Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
Click here for the English version

Neuroscience

Моделирование данных циклической вольтамперометрии с быстрым сканированием данных электроиммированных дофаминовых нейротрансмиссионных данных с использованием QNsim1.0

Published: June 5, 2017 doi: 10.3791/55595

Summary

Быстрая сканирующая циклическая вольтамперометрия может контролировать нейропередачу дофамина in vivo в контексте лекарств, болезней и других экспериментальных манипуляций. В этой работе описывается реализация QNsim1.0, программного обеспечения для моделирования электростимулированных ответов дофамина в соответствии с количественной нейробиологической моделью для количественной оценки оценок высвобождения дофамина и обратного захвата.

Abstract

Центральные дофаминергические (DAergic) пути играют важную роль в широком спектре функций, таких как внимание, мотивация и движение. Допамин (DA) участвует в заболеваниях и расстройствах, включая расстройство гиперактивности дефицита внимания, болезнь Паркинсона и травматическую травму головного мозга. Таким образом, нейропередача DA и методы ее изучения представляют значительный научный интерес. Циклическая вольтамперометрия с быстрым сканированием in vivo (FSCV) представляет собой метод, который позволяет выборочно контролировать изменения концентрации DA с точным временным и пространственным разрешением. Этот метод обычно используется в сочетании с электрическими стимуляциями восходящих DAergic путей для контроля импульсного потока нейротрансмиссии допамина. Хотя стимулированная парадигма нейропередачи DA может давать надежные ответы ДА с ясной морфологией, что делает их поддающимися кинетическому анализу, все еще много дискуссий о том, как интерпретировать ответы с точки зрения их выпуска DA и clearanКомпонентов. Чтобы решить эту проблему, недавно была разработана количественная нейробиологическая (QN) структура стимулированной нейротрансмиссии DA, чтобы реально моделировать динамику высвобождения DA и повторного поглощения в течение стимулированного ответа DA. Основы этой модели основаны на экспериментальных данных о стимулированной нейротрансмиссии DA и принципах нейротрансмиссии, принятых из различных направлений исследований. Модель QN реализует 12 параметров, связанных с стимулированной динамикой DA и динамикой обратного захвата, для моделирования ответов DA. В этой работе описывается, как имитировать ответы DA с использованием QNsim1.0, а также подробные принципы, которые были реализованы для систематического распознавания изменений в стимулированной динамике высвобождения дофамина и обратного захвата.

Introduction

Дорамин (DA) нейропередача играет существенную роль в различных когнитивных и поведенческих функциях, а ее дисфункция связана с несколькими распространенными заболеваниями и расстройствами. Таким образом, крайне важно разработать точные методы количественного изучения нейротрансмиссии DA in vivo для оценки изменения нейротрансмиссии DA в контексте моделей болезни и фармакологии лекарственных препаратов. Быстрая сканирование циклической вольтамперометрии (FSCV) позволяет осуществлять мониторинг in vivo DA нейротрансмиссии с точным пространственным и временным разрешением. В то время как можно наблюдать физиологическую DA нейротрансмиссию у бодрствующих, свободно ведящих животных, электрическая стимуляция восходящих допаминергических путей у анестезированных животных может приводить к устойчивым ответам ДА, которые поддаются усиленному кинетическому анализу нейротрансмиссии DA.

Электрически стимулированные ответы DA отражают динамическое взаимодействие высвобождения и повторного поглощения DA и интерпретацииИз этих ответов преимущественно использовалась простая модель стимулированной нейротрансмиссии DA, называемая моделью Михаэлиса-Ментена (MM) 12 . Модель ММ состоит из 3 переменных для описания ответов DA в терминах постоянной скорости высвобождения DA и постоянной эффективности обратного захвата ( т. Е. Соотношения между частотой обратного захвата DA и внеклеточными DA-концентрациями), как описано в уравнении 1 :
Уравнение 1
(Выпуск DA) (повторный захват DA)

В уравнении 1 f - частота стимуляции; [DA] p - расчетное увеличение концентрации ДА на импульс стимуляции; V max представляет оценочную максимальную скорость обратного захвата; И K m - оценочная константа ММ, которая теоретически эквивалентна внеклеточной концентрации DA, которая насыщает 50% DAT, что приводит к полумаксимальному коэффициенту обратного захвата. Это отличаетсяAl можно интегрировать для моделирования экспериментальных DA-ответов путем оценки параметров [DA] p , V max и K m .

