaimento linear prolongada para modelar dois caProcessos de liberação de neurotransmissores dependentes de cálcio.
(Decadência exponencial rápida) (Decadência linear prolongada)
Atualmente, não é possível determinar a quantidade de liberação de DA pós-estimulação. Essa limitação pode ser abordada minimizando sistematicamente as estimativas da liberação de DA pós-estimulação e validando os parâmetros do modelo em um conjunto de respostas de DA experimentais coletadas do mesmo local de gravação usando diferentes durações de estimulação. Essa minimização permite aos usuários fazer estimativas conservadoras de liberação e recaptação. Como as estimulações elétricas levam à acumulação de cálcio que promove a liberação pós-estimulação de neurotransmissores, a duração da estimulação influencia os neurotrans pós-estimulaçãoMitter Release parameters 18 , 19 . Com base na experiência de modelagem, verificou-se que, à medida que a duração da estimulação aumenta, τ R aumenta e X R diminui, consistente com os efeitos antecipados de maior acumulação de cálcio 20 .
A Equação 4 descreve a taxa de recaptação de DA como uma extensão da estrutura de MM e incorpora um termo de K m dinâmico, que aumenta durante a estimulação para modelar uma eficiência de recaptação progressivamente decrescente causada pelas estimulações suprafisiológicas 2 , 16 . O K m após a estimulação é mantido constante no valor de K m no final da estimulação (K mES ).
Onde,
(Durante a estimulação) (após a estimulação)
As respostas de DA estimuladas, especialmente das regiões estriatares ventrais, são muitas vezes insensíveis às mudanças no valor inicial de K m (K mi ), o que torna a definição de um problema de K mi problemático. Assim, como a estrutura MM original, K mi é aproximado em 0,1-0,4 μ M para respostas DA coletadas de animais não tratados não tratados 12 . O termo Δ K m determina a extensão da mudança de eficiência da recaptação durante a estimulação, que da nossa experiência é de cerca de 2081; M ao longo de uma estimulação de 60 Hz, 10 s. Os valores de K e K minf determinam o modo como K m muda ao longo do tempo e o aumento de cada um destes termos promove a concavidade da fase ascendente. V max é a taxa de recaptação máxima que se relaciona parcialmente com a densidade do transportador DA local, que exibe um gradiente ventromedial para dorsolateral 21 . Por conseguinte, os valores de V max no estriado dorsal (D-Str) são geralmente superiores a 30 μ M / s, mas geralmente inferiores a 30 μ M / s nas regiões ventrais, como o núcleo accumbens (NAc) 6 .
As diretrizes gerais acima podem auxiliar na modelagem de dados experimentais de resposta DA, mas gerar uma simulação que se aproxima da resposta DA experimental precisa ajustar os parâmetros do modelo iterativamente. A precisão dos parâmetros do modelo pode ser melhorada através da obtenção de respostas DA para estimulações suprafisiológicas que proporcionamUm substrato robusto para simulação, bem como através da obtenção e modelagem de múltiplas respostas de DA para estimulações de diferentes durações no mesmo local de gravação ( por exemplo, estimulações de 60 Hz, 5 e 10) para validar a precisão dos parâmetros ( Veja os dados da amostra). Para demonstrar, um conjunto de dados é incluído no pacote de software que contém respostas DA estimuladas regiospecificas coletadas no núcleo accumbens e em estriado dorsal, antes e depois de um desafio farmacológico que já foi modelado usando a estrutura QN. Por extensão, os usuários acharão que esta metodologia pode ser aplicada de forma semelhante para caracterizar a cinética da neurotransmissão DA em vários contextos de doenças e manipulações farmacológicas.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Instalação, preparação de dados e lançamento QNsim1.0
- Baixe "QNsim1.0.zip" (fornecido como um suplemento) e extraie-o para um diretório desejado.
- Prepare dados de resposta de DA estimulados para modelagem com o programa de software organizando uma planilha em que cada coluna contém uma resposta DA temporária convertida em concentrações de μ MDA. Salve esse arquivo (.xlsx) no mesmo diretório que os arquivos do programa.
Nota: A planilha pode conter várias respostas em uma experiência individual ou vários estudos contendo um número fixo de respostas (veja "Sample.xlsx" para um exemplo). - Abra o software do ambiente de programação, navegue até o diretório "QNSim1.0" na janela "Pasta atual" e abra o arquivo "Inicialização.m". Clique em "Executar" para iniciar a tela de inicialização ( Figura 1 ).
