Summary
La voltamperometría cíclica de exploración rápida puede monitorizar la neurotransmisión in vivo de dopamina en el contexto de fármacos, enfermedades y otras manipulaciones experimentales. Este trabajo describe la implementación de QNsim1.0, un software para modelar las respuestas de dopamina eléctricamente estimuladas de acuerdo con el modelo neurobiológico cuantitativo para cuantificar las estimaciones de liberación de dopamina y la dinámica de recaptura.
Abstract
Las vías dopaminérgicas centrales (DAergic) tienen un papel importante en una amplia gama de funciones, tales como atención, motivación y movimiento. La dopamina (DA) está implicada en enfermedades y trastornos incluyendo trastorno por déficit de atención con hiperactividad, enfermedad de Parkinson y lesión cerebral traumática. Por lo tanto, la neurotransmisión DA y los métodos para estudiarla son de intenso interés científico. La voltamperometría cíclica de exploración rápida in vivo (FSCV) es un método que permite el monitoreo selectivo de cambios de concentración de DA con resolución temporal y espacial fina. Esta técnica se usa comúnmente en conjunción con estimulaciones eléctricas de rutas ascendentes de DAergic para controlar el flujo de impulso de la neurotransmisión de dopamina. Aunque el paradigma estimulado DA neurotransmission puede producir respuestas robustas DA con morfologías claras, haciéndolos susceptibles para el análisis cinético, todavía hay mucho debate sobre cómo interpretar las respuestas en términos de su liberación de DA y clearanComponentes. Para abordar esta preocupación, se desarrolló recientemente un marco neurobiológico cuantitativo (QN) de neurotransmisión estimulada de DA para modelar de forma realista la dinámica de liberación de DA y recaptación a lo largo de una respuesta estimulada de DA. Las bases de este modelo se basan en datos experimentales de la neurotransmisión estimulada de DA y en los principios de neurotransmisión adoptados a partir de diversas líneas de investigación. El modelo QN implementa 12 parámetros relacionados con la liberación estimulada de DA y la dinámica de recaptura para modelar las respuestas DA. Este trabajo describe cómo simular las respuestas DA usando QNsim1.0 y también se detallan principios que se han implementado para discernir sistemáticamente alteraciones en la liberación estimulada de liberación de dopamina y la dinámica de recaptura.
Introduction
La neurotransmisión de dopamina (DA) desempeña un papel esencial en diversas funciones cognitivas y de comportamiento, y su disfunción está implicada en varias enfermedades y trastornos comunes. Como tal, es crítico desarrollar métodos precisos de estudiar cuantitativamente DA neurotransmission in vivo para evaluar cómo DA neurotransmission se altera en los contextos de los modelos de enfermedad y farmacología de drogas. La voltamperometría cíclica de exploración rápida (FSCV) permite monitorear la neurotransmisión in vivo de DA con resolución espacial y temporal fina. Aunque es posible monitorear la neurotransmisión fisiológica de DA en animales despiertos y de comportamiento libre, la estimulación eléctrica de vías ascendentes dopaminérgicas en animales anestesiados puede producir respuestas robustas de DA que son susceptibles al análisis cinético mejorado de la neurotransmisión DA.
Las respuestas de DA estimuladas eléctricamente reflejan una interacción dinámica de liberación y recaptura de DA y las interpretacionesDe estas respuestas han utilizado predominantemente un modelo simple de DA estimulada neurotransmisión llamada el Michaelis-Menten (MM) modelo [ 12] . El modelo MM consta de 3 variables para describir las respuestas DA en términos de una velocidad de liberación de DA constante y una eficiencia de recaptación constante ( es decir, la relación entre la tasa de reabsorción de DA y las concentraciones extracelulares de DA), como se describe en la Ecuación 1 : 
(Liberación de DA) (recaptación de DA)
En la Ecuación 1, f es la frecuencia de estimulación; [DA] p es el aumento estimado de la concentración de DA por impulso de estimulación; Vmax representa la tasa de recaptación máxima estimada; Y K m es la constante de MM estimada, que es teóricamente equivalente a la concentración de DA extracelular que satura el 50% de DAT, dando lugar a una tasa de reabsorción medio-máxima. Este diferencialSe puede integrar una ecuación para simular respuestas de DA experimentales mediante la estimación de los parámetros [DA] p , V max y K m .