Хотя модель ММ способствовала значительным достижениям в понимании кинетики нейротрансмиссии DA в различных экспериментальных условиях, модель ММ делает упрощенные фундаментальные предположения, которые ограничивают ее применимость при моделировании ответов ДА, вызванных супрафизиологическими стимуляциями 2 , 13 . Например, модель ММ может только приближать формы ответа ДА, если они растут выпуклым образом, но она не может учитывать постепенные (вогнутые) нарастающие ответы, обнаруженные в дорзальных полосатых областях 12 . Таким образом, предположения модели ММ не точно фиксируют процессы динамического высвобождения и обратного захвата стимулированной нейротрансмиссии DA.

Моделировать стимулированные ответы ДА в соответствии с реалистичным квантом(QN) была разработана на основе принципов стимулированной кинетики нейротрансмиссии, полученных из дополнительных исследований и экспериментов 2 . Различные линии исследований нейротрансмиссии показывают, что (1) стимулированное высвобождение нейротрансмиттера является динамическим процессом, который снижает скорость в течение стимуляции 14 , (2) высвобождение продолжается в фазе после стимуляции с кинетикой бифазного распада 15 и (3) DA Эффективность обратного захвата постепенно ингибируется во время самой стимуляции 2 , 16 . Эти три концепции служат основой структуры QN и трех уравнений, состоящих из 12 параметров, описывающих динамику высвобождения DA и обратного захвата ( таблица 1 ). Структура QN может моделировать гетерогенные экспериментальные типы ответов DA, ​​а также pВыведенные эффекты экспериментальных манипуляций с параметрами стимуляции и введением лекарственного средства 2 , 6 . Хотя дальнейшие исследования необходимы для уточнения подхода к моделированию данных, будущие эксперименты могут в значительной степени выиграть от этого нейробиологически обоснованного подхода к моделированию, что значительно добавляет к выводам, сделанным из стимулированной парадигмы нейротрансмиссии DA.

Таблица 1
Таблица 1: Моделирование уравнений и параметров . Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

В этом учебном пособии описывается, как моделировать стимулированные данные ответа DA для оценки кинетики высвобождения DA и кинетики обратного захвата с использованием QNsim 1.0. Фактический сбор экспериментальных данных и пр.Обработка здесь не описывается и требует только временных данных о концентрации DA. Теоретическая поддержка и основы структуры QN были подробно описаны ранее 2 , но ниже описана практическая перспектива применения структуры QN для моделирования данных ответа DA.

Структура QN моделирует динамическое взаимодействие между: 1) динамическим выпуском DA, 2) обратным захватом DA и 3) эффектами супрафизиологических стимулов на эти процессы для извлечения значимой кинетической информации из данных ответа DA. Структура QN лучше всего подходит для моделирования данных FSCV, полученных с использованием высоко супрафизиологических стимуляций длительной продолжительности ( например, стимуляции 60 Гц, 10 с), которые создают надежные ответы ДА, которые поддаются анализу на кинетику. После точного моделирования основных процессов выпуска и обратного захвата параметры модели могут использоваться для имитации ответа DA, который должен аппроксимировать форму exЭкспериментальный ответ DA.

Уравнения структуры QN описывают скорости высвобождения DA и повторного поглощения в течение стимулированных ответов DA. Структура QN описывает стимулированную скорость высвобождения DA как функцию времени от начала стимуляции (t-стимул), когда скорость высвобождения DA экспоненциально уменьшается в течение стимуляции. Это согласуется с истощением легко освобождаемого пула с добавленной стабильной скоростью высвобождения DA (DARss) для учета пополнения везикул, как и другие отчеты (уравнение 2 ) 14 , 17 .