Figura 1 : tela de inicialização. Esta tela permite aos usuários continuar um projeto existente, inserindo um arquivo de projeto anterior * .mat (à esquerda), ou para iniciar um novo projeto a partir de dados armazenados de neurotransmissão de DA estimulada (direita). São fornecidas caixas de texto para inserir o nome do arquivo * .xlsx que contém os dados, alguns descritores essenciais dos dados e o nome do arquivo do projeto * .mat que conterá todos os dados relacionados ao projeto. Clique aqui para ver uma versão maior desta figura.
2. Inicialização do ambiente de simulação
Nota: A tela de inicialização permite aos usuários iniciar um novo projeto (etapa 2.1) ou continuar com um projeto salvo anteriormente (etapa 2.2).
- Opção 1: Começando um novo projeto
- Sob a seção Novo projeto, digite o nome do arquivo da planilha que contém os dados de resposta do DA para o projeto ( por exemplo, Sample.xlsx) na caixa de texto do arquivo de dados [DA].
Nota: O arquivo deve estar na mesma pasta que os arquivos do programa. - Ao lado do tempo de simulação, insira os pontos de tempo correspondentes ao início e ao final da coleta de dados (em segundos) em relação ao início da estimulação. Por exemplo, se a coleta de dados começa 5 s antes da estimulação e termina 35 s depois, como no Sample.xlsx, insira "-5" e "35."
- Insira o número de respostas em cada estudo ao lado da caixa de texto correspondente.
- Ao lado do intervalo de amostragem, insira o intervalo experimental de amostragem de dados em segundos.
- Ao lado de Salvar como (.mat), designe o nome do arquivo, incluindo o tipo de arquivo (.mat), onde o projeto deve ser salvo.
Nota: Este é o arquivo ao qual será acessado para criar oSimulações, e todo o trabalho pode ser salvo neste arquivo de projeto. - Clique em Criar novo projeto para iniciar a janela do Simulador ( Figura 2 ).
- Sob a seção Novo projeto, digite o nome do arquivo da planilha que contém os dados de resposta do DA para o projeto ( por exemplo, Sample.xlsx) na caixa de texto do arquivo de dados [DA].
- Opção 2: continuar um projeto anterior
- Na seção Continuar projeto anterior da janela Inicialização, digite o nome do arquivo .mat de um projeto iniciado anteriormente ( por exemplo, Sample.mat).
Nota: Este arquivo deve estar contido na mesma pasta que os arquivos do programa de software. - Clique em Carregar Projeto Existente para iniciar a janela do Simulador ( Figura 2 ).
- Na seção Continuar projeto anterior da janela Inicialização, digite o nome do arquivo .mat de um projeto iniciado anteriormente ( por exemplo, Sample.mat).
Figura 2 : Tela do Simulador. A tela do simulador permite aos usuários selecionar os dados experimentais em D e ajustar parâmetros de simulação em E para modelar o experimentaldados. A inspeção visual de ( A, B e C ) pode então auxiliar no aperfeiçoamento dos parâmetros de simulação, de modo que a simulação (linhas tracejadas azuis) modelar os dados experimentais (linhas verdes grossas). Aqui, ( A ) contém dados experimentais e simulados de DA versus dados de tempo. ( B ) é um gráfico que ajuda a estimar a liberação de DA pós-estimulação. ( C ) é um enredo das primeiras derivadas experimentais e simuladas da concentração de DA versus dados de tempo de A ou a taxa de transbordo evocado (EO). A taxa de EO é, teoricamente, um equilíbrio das taxas de reabastecimento de liberação, que se sobrepõe a este gráfico. Clique aqui para ver uma versão maior desta figura.
3. Usando a janela do Simulador
Nota: A tela do Simulador permite selecionar o experimentalDados para modelar (passo 3.1), ajustar parâmetros para simular dados de resposta de DA experimentais (etapa 3.2), salvar / carregar parâmetros de modelagem para cada resposta de DA (etapa 3.3) e exportar os parâmetros salvos (passo 3.4).
- Selecionando a resposta DA experimental para simular.