Aunque el modelo MM ha facilitado avances significativos en la comprensión de la cinética de neurotransmisión DA en varios contextos experimentales, el modelo MM hace suposiciones fundamentales simplistas que limitan su aplicabilidad al modelar las respuestas de DA suscitadas por estimulaciones suprafisiológicas 2 , 13 . Por ejemplo, el modelo MM sólo puede aproximarse a las formas de respuesta DA si se elevan de forma convexa, pero no puede explicar las respuestas crecientes (cóncavas) graduales encontradas en las regiones estriadas dorsales 12 . Por lo tanto, las hipótesis del modelo MM no capturan con precisión los procesos dinámicos de liberación y reabsorción de la neurotransmisión DA estimulada.
Para modelar las respuestas de DA estimuladas de acuerdo con una cantidad realistaEl marco cuantitativo neurobiológico (QN) se desarrolló sobre la base de los principios de cinética estimulada neurotransmisión derivados de la investigación complementaria y la experimentación [ 2] . Varias líneas de la investigación de la neurotransmisión demuestran que (1) la liberación estimulada del neurotransmisor es un proceso dinámico que disminuye en tarifa sobre el curso de la estimulación 14 , (2) la liberación continúa en la fase post-estimulación con la cinética bifásica de la decaimiento 15 , y (3) DA La eficiencia de la reabsorción se inhibe progresivamente durante la duración de la propia estimulación 2 , 16 . Estos tres conceptos sirven de base al marco QN y las tres ecuaciones consisten en 12 parámetros que describen la dinámica de liberación de DA y reabsorción ( Tabla 1 ). El marco QN puede simular de cerca heterogénea experimental DA tipos de respuesta, así como la pRedicted efectos de manipulaciones experimentales de los parámetros de estimulación y la administración de fármacos [ 2 , 6] . Aunque es necesario seguir investigando para refinar el enfoque de modelado de datos, los futuros experimentos pueden beneficiarse enormemente de este enfoque de modelado basado en la neurobiología, que se añade significativamente a las inferencias extraídas del paradigma estimulado de la neurotransmisión DA.
Tabla 1: Ecuaciones y parámetros de modelado . Haga clic aquí para ver una versión más grande de esta figura.
Este tutorial describe cómo modelar los datos estimulados de respuesta DA para estimar la liberación de DA y la cinética de reabsorción usando QNsim 1.0. La recopilación de datos experimentales reales y prEl proceso no se describe aquí y sólo requiere datos de concentración de DA temporal. El apoyo teórico y los fundamentos de la QN marco se han descrito ampliamente anteriormente [ 2] , pero una perspectiva práctica en la aplicación de la QN marco de modelo DA respuesta de datos se describe a continuación.
El modelo QN modela la interacción dinámica entre: 1) liberación dinámica de DA, 2) recaptación de DA y 3) los efectos de las estimulaciones suprafisiológicas en estos procesos para extraer información cinética significativa de los datos de respuesta de DA. El marco QN es el más adecuado para modelar datos FSCV adquiridos utilizando estimulaciones altamente suprafisiológicas de larga duración ( por ejemplo, estimulaciones de 60 Hz, 10 s), que producen respuestas robustas de DA que son susceptibles de análisis cinético. Siguiendo el modelado preciso de los procesos subyacentes de liberación y reabsorción, los parámetros del modelo pueden usarse para simular una respuesta de DA que debe aproximarse a la forma del exPerimental DA respuesta.