Уравнение 2

Манипуляции, которые увеличивают скорость высвобождения DA, такие как увеличение ΔDAR, Δ DAR τ или DARss, приводят к увеличению амплитуд ответов на DA по сравнению с временными графиками. Каждый параметрTer вносит дифференциальный характер в формы ответа DA. Увеличение DARss и Δ DAR τ приводит к тому, что нарастающая фаза ответов более линейна (менее выпуклая). Уменьшение Δ DAR τ способствует выпуклости, которая контролируется величиной Δ DAR. Основываясь на опыте моделирования, DARss обычно составляет менее 1/5 Δ ΔDAR; Таким образом, Δ DAR является параметром высвобождения, который в основном определяет общую амплитуду отклика ответа DA.

Скорость высвобождения DA после стимуляции моделируется уравнением 3 в качестве продолжения стимулированной скорости высвобождения DA от конца стимуляции (DAR ES ) в зависимости от времени после стимуляции (t post ). Скорость высвобождения DA после стимуляции следует за двухфазной картиной распада, как описано выше 15 , с быстрой фазой экспоненциального затухания и продолжительной фазой линейного распада для моделирования двух caLcium-зависимых процессов высвобождения нейротрансмиттеров.

Уравнение 4

(Быстрое экспоненциальное распад) (Длительный линейный распад)

В настоящее время невозможно определить, сколько возникает пост-стимуляция DA. Это ограничение может быть устранено путем систематического минимизации оценок высвобождения DA после стимуляции и проверки параметров модели по набору экспериментальных ответов ДА, собранных с одного и того же сайта записи, с использованием различных продолжительности стимуляции. Эта минимизация позволяет пользователям делать консервативные оценки выпуска и обратного захвата. Поскольку электрические стимуляции приводят к накоплению кальция, который стимулирует высвобождение нейротрансмиттера после стимуляции, продолжительность стимуляции влияет на постстимулятивные нейротрантыПараметры выхода миттера 18 , 19 . Основываясь на опыте моделирования, было обнаружено, что по мере увеличения продолжительности стимуляции τ R увеличивается, а X R уменьшается, что согласуется с ожидаемым эффектом более высокого накопления кальция 20 .

Уравнение 4 описывает коэффициент обратного захвата DA как расширение каркаса ММ и включает динамический член K m , который увеличивается во время стимуляции, чтобы моделировать постепенно уменьшающуюся эффективность обратного захвата, вызванную супрафизиологическими стимуляциями 2 , 16 . K m после стимуляции поддерживается постоянным при значении K m в конце стимуляции (K mES ).

Уравнение 5

где,

"Уравнение

(Во время стимуляции) (после стимуляции)

Стимулированные ответы ДА, особенно из брюшных полосатых областей, часто нечувствительны к изменениям начального значения K m (K mi ), что делает определение K mi значением проблематичным. Таким образом, как и исходная структура ММ, K mi приближается к 0,1-0,4 мкМ для ответов DA, ​​полученных от контрольных необработанных животных 12 . Термин Δ K m определяет степень изменения эффективности повторного поглощения во время стимуляции, которая по нашему опыту составляет около 2081; M в течение 60-Гц, 10-секундной стимуляции. Значения k и K minf определяют, как K m изменяется с течением времени, и увеличение любого из этих условий способствует вогнутости фазы роста. V max представляет собой максимальную скорость обратного захвата, которая частично относится к локальной плотности транспортера DA, которая проявляет вентромедиальный дорсолатеральный градиент 21 . Соответственно, значения V max в дорсальной полосатой (D-Str) обычно больше 30 мкМ / с, но обычно менее 30 мкМ / с в брюшных областях, таких как ядро ​​accumbens (NAc) 6 .

