3D Modellering van Dendritische stekels met synaptische plasticiteit
Summary
Het protocol ontwikkelt een driedimensionaal (3D) model van een dendritisch segment met dendritische stekels voor het modelleren van synaptische plasticiteit. De geconstrueerde mesh kan worden gebruikt voor computationele modellering van AMPA receptor handel in de lange termijn synaptische plasticiteit met behulp van het softwareprogramma Blender met CellBlender en MCell.
Abstract
Computationele modellering van diffusie en reactie van chemische soorten in een driedimensionale (3D) geometrie is een fundamentele methode om de mechanismen van synaptische plasticiteit in dendritische stekels te begrijpen. In dit protocol wordt de gedetailleerde 3D-structuur van de dendrieten en dendritische stekels gemodelleerd met mazen op de software Blender met CellBlender. De synaptische en extrasynaptische gebieden worden gedefinieerd op het net. Vervolgens worden de synaptische receptor en synaptische ankermoleculen gedefinieerd met hun diffusieconstanten. Ten slotte worden de chemische reacties tussen synaptische receptoren en synaptische ankers opgenomen en wordt het computationele model numeriek opgelost met de software MCell. Deze methode beschrijft het spatiotemporale pad van elk molecuul in een 3D geometrische structuur. Het is dus zeer nuttig om de handel in synaptische receptoren in en uit de dendritische stekels te bestuderen tijdens het optreden van synaptische plasticiteit. Een beperking van deze methode is dat het hoge aantal moleculen de snelheid van de simulaties vertraagt. Modellering van dendritische stekels met deze methode maakt de studie van homosynaptische potentiëring en depressie binnen enkele stekels en heterosynaptische plasticiteit tussen de buurman dendritische stekels.
Introduction
Synaptische plasticiteit is geassocieerd met leren en geheugen1. Synaptische plasticiteit, zoals langdurige potentiëring (LTP) en langdurige depressie (LTD), wordt geassocieerd met het inbrengen en verwijderen van AMPA-receptoren (AMPARs) in en uit het synaptische membraan2. De AMPAR synapsen bevinden zich bovenop de kleine volumestructuren genaamd dendritische stekels3. Elke wervelkolom bevat een eiwit dichte regio in de postsynaptische membraan genaamd de postsynaptische dichtheid (PSD). Veranker eiwitten bij de PSD trap AMPARs in het synaptische gebied. Er zijn weinig kopieën van AMPARs binnen een enkele synaps en de handel en reactie van AMPARs met andere soorten in dendritische stekels is een stochastisch proces2,4. Er zijn verschillende compartimenteringsmodellen van synaptische receptorhandel bij dendritische stekels5,6,7,8. Echter, er is een gebrek aan stochastische computationele modellen van de handel in AMPARs in verband met synaptische plasticiteit op de 3D-structuren van de dendrieten en hun dendritische stekels.
Computationele modellering is een nuttig hulpmiddel om de mechanismen te onderzoeken die ten grondslag liggen aan de dynamiek van complexe systemen, zoals de reactieverspreiding van AMPARs in dendritische stekels tijdens het optreden van synaptische plasticiteit9,10,11,12. Het model kan worden gebruikt om complexe scenario’s te visualiseren, gevoelige parameters te variëren en belangrijke voorspellingen te doen in wetenschappelijke omstandigheden waarbij veel variabelen betrokken zijn die moeilijk of onmogelijk te controleren zijn12,13. Het definiëren van het detailniveau van een computationeel model is een fundamentele stap in het verkrijgen van nauwkeurige informatie over het gemodelleerde fenomeen. Een ideaal computationeel model is een delicaat evenwicht tussen complexiteit en eenvoud om de essentiële kenmerken van de natuurlijke fenomenen vast te leggen zonder computationeel onbetaalbaar te zijn. Computermodellen die te gedetailleerd zijn, kunnen duur zijn om te berekenen. Aan de andere kant kunnen systemen die slecht gedetailleerd zijn, de fundamentele componenten missen die essentieel zijn om de dynamiek van het fenomeen vast te leggen. Hoewel 3D-modellering van dendritische stekels rekenkundig duurder is dan 2D en 1D, zijn er voorwaarden, zoals in complexe systemen met veel niet-lineaire variabelen die reageren en verspreiden in tijd en 3D-ruimte, waarvoor modellering op 3D-niveau essentieel is om inzicht te krijgen in de werking van het systeem. Verder kan de complexiteit zorgvuldig worden verminderd om de essentiële kenmerken van een lager dimensionaal model te behouden.