Las ecuaciones del marco QN describen las tasas de liberación de DA y recaptación durante el curso de las respuestas estimuladas de DA. El marco QN describe la tasa de liberación estimulada de DA en función del tiempo desde el inicio de la estimulación (t stim ), cuando la velocidad de liberación de DA disminuye exponencialmente durante el curso de la estimulación. Esto es consistente con el agotamiento de un grupo fácilmente liberable, con una tasa de liberación de DA de estado estacionario añadida (DARss) para tener en cuenta la reposición de vesículas, similar a otros informes ( Ecuación 2 ) 14 , 17 .
Las manipulaciones que aumentan la velocidad de liberación de DA, tales como el aumento de Δ DAR, Δ DAR τ o DARss, conducen a amplitudes de respuesta incrementadas en DA en función de los gráficos de tiempo. Cada parameTer contribuye de forma diferencial a las formas de respuesta DA. El aumento de DARss y Δ DAR τ hacen que la fase ascendente de las respuestas sea más lineal (menos convexa). La disminución de Δ DAR τ promueve la convexidad, que está controlada por la magnitud de Δ DAR. Sobre la base de la experiencia de modelado, DARss es generalmente menor que 1/5 th de Δ DAR; Por lo tanto, Δ DAR es el parámetro de liberación que determina principalmente la amplitud de respuesta global de una respuesta DA.
La tasa de liberación de DA post-estimulación es modelada por la ecuación 3 como una continuación de la tasa de liberación de DA estimulada desde el final de la estimulación (DAR ES ) como una función del tiempo después de la estimulación (t post ). La tasa de liberación de DA posterior a la estimulación sigue un patrón de decaimiento bifásico, como se describió anteriormente 15 , con una fase de decaimiento exponencial rápido y una fase de decaimiento lineal prolongado para modelar dos caDependientes del litio, los procesos de liberación de neurotransmisores.
(Desintegración exponencial rápida) (Desintegración lineal prolongada)
Actualmente no es posible determinar cuánto se produce la liberación de DA post-estimulación. Esta limitación puede abordarse minimizando sistemáticamente las estimaciones de liberación de DA post-estimulación y validando los parámetros del modelo a través de un conjunto de respuestas de DA experimentales recogidas del mismo sitio de registro utilizando diferentes duraciones de estimulación. Esta minimización permite a los usuarios hacer estimaciones conservadoras de liberación y recaptación. Debido a que las estimulaciones eléctricas conducen a la acumulación de calcio que promueve la liberación del neurotransmisor después de la estimulación, la duración de la estimulación influye en los neurotrans post-estimulaciónLos parámetros de liberación 18 , 19 . Basado en la experiencia de modelado, se encontró que a medida que aumenta la duración de la estimulación, τ R aumenta y X R disminuye, en consonancia con los efectos anticipados de una mayor acumulación de calcio 20 .
La ecuación 4 describe la tasa de recaptación de DA como una extensión del marco MM e incorpora un término dinámico de K m , que aumenta durante la estimulación para modelar una eficiencia de recaptación progresivamente decreciente causada por las estimulaciones suprafisiológicas 2 , 16 . El K m después de la estimulación se mantiene constante al valor K m al final de la estimulación (K mES).
dónde,
(Durante la estimulación) (después de la estimulación)
Las respuestas estimuladas de DA, especialmente de las regiones estriadas ventrales, son a menudo insensibles a los cambios en el valor inicial de K m (K mi ), lo que hace que la definición de un valor de K mi sea problemática. Así, al igual que el marco MM original, K mi se aproxima a 0,1-0,4 μ M para DA respuestas recogidas de control de animales no tratados [ 12] . El término Δ K m determina la magnitud del cambio en la eficiencia de recaptación durante la estimulación, que según nuestra experiencia es de aproximadamente 2081; M en el transcurso de una estimulación de 60 Hz, 10 s. Los valores k y K minf determinan cómo K m cambia con el tiempo, y el aumento de cualquiera de estos términos promueve la concavidad de la fase ascendente. Vmax es la tasa máxima de recaptación que se relaciona en parte con la densidad del transportador DA local, que exhibe un gradiente ventromedial a dorsolateral 21 . En consecuencia, los valores de Vmax en el estriado dorsal (D-Str) son generalmente mayores que 30 μ M / s pero generalmente menores de 30 μ M / s en las regiones ventrales, como el núcleo accumbens (NAc) 6 .