Общие руководящие принципы, приведенные выше, могут помочь в моделировании экспериментальных данных отклика DA, но генерация моделирования, которая приближается к экспериментальному ответу DA, требует итеративной корректировки параметров модели. Точность параметров модели может быть улучшена путем получения ответов ДА на супрафизиологические стимуляции, которые обеспечиваютEa надежную подложку для моделирования, а также путем получения и моделирования множественных ответов DA на стимуляции различной продолжительности на одном и том же участке записи ( например, стимуляции 60 Гц, 5 и 10 сек) для проверки точности параметров ( См. Примеры данных). Чтобы продемонстрировать, набор данных включен в пакет программного обеспечения, содержащий региоспецифические стимулированные ответы DA, собранные в ядре accumbens и дорсальном полосатом, до и после фармакологической проблемы, которая уже смоделирована с использованием структуры QN. В дополнение, пользователи найдут, что эта методология может быть аналогично применена для характеристики кинетики нейротрансмиссии DA в различных контекстах заболевания и фармакологических манипуляциях.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. Установка, подготовка данных и запуск QNsim1.0

  1. Загрузите «QNsim1.0.zip» (предоставленный в качестве дополнения) и извлеките его в нужную директорию.
  2. Подготовьте стимулированные данные ответа DA для моделирования с помощью программы, организовав электронную таблицу, в которой каждый столбец содержит временный ответ DA, преобразованный в концентрации μ M DA. Сохраните этот файл (.xlsx) в том же каталоге, что и файлы программы.
    Примечание. Электронная таблица может содержать несколько ответов в отдельном эксперименте или несколько исследований, содержащих фиксированное количество ответов (см. Пример «Sample.xlsx» для примера).
  3. Откройте программное обеспечение среды программирования, перейдите в каталог «QNSim1.0» в окне «Текущая папка» и откройте поле «Initialization.m.». Нажмите «Запустить», чтобы запустить экран инициализации ( рисунок 1 ).


Рисунок 1 : Экран инициализации. Этот экран позволяет пользователям продолжить существующий проект, введя предыдущий файл проекта * .mat (слева) или начать новый проект из сохраненных данных стимулированной нейропередачи DA (справа). Текстовые поля предоставляются для ввода имени файла * .xlsx, содержащего данные, нескольких существенных дескрипторов данных и имени файла проекта * .mat, который будет содержать все данные, относящиеся к проекту. Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

2. Инициализация среды моделирования

Примечание. Экран инициализации позволяет пользователям начать новый проект (шаг 2.1) или продолжить работу с ранее сохраненным проектом (шаг 2.2).

  1. Опция 1: Начало нового проекта
    1. В разделе «Новый проект» введите имя файла электронной таблицы, содержащего данные ответа DA для проекта ( например, Sample.xlsx) в текстовое поле файла данных [DA].
      Примечание. Файл должен находиться в той же папке, что и файлы программы.
    2. Рядом с временем моделирования введите временные точки, соответствующие началу и концу сбора данных (в секундах) относительно начала стимуляции. Например, если сбор данных начинается за 5 с до стимуляции и заканчивается через 35 с после, как в Sample.xlsx, ввод «-5» и «35»,
    3. Введите количество ответов в каждом исследовании рядом с соответствующим текстовым полем.
    4. После интервала выборки введите интервал выборки экспериментальных данных в секундах.
    5. Рядом с Save as (.mat) укажите имя файла, включая тип файла (.mat), где должен быть сохранен проект.
      Примечание. Это файл, к которому будет доступен доступ, чтобы создатьСимуляции, и вся работа может быть сохранена в этом файле проекта.
    6. Нажмите «Создать новый проект», чтобы запустить окно «Симулятор» ( рисунок 2 ).
  2. Вариант 2: продолжение предыдущего проекта
    1. В разделе «Продолжить предыдущий проект» в окне «Инициализация» введите имя файла ..mat ранее начатого проекта ( например, Sample.mat).
      Примечание. Этот файл должен содержаться в той же папке, что и файлы программного обеспечения.
    2. Нажмите «Загрузить существующий проект», чтобы запустить окно «Симулятор» ( рисунок 2 ).