In een stochastisch systeem met weinig exemplaren van een bepaalde soort binnen een klein volume, wijkt de gemiddelde dynamiek van het systeem af van de gemiddelde dynamiek van een grote populatie. In dit geval is de stochastische computationele modellering van reactieverspreidende deeltjes vereist. Dit werk introduceert een methode voor stochastische modellering reactie-diffusie van een paar exemplaren van AMPARs in 3D dendritische stekels. Het doel van deze methode is het ontwikkelen van een 3D computationeel model van een dendritisch segment met dendritische stekels en hun synapsen voor het modelleren van synaptische plasticiteit.
De methode maakt gebruik van de software MCell om het model numeriek op te lossen, Blender voor het construeren van 3D-mazen en CellBlender om de MCell-simulaties te maken en te visualiseren, inclusief de spatiotemporale reactieverspreiding van moleculen in 3D-mazen14,15,16. Blender is een suite voor het maken van mazen en CellBlender is een add-on voor de basissoftware Blender. MCell is een Monte Carlo simulator voor de reactie-verspreiding van enkele moleculen17.
De reden achter het gebruik van deze methode bestaat uit het modelleren van synaptische plasticiteit om een beter begrip van dit fenomeen te bereiken in de microfysiologische omgeving van de dendritische stekels14. Met name deze methode maakt de simulatie van homosynaptische potentiëring, homosynaptische depressie, en heterosynaptische plasticiteit tussen dendritische stekels14.
De kenmerken van deze methode zijn het modelleren van de 3D geometrische structuur van het dendriet en de synapsen, de verspreiding door willekeurige wandeling, en de chemische reacties van de moleculen die betrokken zijn bij synaptische plasticiteit. Deze methode biedt het voordeel van het creëren van rijke omgevingen om hypothesen te testen en voorspellingen te doen over de werking van een complex niet-lineair systeem met een groot aantal variabelen. Bovendien kan deze methode niet alleen worden toegepast voor het bestuderen van synaptische plasticiteit, maar ook voor het bestuderen van stochastische reactie-diffusie van moleculen in 3D-meshstructuren in het algemeen.
Als alternatief kunnen 3D-mazen van dendritische structuren direct in Blender worden geconstrueerd uit seriële reconstructies van elektronenmicroscoop18. Hoewel mazen op basis van seriële reconstructies 3D-structuren bieden, is toegang tot de experimentele gegevens niet altijd beschikbaar. Zo biedt de constructie van mazen aangepast aan basis geometrische structuren, zoals beschreven in het huidige protocol, flexibiliteit om aangepaste dendritische segmenten met dendritische stekels te ontwikkelen.
Een andere alternatieve rekenmethode is de bulksimulatie van goed gemengde reacties in een regelmatig volume9,10,11,19,20,21,22. De bulk simulaties zijn zeer efficiënt in het oplossen van de reacties van vele soorten binnen een enkele goed gemengde volume23, maar de bulk aanpak is uiterst traag om de reactie-diffusie van moleculen binnen veel goed gemengde voxels in een hoge resolutie 3D-mesh op te lossen. Anderzijds werkt de huidige methode met behulp van MCell-simulaties van reactieverspreiding van individuele deeltjes efficiënt in 3D-mazen met hoge resolutie15.