Las directrices generales anteriores pueden ayudar a modelar los datos experimentales de la respuesta DA, pero generar una simulación que se aproxima a la respuesta DA experimental requiere un ajuste iterativo de los parámetros del modelo. La exactitud de los parámetros del modelo puede mejorarse mediante la obtención de respuestas DA a estímulos suprafisiológicos que proporcionanUn sustrato robusto para la simulación, así como obteniendo y modelando respuestas de DA múltiples a estímulos de duraciones variables en el mismo sitio de registro ( por ejemplo, estimulaciones de 60 Hz, 5 y 10) para validar la precisión de los parámetros ( Ver los datos de la muestra). Para demostrar, se incluye un conjunto de datos con el paquete de software que contiene respuestas de DA estimuladas regioespecíficas recogidas en el núcleo accumbens y striatum dorsal, antes y después de un desafío farmacológico que ya estaba modelado usando el marco QN. Por extensión, los usuarios encontrarán que esta metodología puede aplicarse de manera similar para caracterizar la cinética de DA neurotransmisión en diversos contextos de enfermedad y manipulaciones farmacológicas.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Instalación, preparación de datos y lanzamiento de QNsim1.0
- Descargar "QNsim1.0.zip" (proporcionado como suplemento) y extraerlo a un directorio deseado.
- Preparar los datos estimulados DA respuesta para el modelado con el programa de software mediante la organización de una hoja de cálculo en la que cada columna contiene una respuesta DA temporal convertido a μ M DA concentraciones. Guarde este archivo (.xlsx) en el mismo directorio que los archivos de programa.
Nota: La hoja de cálculo puede contener varias respuestas en un experimento individual o múltiples estudios que contengan un número fijo de respuestas (consulte "Ejemplo.xlsx" para ver un ejemplo). - Abra el software del entorno de programación, navegue hasta el directorio "QNSim1.0" en la ventana "Carpeta actual" y abra el archivo titulado "Inicialización.m". Haga clic en "Ejecutar" para iniciar la pantalla de inicialización ( Figura 1 ).
Figura 1 : Pantalla de inicialización. Esta pantalla permite a los usuarios continuar con un proyecto existente, ingresando un archivo de proyecto * .mat anterior (a la izquierda), o comenzar un nuevo proyecto a partir de datos almacenados de neurotransmisión DA estimulada (derecha). Se proporcionan cuadros de texto para ingresar el nombre de archivo * .xlsx que contiene los datos, algunos descriptores esenciales de los datos y el nombre del archivo * .mat que contendrá todos los datos relacionados con el proyecto. Haga clic aquí para ver una versión más grande de esta figura.
2. Inicialización del entorno de simulación
Nota: La pantalla de inicialización permite a los usuarios comenzar un nuevo proyecto (paso 2.1) o continuar con un proyecto previamente guardado (paso 2.2).
- Opción 1: Inicio de un nuevo proyecto
- En la sección Proyecto nuevo, escriba el nombre del archivo de hoja de cálculo que contiene los datos de respuesta de DA para el proyecto ( por ejemplo, Sample.xlsx) en el cuadro de texto del archivo de datos [DA].
Nota: El archivo debe estar en la misma carpeta que los archivos de programa. - Junto al tiempo de simulación, ingrese los puntos de tiempo correspondientes al inicio y al final de la recopilación de datos (en segundos) con respecto al inicio de la estimulación. Por ejemplo, si la recopilación de datos comienza 5 s antes de la estimulación y termina 35 s después, como en el Sample.xlsx, la entrada "-5" y "35".
- Introduzca el número de respuestas en cada estudio junto al cuadro de texto correspondiente.
- Junto al intervalo de muestreo, ingrese el intervalo de muestreo de los datos experimentales en segundos.
- Junto a Guardar como (.mat), designe el nombre del archivo, incluido el tipo de archivo (.mat) en el que se va a guardar el proyecto.