фигура 2
Рисунок 2 : Экран симулятора. Экран симулятора позволяет пользователям выбирать экспериментальные данные в D и корректировать параметры моделирования в E для моделирования экспериментальногоданные. Визуальный осмотр ( A, B и C ) может помочь в уточнении параметров моделирования, так что симуляция (синие штриховые линии) моделирует экспериментальные данные (толстые зеленые линии). Здесь ( A ) содержит экспериментальные и смоделированные данные о концентрации DA в зависимости от времени. ( B ) представляет собой график, который помогает в оценке высвобождения DA после стимуляции. ( C ) представляет собой график экспериментальных и смоделированных первых производных концентрации DA в зависимости от времени от A или скорости вызванного переполнения (EO). Скорость ЭО теоретически представляет собой баланс скоростей обратного захвата, который накладывается на этот график. Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

3. Использование окна Simulator

Примечание. Экран Simulator позволяет выбрать экспериментальныйДанные для модели (шаг 3.1), настроить параметры для имитации экспериментальных данных отклика DA (шаг 3.2), параметры моделирования сохранения / нагрузки для каждого ответа DA (шаг 3.3) и экспортировать сохраненные параметры (шаг 3.4).

  1. Выбор экспериментального ответа ДА для имитации.
    1. Выберите экспериментальный ответ DA для имитации, введя номер исследования, номер ответа и продолжительность стимуляции в соответствующих текстовых окнах. Нажмите клавишу «Ввод» или нажмите «Симуляция», чтобы начать процесс моделирования, который создает 3 графика, содержащие экспериментальные данные (толстые зеленые линии), имитированные данные (синие пунктирные линии) и имитированные данные, которые не учитывают постдимуляторный выпуск DA ( Красные пунктирные линии), как на рисунке 2 .
  2. Моделирование экспериментальных ответов ДА.
    Примечание. Цель моделирования состоит в том, чтобы отрегулировать параметры модели, относящиеся к стимулированному выпуску DA (шаг 3.2.1), обратный захват DA (Этап 3.2.2) и пост-стимуляционный выброс DA (этап 3.2.3), чтобы точно моделировать экспериментальные ответы DA. Моделирование - это итеративный процесс, при котором исходные параметры уточняются до тех пор, пока параметры не приведут к имитированному ответу DA, который аппроксимирует экспериментальные данные на графике DA и времени (панель A), чему может помочь подгонка имитируемых данных к экспериментально полученным данным в Оценочный график компонентов после стимуляции (панель B) и график выпуска, обратного захвата и диаграммы EO (панель C).
    1. Отрегулируйте параметры ΔDAR, ΔDARτ и DARss, связанные с высвобождением DA (уравнение 2 ), чтобы соответствовать амплитуде стимуляции.
      Примечание. Эти параметры представляют собой только начальные оценки, которые будут уточняться, но ΔDARτ = 25 и значение DARss, составляющее 1/5 th ΔDAR, являются удовлетворительными начальными условиями. Увеличение любого из этих параметров увеличит амплитуду на графике DA по сравнению с временем и увеличит смещение DAAse в Оценочном компоненте высвобождения после стимуляции и Скорости выделения, обратного захвата и диаграммы ЭО.
    2. Отрегулируйте параметры V max , K mi , ΔK m , K minf и k, связанные с обратным захватом DA (уравнение 4), так что на панели A имитированные данные приближаются к форме фазы нарастания экспериментальных данных (толстая зеленая Линии) и такой, что симуляция без следа от стистима (красная пунктирная линия) меньше, чем экспериментальная трассировка данных для всех точек времени после стимуляции.
      Примечание. Этот шаг, вероятно, требует корректировки параметров отпускания DA (шаг 3.2.1).
    3. Отрегулируйте параметры XR, τR и m, связанные с высвобождением DA после стимуляции (Уравнение 3 ), так что имитация аппроксимирует экспериментальные данные на графике DA против времени.
      Примечание: X R должен принимать значение от 0 до 1 и обычно должен быть больше 0,7.
  3. Сохранение / LoМоделирование параметров моделирования.
    1. Когда набор параметров тщательно моделирует экспериментальные данные, нажмите «Сохранить параметры», который сохранит этот набор параметров для данного ответа в файле .mat для проекта.
    2. При необходимости загрузите ранее сохраненные параметры для определенного ответа, нажав Load Parameters. Убедитесь, что соответствующий номер исследования и номер ответа введены в соответствующие текстовые поля.
  4. Экспорт сохраненных параметров.
    1. В текстовом поле рядом с кнопкой «Экспорт параметров» введите имя файла ( например, Sample.txt) и нажмите «Экспорт параметров», чтобы экспортировать текстовый файл со всеми параметрами моделирования. Отделите текстовый файл, используя пробелы, чтобы создать таблицу параметров, как показано на рисунке 4 раздела « Репрезентативные результаты » ниже.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