- Selecione a resposta DA experimental para simular, inserindo o número do estudo, o número da resposta e a duração da estimulação nas caixas de texto correspondentes. Pressione a tecla "enter" ou clique em simular para iniciar o processo de simulação, que cria 3 gráficos contendo dados experimentais (linhas verdes grossas), dados simulados (linhas tracejadas azuis) e dados simulados que não contam para a liberação DA da pós-estimulação ( Linhas pontilhadas vermelhas), como na Figura 2 .
- Modelando respostas experimentais de DA.
Nota: O objetivo da modelagem é ajustar os parâmetros do modelo relativos à liberação de DA estimulada (passo 3.2.1), recaptação de DA (Passo 3.2.2), e liberação da DA pós-estimulação (etapa 3.2.3) para modelar com precisão as respostas experimentais DA. A modelagem é um processo iterativo pelo qual os parâmetros iniciais são refinados até que os parâmetros forneçam uma resposta de DA simulada que se aproxima dos dados experimentais no gráfico DA versus Time (Painel A), que pode ser auxiliado ao ajustar os dados simulados aos dados derivados experimentalmente O gráfico de componente Estimado de pós-estimulação (Painel B) e as taxas de liberação, recaptação e gráfico EO (Painel C).- Ajuste os parâmetros ΔDAR, ΔDARτ e DARss associados à liberação DA ( Equação 2 ) para combinar a amplitude da estimulação.
Nota: Estes parâmetros são apenas estimativas iniciais que serão refinadas, mas ΔDARτ = 25 e um valor DARss que é 1/5 de ΔDAR são condições de partida satisfatórias. Aumentar qualquer um desses parâmetros aumentará a amplitude no gráfico DA versus Time e aumentará o DATaxa de segurança no componente de liberação estimado pós-estimulação e taxas de liberação, recaptação e gráficos de EO. - Ajuste os parâmetros V max , K mi , ΔK m , K minf e k associados à recaptação de DA (Equação 4), de modo que, no painel A, os dados simulados se aproximam da forma da fase ascendente dos dados experimentais (verde espesso Linha) e tal que a simulação sem rastreio de liberação pós-estimulação (linha pontilhada vermelha) é menor que o rastreamento de dados experimental para todos os pontos de tempo pós-estimulação.
Nota: Esta etapa provavelmente requer ajustes de liberação de DA (etapa 3.2.1). - Ajuste os parâmetros XR, τR e m associados à versão DA da Pós-estimulação ( Equação 3 ), de modo que a simulação se aproxima dos dados experimentais no gráfico DA versus Time.
Nota: X R deve assumir um valor entre 0 e 1 e geralmente deve ser maior que 0,7.
- Ajuste os parâmetros ΔDAR, ΔDARτ e DARss associados à liberação DA ( Equação 2 ) para combinar a amplitude da estimulação.
- Saving / loConsiderando os parâmetros de modelagem.
- Uma vez que um conjunto de parâmetros modelos cuidadosamente os dados experimentais, clique em Salvar parâmetros, que salvará esse conjunto de parâmetros para a resposta dada ao arquivo .mat para o projeto.
- Se necessário, carregue os parâmetros salvos anteriormente para uma resposta específica clicando em Parâmetros de carga. Certifique-se de que o número e número de resposta apropriados sejam inseridos nas caixas de texto correspondentes.
- Exportando parâmetros salvos.
- Na caixa de texto ao lado do botão Exportar parâmetros, digite o nome do arquivo ( por exemplo, Sample.txt) e clique em Exportar parâmetros para exportar um arquivo de texto com todos os parâmetros das simulações. Delimite o arquivo de texto usando espaços para gerar uma planilha de parâmetros, como na Figura 4 da seção de Resultados Representativos abaixo.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Incluído com o programa de software são dados de neurotransmissão da DA de amostra obtidos a partir do estriado dorsal do rato (Estudo 1) e do núcleo accumbens (Estudo 2) que são compilados em "Sample.xlsx". A planilha contém os dados de concentração de DA das respostas de linha de base para estimulações de 60 Hz, 10 s e 5 s e uma resposta a uma estimulação de 60 Hz, 5 s 35 min após a administração do metilfenidato de inibidor de transporte DA (MPH) (10 mg / Kg, ip). Os dados de resposta de DA estimulados são organizados em colunas, como demonstrado na Figura 3 , que serve como um modelo para organizar dados a serem modelados usando o programa de software.