Nota: Este es el archivo al que se accede para crear elSimulaciones, y todo el trabajo se puede guardar en este archivo de proyecto. - Haga clic en Crear nuevo proyecto para iniciar la ventana Simulador ( Figura 2 ).
- En la sección Proyecto nuevo, escriba el nombre del archivo de hoja de cálculo que contiene los datos de respuesta de DA para el proyecto ( por ejemplo, Sample.xlsx) en el cuadro de texto del archivo de datos [DA].
- Opción 2: continuar un proyecto anterior
- En la sección Continuar proyecto anterior de la ventana Inicialización, ingrese el nombre de archivo .mat de un proyecto iniciado previamente ( por ejemplo, Sample.mat).
Nota: Este archivo debe estar contenido en la misma carpeta que los archivos de programa de software. - Haga clic en Cargar Proyecto Existente para iniciar la ventana del Simulador ( Figura 2 ).
- En la sección Continuar proyecto anterior de la ventana Inicialización, ingrese el nombre de archivo .mat de un proyecto iniciado previamente ( por ejemplo, Sample.mat).
Figura 2 : Pantalla del simulador. La pantalla del simulador permite a los usuarios seleccionar los datos experimentales en D y ajustar los parámetros de simulación en E para modelar el modelo experimentaldatos. La inspección visual de ( A, B y C ) puede ayudar en el refinamiento de los parámetros de simulación para que la simulación (líneas discontinuas azules) modela los datos experimentales (líneas verdes gruesas). Aquí, ( A ) contiene experimental y simulado DA concentración en función de los datos de tiempo. ( B ) es un gráfico que ayuda a estimar la liberación de DA post-estimulación. ( C ) es una gráfica de las primeras derivadas experimentales y simuladas de la concentración de DA versus los datos de tiempo de A o la tasa de desbordamiento evocado (EO). La tasa de EO es teóricamente un equilibrio de las tasas de reabsorción de liberación, que se superpone a este gráfico. Haga clic aquí para ver una versión más grande de esta figura.
3. Uso de la ventana del simulador
Nota: La pantalla del Simulador permite seleccionar laDatos para modelar (paso 3.1), ajustar los parámetros para simular datos de respuesta de DA experimental (paso 3.2), guardar / cargar parámetros de modelado para cada respuesta de DA (paso 3.3) y exportar los parámetros guardados (paso 3.4).
- Selección de la respuesta de DA experimental para simular.
- Seleccione la respuesta DA experimental para simular introduciendo el número de estudio, el número de respuesta y la duración de la estimulación en los correspondientes cuadros de texto. Pulse la tecla "enter" o haga clic en simular para comenzar el proceso de simulación, que crea 3 gráficos que contienen datos experimentales (líneas verdes gruesas), datos simulados (líneas discontinuas azules) y datos simulados que no dan cuenta de la liberación de DA post-estimulación Rojo punteado líneas), como en la Figura 2 .
- Modelado de respuestas experimentales de DA.
Nota: El objetivo del modelado es ajustar los parámetros del modelo relativos a la liberación de DA estimulada (paso 3.2.1), la recaptación de DA (Paso 3.2.2), y la liberación de DA post-estimulación (paso 3.2.3) para modelar con precisión respuestas de DA experimentales. El modelado es un proceso iterativo mediante el cual se refinan los parámetros de partida hasta que los parámetros producen una respuesta simulada de DA que se aproxima a los datos experimentales en el gráfico DA versus tiempo (Panel A), lo que puede ser ayudado ajustando los datos simulados a los datos derivados experimentalmente en El gráfico del componente estimado de post-estimulación (Panel B) y el gráfico de Tasas de liberación, recaptación y EO (Panel C).- Ajuste los parámetros ΔDAR, ΔDARτ y DARss asociados con la liberación de DA ( Ecuación 2 ) para que coincida con la amplitud de la estimulación.