В комплекте с программной программой представлены данные о нейропередаче DA, полученные из дорсального полосатого тела крысы (исследование 1) и ядра accumbens (исследование 2), которые скомпилированы в «Sample.xlsx». Электронная таблица содержит данные о концентрации DA в исходных ответах на стимулы 60 Гц, 10 с и 5 с и ответ на стимуляцию 60 Гц, 5 с через 35 мин после введения ингибитора транспорта транспорта метилфенидата (MPH) (10 мг / Кг, ip). Данные стимулированного ответа DA организованы в столбцы, как показано на рисунке 3 , который служит в качестве шаблона для организации данных, которые должны быть смоделированы с использованием программного обеспечения.

Рисунок 3
Рисунок 3: Структурирование данных в читаемом формате для моделирования . Данные стимулированного DA-ответа из Sample.xlsx являются органомКак и выше, с каждым столбцом, содержащим индивидуальный стимулированный ответ DA. Обратите внимание, что в этой таблице нет столбцов, относящихся к временной области. Это учитывается на экране инициализации.

Данные образцов были смоделированы, как описано на этапе 3.2 (моделирование экспериментальных ответов DA) с использованием параметров на рисунке 4 . Это дало симуляции, которые хорошо аппроксимировали экспериментальные данные как на D-Str ( рис. 5A ), так и на NAc ( рис. 5B) .

Рисунок 4
Рисунок 4: Экспортированные параметры моделирования для моделирования примерных экспериментальных данных . Каждая строка содержит параметры моделирования, соответствующие индивидуальному стимулированному ответу DA. Здесь строки 2-4 и 5-7 соответствуют параметрам моделирования дорсальной полосатой и nUcleus accumbens (см . Рис. 3 выше). Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Эксперименты FSCV, включающие сбор множественных ответов ДА, обычно включают в себя достаточные интервалы интерстимуляции, чтобы позволить системе восстановить себя для получения воспроизводимых стимулированных ответов ДА 25 . В идеальном сценарии, который воспроизводил воспроизводимые ответы, стимулированные параметры высвобождения DA (ΔDAR, ΔDATτ и DARss) и параметры повторного поглощения (V max , Kmi, ΔK m , K minf и k) были бы постоянными для исходных ответов на ту же частоту стимуляция. Однако на практике происходят небольшие изменения в формах и амплитудах DA-ответа с течением времени, которые переводят на снижение показателей DA-релиза, таких как ΔDAR в этом наборе данных (сравните строки с 2 по 3 и5-6 на рис. 4 ), или для уменьшения V max .

В отличие от стимулированного высвобождения DA, параметры высвобождения DA после стимуляции изменяются в зависимости от продолжительности стимуляции. Вероятно, это связано с вызванным стимуляцией накоплением внутриклеточного Ca 2+, которое продлевает постстимуляционное высвобождение и увеличивает относительный вклад более медленного линейного компонента распада после высвобождения DA после высвобождения 20 , 26 . Эти эффекты, зависящие от продолжительности стимуляции, можно увидеть в репрезентативных параметрах моделирования, при этом стимуляция 10 s проявляет более высокие значения τR и меньшие значения X R , чем стимулы 5 s (сравните строки 2 и 3 и 5-6 на рисунке 4 ).