Figura 3: Estruturação dos dados em um formato legível para modelagem . Os dados de resposta de DA estimulados de Sample.xlsx são órgãosEm colunas, como acima, com cada coluna contendo uma resposta de DA estimulada individualmente. Observe que não há colunas relacionadas ao domínio do tempo nesta planilha. Isso é contabilizado na tela de inicialização.
Os dados da amostra foram modelados conforme descrito no passo 3.2 (modelagem de respostas experimentais DA) usando os parâmetros na Figura 4 . Isso resultou em simulações que aproximaram bem os dados experimentais tanto na D-Str ( Figura 5A ) quanto na NAc ( Figura 5B) .
Figura 4: Parâmetros de simulação exportados para modelagem de dados experimentais da amostra . Cada linha contém parâmetros de simulação correlacionados com uma resposta de DA estimulada individualmente. Aqui, as linhas 2-4 e 5-7 correspondem aos parâmetros de simulação para o striatum dorsal e nDados de ucleus accumbens (veja a Figura 3 acima). Clique aqui para ver uma versão maior desta figura.
As experiências de FSCV envolvendo a coleta de múltiplas respostas de DA geralmente incorporam intervalos de inter-estimulação suficientes para permitir que o sistema se restaure para produzir respostas de DA estimuladas reproduzíveis 25 . Em um cenário ideal que produziu respostas reproduzíveis, os parâmetros estimados de liberação de DA (ΔDAR, ΔDATτ e DARss) e os parâmetros de recaptação (V max , Kmi, ΔK m , K minf e k) seriam constantes para respostas de linha de base para a mesma freqüência de estimulação. No entanto, na prática, há pequenas mudanças nas formas e amplitudes de resposta do DA ao longo do tempo que se traduzem em diminuições nas métricas de lançamento do DA, como ΔDAR neste conjunto de dados (compare as linhas 2 a 3 e5 a 6 na Figura 4 ), ou para diminuir em V max .
Em contraste com a liberação de DA estimulada, os parâmetros de liberação de DA pós estimulação modificam-se com base na duração da estimulação. Isto é provavelmente devido a uma acumulação induzida por estimulação de Ca 2+ intracelular que prolonga a liberação pós-estimulação e aumenta a contribuição relativa do componente de decaimento linear mais lento da liberação DA, pós-estimulação , 20 , 26 . Esses efeitos dependentes da duração da estimulação podem ser vistos nos parâmetros de modelagem representativos, com a estimulação de 10 s exibindo valores de τR maiores e valores de X R menores do que os estimulantes de 5 s (compare as linhas 2 a 3 e 5 a 6 na Figura 4 ).
Figura 5: SimUlcções de dados de amostra. As simulações demonstram o ajuste próximo dos dados simulados (linhas tracejadas azuis) aos dados experimentais da amostra (linhas verdes grossas). Aqui, ( A e B ) descrevem simulações e dados experimentais coletados no estriado dorsal e núcleos accumbens, respectivamente. Veja a Figura 4 para os parâmetros utilizados para modelar os dados experimentais. Clique aqui para ver uma versão maior desta figura.
As respostas de DA estimuladas das duas regiões produziram formas de resposta muito diferentes, com formas ascendentes côncavas na D-Str ( Figura 5A ) e formas ascendentes convexas na NAc ( Figura 5B ). Ambas as formas de resposta podem ser modeladas com algumas diferenças notáveis nas parametrizações. Embora exista variabilidade em formas de resposta e amplitudes mesmo dentro de uma dada região, K <Sub> minf é geralmente muito menor no NAc em comparação com o D-Str. Além disso, V max , ΔDAR e ΔDARτ tendem a ser mais baixos no NAc, como é o caso neste conjunto de dados de amostra (compare as linhas 2 e 5 na Figura 4 ).
Incluído no conjunto de dados da amostra são respostas a um desafio MPH. Embora seja principalmente um inibidor de DAT, o MPH é conhecido por ter efeitos secundários na liberação de DA 22 , 27 e pode alterar a expressão plasmática de DAT como outros inibidores de DAT 28 , 29 . As respostas experimentais foram modeladas após uma MPH de 10 mg / kg segurando o componente rápido da liberação pós-estimulação, τ R , administração constante pré e pós-MPH, fazendo a suposição argumentável de que as mudanças induzidas por MPH na cinética de neurotransmissão estimada DA não são Devido a mudanças no lançamento da DA pós-estimulação. Isso permitiuO exame das mudanças na cinética estimulada de liberação e recaptação. Neste exemplo, o MPH induziu um aumento nos K mi simulados, valores como é esperado para um inibidor DAT competitivo, mas também uma diminuição em ΔDARτ e V max .