Alvorens deze methode te gebruiken, moet men zich afvragen of het onderzochte fenomeen een stochastische reactie-diffusiebenadering in een 3D-mesh vereist. Als het fenomeen weinig kopieën heeft (minder dan 1.000) van ten minste één van de reagerende soorten die zich verspreiden in een complexe geometrische structuur met kleine volumecompartimenten zoals dendritische stekels, dan is stochastische modellering van reactieverspreiding in 3D-mazen geschikt voor de toepassing.
Er zijn verschillende stappen nodig om een 3D-computationeel model te bouwen van een dendritisch segment met dendritische stekels met synaptische plasticiteit. De belangrijkste stappen zijn de installatie van de juiste software voor de bouw van het model, de bouw van een enkele dendritische wervelkolom te gebruiken als een sjabloon om meerdere stekels te creëren, en de oprichting van een dendritisch segment dat is verbonden met meerdere dendritische stekels. De stap voor het modelleren van synaptische plasticiteit bestaat uit het plaatsen van ankers in de PSD-regio en AMPARs in het dendritische segment en dendritische stekels. Vervolgens worden kinetische reacties tussen de ankers van de PSD en AMPARs gedefinieerd om complexe anker-AMPAR-soorten te produceren die de AMPARs in het synaptische gebied vangen. Respectievelijk de toename en afname van de affiniteit tussen de ankers en de synaptische AMPARs creëren het proces van LTP en LTD.
Protocol
Representative Results
Discussion
Dit artikel presenteert een methode voor de bouw van 3D mazen voor het modelleren van reactie-diffusie synaptische plasticiteit processen in een dendritisch segment met dendritische stekels. Het ontwikkelde model bevat een dendritisch segment met weinig dendritische stekels. De laterale diffusie en reactie van AMPARs met synaptische ankers maken de simulatie van de basale dynamiek mogelijk. De kritieke stappen in het protocol zijn het snijden van de bol voor de oprichting van de bovenkant van de wervelkolom hoofd<strong …
Disclosures
The authors have nothing to disclose.
Acknowledgements
Dit werk werd gedeeltelijk ondersteund door de Sao Paulo State Science Foundation (FAPESP) subsidie #2015/50122-0 en IRTG-GRTK 1740/2, door de IBM/FAPESP subsidie #2016/18825-4, en door de FAPESP subsidie #2018/06504-4.
Materials
| Blender | Blender Foundation | https://www.blender.org/ | |
| CellBlender | University of Pittsburgh | https://mcell.org/ | |
| Mcell | University of Pittsburgh | https://mcell.org/ |
References
- Sweatt, J. D. Neural plasticity and behavior – sixty years of conceptual advances. Journal of Neurochemistry. 139, 179-199 (2016).
- Heine, M., et al. Surface mobility of postsynaptic AMPARs tunes synaptic transmission. Science. 320 (5873), 201-205 (2008).
- Buonarati, O. R., Hammes, E. A., Watson, J. F., Greger, I. H., Hell, J. W. Mechanisms of postsynaptic localization of AMPA-type glutamate receptors and their regulation during long-term potentiation. Science Signaling. 12 (562), 6889 (2019).
- Nair, D., et al. Super-Resolution Imaging Reveals That AMPA Receptors Inside Synapses Are Dynamically Organized in Nanodomains Regulated by PSD95. Journal of Neuroscience. 33 (32), 13204-13224 (2013).
- Czöndör, K., et al. Unified quantitative model of AMPA receptor trafficking at synapses. Proceeding of the National Academy of Sciences of the United States of America. 109 (9), 3522-3527 (2012).
- Triesch, J., Vo, A. D., Hafner, A. S. Competition for synaptic building blocks shapes synaptic plasticity. eLife. 7, 37836 (2018).
- Earnshaw, B. A., Bressloff, P. C. Biophysical model of AMPA receptor trafficking and its regulation during long-term potentiation/long-term depression. Journal of Neuroscience. 26 (47), 12362-12373 (2006).
- Earnshaw, B. A., Bressloff, P. C. Modeling the role of lateral membrane diffusion in AMPA receptor trafficking along a spiny dendrite. Journal of Computational Neuroscience. 25 (2), 366-389 (2008).
- Antunes, G., Roque, A. C., Simoes-de-Souza, F. M. Stochastic Induction of Long-Term Potentiation and Long-Term Depression. Scientific Reports. 6, 30899 (2016).
- Kotaleski, J. H., Blackwell, K. T. Modelling the molecular mechanisms of synaptic plasticity using systems biology approaches. Nature Reviews Neuroscience. 11 (4), 239-251 (2010).
- Bhalla, U. S. Molecular computation in neurons: a modeling perspective. Current Opinion in Neurobiology. 25, 31-37 (2014).
- Czöndör, K., Thoumine, O. Biophysical mechanisms regulating AMPA receptor accumulation at synapses. Brain Research Bulletin. 93, 57-68 (2013).
- Bromer, C., et al. Long-term potentiation expands information content of hippocampal dentate gyrus synapses. Proceedings of the National Academy of Sciences of the United States of America. 115 (10), 2410-2418 (2018).
- Antunes, G., Simoes-de-Souza, F. M. AMPA receptor trafficking and its role in heterosynaptic plasticity. Scientific Reports. 8 (1), 10349 (2018).
- Kerr, R. A., et al. Fast monte carlo simulation methods for biological reaction-diffusion systems in solution and on surfaces. SIAM Journal on Scientific Computing. 30 (6), 3126 (2008).
- Czech, J., Dittrich, M., Stiles, J. R. Rapid Creation, Monte Carlo Simulation, and Visualization of Realistic 3D Cell Models. Systems Biology. 500, 237-287 (2009).
- Stiles, J., Bartol, T., De Schutter, Monte Carlo Methods for Simulating Realistic Synaptic Microphysiology Using MCell. Computational Neuroscience. , (2000).
- Jorstad, A., et al. NeuroMorph: A Toolset for the Morphometric Analysis and Visualization of 3D Models Derived from Electron Microscopy Image Stacks. Neuroinformatics. 13 (1), 83-92 (2015).
- Antunes, G., Roque, A. C., Simoes de Souza, F. M. Modelling intracellular competition for calcium: kinetic and thermodynamic control of different molecular modes of signal decoding. Scientific Reports. 6, 23730 (2016).
- Antunes, G., Roque, A. C., Simoes-de-Souza, F. M. Molecular mechanisms of detection and discrimination of dynamic signals. Scientific Reports. 8 (1), 2480 (2018).
- Hoops, S., et al. COPASI–a COmplex PAthway SImulator. Bioinformatics. 22 (24), 3067-3074 (2006).
- Faeder, J. R., Blinov, M. L., Hlavacek, W. S. Rule-based modeling of biochemical systems with BioNetGen. Methods in Molecular Biology. 500, 113-167 (2009).
- Gillespie, D. T. Exact stochastic simulation of coupled chemical reactions. Journal of Physical Chemistry. 81 (25), 21 (1977).
- Anggono, V., Huganir, R. L. Regulation of AMPA receptor trafficking and synaptic plasticity. Current Opinion in Neurobiology. 22 (3), 461-469 (2012).
- Matsuda, S., Launey, T., Mikawa, S., Hirai, H. Disruption of AMPA receptor GluR2 clusters following long-term depression induction in cerebellar Purkinje neurons. EMBO Journal. 19 (12), 2765-2774 (2000).
- Ahmad, M., et al. Postsynaptic Complexin Controls AMPA Receptor Exocytosis during LTP. Neuron. 73 (2), 260-267 (2012).
- Sheng, M., Hoogenraad, C. C. The postsynaptic architecture of excitatory synapses: a more quantitative view. Annual Review of Biochemistry. 76, 823-847 (2007).