Рисунок 5
Рисунок 5: СимДанных выборочных данных. Моделирование демонстрирует тесную подгонку имитируемых данных (синие пунктирные линии) к экспериментальным данным образца (толстые зеленые линии). Здесь ( A и B ) изображены симуляции и экспериментальные данные, собранные в дорсальном стриатуме и ядре accumbens, соответственно. См . Рисунок 4 для параметров, используемых для моделирования экспериментальных данных. Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Стимулированные ответы DA из двух регионов дали очень разные формы ответов с вогнутыми нарастающими фигурами в D-Str ( рис. 5A ) и выпуклыми нарастающими фигурами в NAc ( рис. 5B ). Обе формы ответа могут быть смоделированы с несколькими заметными различиями в параметризации. Несмотря на изменчивость форм и амплитуд реакции даже в пределах данного региона, K <Sub> minf, как правило, намного ниже в NAc по сравнению с D-Str. Более того, V max , ΔDAR и ΔDARτ имеют тенденцию быть ниже и в NAc, как и в этом наборе данных выборки (сравните строки 2 и 5 на рисунке 4 ).

В набор данных выборки входят ответы на вызов MPH. Известно, что, прежде всего, ингибитор DAT, MPH оказывает вторичное действие на DA-релиз 22 , 27 и может изменять плазмоальную экспрессию DAT, как и другие ингибиторы DAT 28 , 29 . Экспериментальные ответы были смоделированы после 10 мг / кг MPH, поддерживая быструю составляющую постстимуляционного высвобождения, τ R , постоянное пред- и пост-MPH-введение, что делает обоснованное предположение о том, что изменения, вызванные MPH в стимулированной кинетике нейротрансмиссии DA, не являются Из-за изменений в высвобождении DA после стимуляции. Это позволилоИзучение изменений в стимулированном высвобождении и кинетике обратного захвата. В этом примере MPH индуцировал увеличение имитации K mi , как ожидается, для конкурентного ингибитора DAT, но также и уменьшение ΔDARτ и V max .

Дополнительный файл QNSim1.0.zip: Пожалуйста , нажмите здесь, чтобы скачать этот файл.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Использование FSCV для изучения in vivo стимулированной нейротрансмиссии DA возникло в 1980-х годах 30 и по-прежнему остается богатым источником данных о нейропередаче in vivo с беспрецедентным пространственным и временным разрешением. Стимулированные ответы DA отражают сложный баланс высвобождения DA и обратного захвата, которые модулируются самими электрическими стимуляторами. Модель QN включает принципы современного исследования нейротрансмиссии для моделирования in vivo стимулированных данных нейротрансмиссии DA в терминах предположений о динамическом высвобождении и повторном поглощении 2 . Более того, структура QN расширяет возможные области анализа с помощью FSCV на сайты, которые не дают «выпуклых» ответов, таких как дорзальная полосатая полоса. Эти достижения позволяют получить региональную характеристику фармакодинамики DAeric in vivo 6 и изменений в моделях сердечно-сосудистых заболеваний. Региональный характерОсобенно важна, потому что дорзальная и брюшная полосатые тела имеют различные функциональные последствия, получают различные сердечные иннервации от разных нейронных популяций и дифференциально восприимчивы к болезненным состояниям, таким как 31 , 32 Паркинсона.

Как показано на рисунке 5, структура QN способна тщательно моделировать экспериментальные данные; Однако существуют ограничения с методами моделирования. С 12 настраиваемыми параметрами в структуре QN несколько наборов параметризаций могут симулировать экспериментальный ответ DA, и важно определить, какой набор параметров наиболее точно и точно отражает основную кинетику высвобождения и повторного поглощения DA. Хотя невозможно получить параметры модели, которые с уверенностью точно отражают лежащую в основе нейробиологию, можно систематическиСовместно определяют минимальные оценки параметров выпуска и повторного поглощения, которые соответствуют предположениям структуры QN. Таким образом, параметры модели следует интерпретировать как консервативные оценки кинетики высвобождения и повторного поглощения. Чтобы отточить точность параметров модели, следует получить несколько ответов ДА, вызванных различными длительностями стимуляции, с одного и того же сайта записи. Это создает несколько подложек для моделирования, которые могут сдерживать параметры моделирования для повышения их точности. Другие ограничения могут систематически устанавливаться на параметры модели на основе литературных данных ( например, Kmi ≈ 0,1-0,4 мкМ и τR ≈ 1,2 для стимулов 60 Гц, 10 с) для облегчения моделирования данных, особенно для конструкций исследований, где моделирование относительных временных изменений более Важная, чем абсолютная точность параметров модели. Стратегии повышения точности и точности параметров модели - постоянные усилия.