Arquivo suplementar QNSim1.0.zip: clique aqui para baixar este arquivo.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
O uso de FSCV para estudar a neurotransmissão de DA estimulada in vivo originou-se na década de 1980 30 e continua a ser uma fonte rica de dados de neurotransmissão in vivo com resolução espacial e temporal incomparável. As respostas de DA estimuladas refletem um equilíbrio complexo da liberação e recaptação de DA que são moduladas pelos próprios estímulos elétricos. O modelo QN incorpora princípios da pesquisa contemporânea de neurotransmissão para modelar dados de neurotransmissão DA estimulados in vivo em termos de suposições dinâmicas de liberação e recaptação 2 . Além disso, o framework QN estende as possíveis regiões de análise com FSCV para sites que não produzem respostas "convexas", como o estriado dorsal. Esses avanços permitem a caracterização regional da Farmacodinâmica Drogérgica In vivo 6 e as alterações de Drogas em modelos de doença do SNC. A característica regionalA zação da neurotransmissão DA é especialmente importante porque o estriado dorsal e ventral tem diferentes implicações funcionais, recebe diferentes inervações de diferentes populações neuronais e são diferencialmente suscetíveis em estados-doença como os de Parkinson 31 , 32 .
Como mostra a Figura 5 , a estrutura QN é capaz de modelar de perto dados experimentais; No entanto, existem limitações com os métodos de modelagem. Com 12 parâmetros ajustáveis na estrutura de QN, vários conjuntos de parametrizações podem simular de perto uma resposta de DA experimental, e é importante determinar qual conjunto de parametrizações mais precisamente e com precisão reflete a cinética subjacente da liberação e recaptação de DA. Embora não seja possível extrair parâmetros do modelo que reflitam com precisão a neurobiologia subjacente com certeza, é possível sistematizarDeterminam estimativas mínimas dos parâmetros de liberação e recaptação que se enquadram nos pressupostos da estrutura do QN. Assim, os parâmetros do modelo devem ser interpretados como estimativas conservadoras da cinética de liberação e recaptação. Para aprimorar a precisão dos parâmetros do modelo, as múltiplas respostas de DA suscitadas por diferentes durações de estimulação devem ser obtidas no mesmo local de gravação. Isso gera vários substratos para modelagem que podem restringir parâmetros de simulação para melhorar sua precisão. Outras restrições podem ser colocadas sistematicamente nos parâmetros do modelo com base em dados da literatura ( por exemplo, Kmi ≈ 0,1-0,4 μM e τR ≈ 1,2 para 60 Hz, 10 s estimulações) para facilitar a modelagem de dados, especialmente para projetos de estudo onde a modelagem de mudanças temporais relativas é mais Importante do que a precisão absoluta dos parâmetros do modelo. Estratégias para melhorar a precisão e precisão dos parâmetros do modelo são um esforço contínuo.
O framework QN tem stE os principais fundamentos teóricos para suas premissas sobre como o estímulo afeta a cinética de neurotransmissão de DA. A própria estrutura QN não explica os possíveis efeitos do atraso da resposta dos eletrodos e distorção difusional nas respostas DA 33 , 34 , cuja existência e importância relativa são debatidas no campo 3 . Por exemplo, a variabilidade cinética regional das respostas de DA foi anteriormente atribuída a diferenças citocárdicas, com os tratos da substância branca atuando como barreira de transporte de massa no estriado dorsal 35 . No entanto, a variabilidade nas formas de resposta DA é diminuída pela administração de antagonistas de D2 ou inibidores de DAT 3 , 13 , sugerindo que a variabilidade da resposta regional está ligada a diferenças subjacentes na cinética de liberação e recaptação. Se os usuários acharem conveniente, as respostas DA podem ser desconconformadas para remOve distorções difusórias de acordo com métodos anteriormente publicados 33 , 34 , 36 , e esses dados de resposta de DA processados ainda podem ser modelados usando o programa de software como de costume.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Os autores não têm nada a revelar.
Acknowledgments
Reconhecemos o Instituto de Reabilitação da UPMC para apoiar este trabalho.
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).