Nota: Estos parámetros son sólo estimaciones iniciales que se refinarán, pero ΔDARτ = 25 y un valor DARss que es 1/5 th de ΔDAR son condiciones de inicio satisfactorias. Aumentar cualquiera de estos parámetros aumentará la amplitud en el DA versus el gráfico de tiempo y aumentará la DA pertinAse en el componente estimado de liberación después de la estimulación y las tasas de liberación, reabsorción y gráficos de EO. - Ajustar los parámetros V max , K mi , ΔK m , K minf y k asociados a la recaptación DA (Ecuación 4), de forma que en el Panel A los datos simulados se aproximan a la forma de la fase ascendente de los datos experimentales Lineal) y tal que la simulación sin rastro de liberación post-estimulación (línea punteada roja) es menor que la traza de datos experimentales para todos los puntos de tiempo de post-estimulación.
Nota: Este paso requiere probablemente reajustar los parámetros de liberación de DA (paso 3.2.1). - Ajustar los parámetros XR, τR ym asociados con la liberación de DA post-estimulación ( Ecuación 3 ), de modo que la simulación se aproxima a los datos experimentales en el gráfico DA versus el tiempo.
Nota: X R debe tomar un valor entre 0 y 1 y generalmente debe ser mayor que 0.7.
- Ajuste los parámetros ΔDAR, ΔDARτ y DARss asociados con la liberación de DA ( Ecuación 2 ) para que coincida con la amplitud de la estimulación.
- Ahorro / loAdición de los parámetros de modelado.
- Una vez que un conjunto de parámetros modela de cerca los datos experimentales, haga clic en Guardar parámetros, que guardará el conjunto de parámetros para la respuesta dada al archivo .mat para el proyecto.
- Si es necesario, cargue los parámetros previamente guardados para una respuesta en particular haciendo clic en Cargar parámetros. Asegúrese de que el número de estudio apropiado y el número de respuesta se introducen en los cuadros de texto correspondientes.
- Exportar parámetros guardados.
- En el cuadro de texto junto al botón Exportar parámetros, escriba el nombre del archivo ( por ejemplo, Sample.txt) y haga clic en Exportar parámetros para exportar un archivo de texto con todos los parámetros de las simulaciones. Delimite el archivo de texto utilizando espacios para generar una hoja de cálculo de parámetros, como se muestra en la Figura 4 de la sección Resultados Representativos a continuación .
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Se incluyen con el programa de software los datos de la neurotransmisión de DA de la muestra obtenidos del estriado dorsal de rata (Estudio 1) y del núcleo accumbens (Estudio 2) que se recopilan en "Sample.xlsx". La hoja de cálculo contiene los datos de concentración de DA de las respuestas basales a estimulaciones de 60 Hz, 10 sy 5 s y una respuesta a una estimulación de 60 Hz, 5 s 35 minutos después de la administración del metilfenidato de inhibidor de transporte DA (MPH) (10 mg / Kg, ip). Los datos de la respuesta DA estimulada se organizan en columnas, como se muestra en la Figura 3 , que sirve como plantilla para organizar los datos que se van a modelar utilizando el programa de software.
Figura 3: Estructuración de los datos en un formato legible para modelado . Los datos estimulados DA respuesta de Sample.xlsx es órganoEn columnas, como anteriormente, con cada columna que contiene una respuesta de DA estimulada individual. Tenga en cuenta que no hay columnas relacionadas con el dominio de tiempo en esta hoja de cálculo. Esto se contabiliza en la pantalla de inicialización.
Los datos de la muestra se modeló como se describe en el paso 3.2 (modelado experimental DA respuestas) utilizando los parámetros de la Figura 4 . Esto dio lugar a simulaciones que se aproximó a los datos experimentales bien en el D-Str ( Figura 5A ] y el NAc ( Figura 5B] .
Figura 4: Parámetros de simulación exportados para modelar datos experimentales de muestra . Cada fila contiene parámetros de simulación que se correlacionan con una respuesta de DA estimulada individual. Aquí, las filas 2-4 y 5-7 corresponden a parámetros de simulación para el estriado dorsal y nUcleus accumbens (véase la figura 3 ). Haga clic aquí para ver una versión más grande de esta figura.
FSCV experimentos que implican la recopilación de múltiples DA respuestas por lo general incorporan suficiente inter-estimulación intervalos para permitir que el sistema para restaurar a sí mismo para producir reproducible estimulado DA respuestas [ 25] . En un escenario ideal que produjo respuestas reproducibles, los parámetros de liberación de DA estimulada (ΔDAR, ΔDATτ y DARss) y los parámetros de reabsorción (V max , Kmi, ΔK m , K minf yk) serían constantes para las respuestas basales a la misma frecuencia de estímulo. Sin embargo, en la práctica, hay pequeños cambios en las formas y amplitudes de la respuesta de DA a lo largo del tiempo que se traducen en disminuciones en las métricas de liberación de DA, como ΔDAR en este conjunto de datos (comparar la fila 2 a 3 y5 a 6 en la figura 4 ), o a disminuciones en Vmax .
En contraste con la liberación estimulada de DA, los parámetros de liberación de DA post-estimulación cambian basándose en la duración de la estimulación. Esto es probablemente debido a una estimulación inducida por la acumulación de intracelular Ca 2 + que prolonga la liberación post-estimulación y aumenta la contribución relativa de la más lenta componente de decaimiento lineal de post-estimulación DA liberación [ 20 , 26] . Estos efectos dependientes de la duración de la estimulación pueden observarse en los parámetros de modelado representativos, con la estimulación de 10 s presentando mayores valores de τR y menores valores de X R que las estimulaciones de 5 s (comparar filas 2 a 3 y 5 a 6 en la Figura 4 ).
Figura 5: SimDatos de muestra. Las simulaciones demuestran el ajuste cercano de los datos simulados (líneas discontinuas de color azul) a los datos experimentales de la muestra (líneas verdes gruesas). Aquí, ( A y B ) representan simulaciones y datos experimentales recogidos en el estriado dorsal y el núcleo accumbens, respectivamente. Ver la Figura 4 para los parámetros utilizados para modelar los datos experimentales. Haga clic aquí para ver una versión más grande de esta figura.
Las respuestas estimuladas de DA de las dos regiones produjeron formas de respuesta muy diferentes, con formas ascendentes cóncavas en la D-Str ( Figura 5A ) y formas convexas ascendentes en la NAc ( Figura 5B ). Ambas formas de respuesta se pueden modelar con algunas diferencias notables en parametrizaciones. Aunque existe variabilidad en formas de respuesta y amplitudes incluso dentro de una región dada, K <Sub> minf es generalmente mucho menor en el NAc en comparación con el D-Str. Por otra parte, Vmax , ΔDAR y ΔDARτ tienden a ser más bajos en el NAc, así como en este ejemplo de datos (comparar las filas 2 y 5 en la Figura 4 ].
Se incluyen en el conjunto de datos de muestra las respuestas a un desafío MPH. A pesar de ser principalmente un inhibidor de DAT, se sabe que la MPH tiene efectos secundarios sobre la liberación de DA 22 , 27 y puede alterar la expresión plasmalémica de DAT como otros inhibidores de DAT 28 , 29 . Las respuestas experimentales se modelaron después de una MPH de 10 mg / kg, manteniendo el rápido componente de la liberación post-estimulación, τ R , administración pre y post-MPH constante, haciendo la suposición discutible de que los cambios inducidos por MPH en cinética de neurotransmisión estimulada de DA no son Debido a cambios en la liberación de DA post-estimulación. Esto permitióEl examen de los cambios en la liberación estimulada y la cinética de reabsorción. En este ejemplo, MPH indujo un aumento en los valores simulados de K mi , como se espera para un inhibidor DAT competitivo, pero también una disminución en ΔDARτ y Vmax .
Archivo suplementario QNSim1.0.zip: Haga clic aquí para descargar este archivo.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
El uso de FSCV para estudiar in vivo estimulado DA neurotransmission se originó en la década de 1980 [ 30] y sigue siendo una fuente rica de datos de neurotransmisión in vivo con inigualable espacial y temporal de resolución. Las respuestas de DA estimuladas reflejan un equilibrio complejo de liberación de DA y recaptación que son moduladas por los propios estimulantes eléctricos. El modelo QN incorpora los principios de la investigación contemporánea de neurotransmisión para modelar in vivo estimulado DA neurotransmission datos en términos de liberación dinámica y reuptake suposiciones [ 2] . Además, el marco QN extiende las posibles regiones de análisis con FSCV a sitios que no producen respuestas "convexas", como el estriado dorsal. Estos avances permiten la caracterización regional de la farmacodinámica 6 DAergic in vivo y las alteraciones de DAergic en los modelos de enfermedad del SNC. El carácter regionalZación de la DA neurotransmisión es especialmente importante porque el estriado dorsal y ventral tiene diferentes implicaciones funcionales, recibe diferentes inervación DAergic de diferentes poblaciones neuronales, y son diferencialmente susceptibles en estados de enfermedad como el Parkinson 31,32.
Como muestra la Figura 5 , el marco QN es capaz de modelar de cerca los datos experimentales; Sin embargo, existen limitaciones con los métodos de modelado. Con 12 parámetros ajustables en el marco QN, varios conjuntos de parametrizaciones pueden simular de cerca una respuesta DA experimental, y es importante determinar qué conjunto de parametrizaciones refleja con mayor exactitud y exactitud la cinética subyacente de liberación de DA y reabsorción. Si bien no es posible extraer parámetros del modelo que reflejen con precisión la neurobiología subyacente con certeza, es posibleDeterminan mínimas estimaciones de los parámetros de liberación y reabastecimiento que se ajustan a los supuestos del marco QN. Por lo tanto, los parámetros del modelo se deben interpretar como estimaciones conservadoras de cinética de liberación y recaptura. Para mejorar la precisión de los parámetros del modelo, se deben obtener respuestas de DA múltiples obtenidas por diferentes duraciones de estimulación a partir del mismo sitio de registro. Esto genera múltiples sustratos para el modelado que pueden restringir los parámetros de simulación para mejorar su precisión. Otras restricciones pueden ser sistemáticamente colocadas en parámetros de modelo basados en datos de la literatura ( por ejemplo, Kmi ≈ 0,1-0,4 μM y τR ≈ 1,2 para 60 Hz, 10 s estimulaciones) para facilitar el modelado de datos, especialmente para diseños de estudio donde el modelado de los cambios temporales relativos es más Importante de la precisión absoluta de los parámetros del modelo. Las estrategias para mejorar la precisión y exactitud de los parámetros del modelo son un esfuerzo continuo.
El marco QN tiene stRong fundamentos teóricos para sus suposiciones sobre cómo la estimulación afecta DA cinética de neurotransmisión. El propio marco QN no tiene en cuenta los posibles efectos del retardo de la respuesta de los electrodos y de la distorsión difusional en las respuestas DA 33 , 34 , cuya existencia y importancia relativa se discuten en el campo 3 . Por ejemplo, la variabilidad cinética regional de DA respuestas se ha atribuido anteriormente a las diferencias citoarquitectural, con tracto de la materia blanca que actúa como una barrera de transporte de masas en el estriado dorsal [ 35] . Sin embargo, la variabilidad en las formas de respuesta DA se ve disminuida por la administración de antagonistas D2 o inhibidores DAT 3 , 13 , lo que sugiere que la variabilidad de la respuesta regional está vinculada a las diferencias subyacentes en la liberación y la cinética de reabsorción. Si los usuarios lo consideran oportuno, las respuestas de DA pueden ser deconvoluted a remOve distorsiones difusionales de acuerdo con los métodos publicados anteriormente 33 , 34 , 36 , y este procesado DA respuesta datos todavía puede ser modelado utilizando el programa de software como de costumbre.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores no tienen nada que revelar.
Acknowledgments
Reconocemos al Instituto de Rehabilitación de la UPMC por apoyar este trabajo.
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).