Структура QN имеетРонг теоретические основы для своих предположений о том, как стимуляция влияет на кинетику нейротрансмиссии DA. Сама структура QN не учитывает возможные эффекты задержки отклика электрода и диффузионного искажения в ответах DA 33 , 34 , существование и относительную важность которых обсуждаются в поле 3 . Например, региональная кинетическая изменчивость ответов ДА ранее была связана с цитоархитектурными различиями, а тракты с белым веществом, действующие как барьер переноса массы в дорсальной полосатой 35 . Однако изменчивость форм ответа ДА уменьшается при введении антагонистов D2 или ингибиторов DAT 3 , 13 , что указывает на то, что региональная изменчивость ответа связана с основными различиями в кинетике высвобождения и повторного поглощения. Если пользователи сочтут нужным, ответы DA могут быть деконструированы для восстановленияOve диффузионные искажения в соответствии с ранее опубликованными методами 33 , 34 , 36 , и эти обработанные данные ответа DA все еще могут быть смоделированы с использованием программного обеспечения , как обычно.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Авторам нечего раскрывать.

Acknowledgments

Мы признаем Институт реабилитации УПМК за поддержку этой работы.

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

DOWNLOAD MATERIALS LIST

References

  1. Taylor, I. M., et al. Kinetic diversity of dopamine transmission in the dorsal striatum. J Neurochem. 133 (4), 522-531 (2015).
  2. 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).
  3. 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).
  4. 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).
  5. 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).
  6. 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).
  7. 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).
  8. 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).
  9. Jones, S. R., et al. Loss of autoreceptor functions in mice lacking the dopamine transporter. Nat Neurosci. 2 (7), 649-655 (1999).
  10. Wagner, A. K., et al. Chronic methylphenidate treatment enhances striatal dopamine neurotransmission after experimental traumatic brain injury. J Neurochem. 108 (4), 986-997 (2009).
  11. Wagner, A. K., et al. Controlled cortical impact injury influences methylphenidate-induced changes in striatal dopamine neurotransmission. J Neurochem. 110 (3), 801-810 (2009).
  12. Wightman, R. M., et al. Real-time characterization of dopamine overflow and uptake in the rat striatum. Neuroscience. 25 (2), 513-523 (1988).
  13. 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).
  14. 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).
  15. Atluri, P. P., Regehr, W. G. Delayed release of neurotransmitter from cerebellar granule cells. J Neurosci. 18 (20), 8214-8227 (1998).
  16. 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).
  17. 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).
  18. 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).
  19. 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).
  20. 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).
  21. Ciliax, B. J., et al. The dopamine transporter: immunochemical characterization and localization in brain. J Neurosci. 15 (3 Pt 1), 1714-1723 (1995).
  22. 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).
  23. 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).
  24. 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).
  25. 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).
  26. 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).
  27. 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).
  28. 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).
  29. 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).
  30. 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).
  31. 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).
  32. 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).
  33. Kile, B. M., et al. Optimizing the Temporal Resolution of Fast-Scan Cyclic Voltammetry. ACS Chem Neurosci. 3 (4), 285-292 (2012).
  34. 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).
  35. 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).
  36. 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).

Tags

Neuroscience допамин циклическая вольтамперометрия с быстрым сканированием синаптическая передача психостимуляторы метилфенидат количественная нейробиологическая модель
Моделирование данных циклической вольтамперометрии с быстрым сканированием данных электроиммированных дофаминовых нейротрансмиссионных данных с использованием QNsim1.0
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Harun, R., Grassi, C. M., Munoz, M.More

Harun, R., Grassi, C. M., Munoz, M. J., Wagner, A. K. Modeling Fast-scan Cyclic Voltammetry Data from Electrically Stimulated Dopamine Neurotransmission Data Using QNsim1.0. J. Vis. Exp. (124), e55595, doi:10.3791/55595 (2017).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter