Modellazione 3D di spine dendritiche con plasticità sinaptica
Summary
Il protocollo sviluppa un modello tridimensionale (3D) di un segmento dendritico con spine dendritiche per modellare la plasticità sinaptica. La rete costruita può essere utilizzata per la modellazione computazionale del traffico di recettori AMPA nella plasticità sinaptica a lungo termine utilizzando il programma software Blender con CellBlender e MCell.
Abstract
La modellazione computazionale della diffusione e della reazione delle specie chimiche in una geometria tridimensionale (3D) è un metodo fondamentale per comprendere i meccanismi della plasticità sinaptica nelle spine dendritiche. In questo protocollo, la struttura 3D dettagliata dei dendriti e delle spine dendritiche è modellata con maglie sul software Blender con CellBlender. Le regioni sinaptiche ed extrasinaptiche sono definite sulla mesh. Successivamente, il recettore sinaptico e le molecole di ancoraggio sinaptico sono definiti con le loro costanti di diffusione. Infine, le reazioni chimiche tra i recettori sinaptici e le ancore sinaptiche sono incluse e il modello computazionale viene risolto numericamente con il software MCell. Questo metodo descrive il percorso spatiotemporale di ogni singola molecola in una struttura geometrica 3D. Pertanto, è molto utile studiare il traffico di recettori sinaptici dentro e fuori le spine dendritiche durante il verificarsi della plasticità sinaptica. Una limitazione di questo metodo è che l’elevato numero di molecole rallenta la velocità delle simulazioni. La modellazione di spine dendritiche con questo metodo permette lo studio del potenziamento omosynaptic e della depressione all’interno di singole spine e plasticità eterosyaptic tra spine dendritiche adiacenti.
Introduction
La plasticità sinaptica è stata associata all’apprendimento e alla memoria1. La plasticità sinaptica, come il potenziamento a lungo termine (LTP) e la depressione a lungo termine (LTD), è associata rispettivamente all’inserimento e alla rimozione dei recettori AMPA (AMPA) dentro e fuori la membranasinaptica 2. Le sinapsi AMPAR si trovano in cima alle strutture di piccolo volume chiamate spine dendritiche3. Ogni colonna vertebrale contiene una regione densa di proteine nella membrana post-sinaptica chiamata densità post-sinaptica (PSD). Proteine di ancoraggio presso gli AMPAR di trappola PSD nella regione sinaptica. Ci sono poche copie di AMPARs all’interno di una singola sinapsi e il traffico e la reazione di AMPARs con altre specie in spine dendritiche è un processo stocastico2,4. Ci sono diversi modelli compartimentali di traffico di recettori sinaptici a spine dendritiche5,6,7,8. Tuttavia, vi è una mancanza di modelli computazionali stocastici del traffico di AMPAR associati alla plasticità sinaptica nelle strutture 3D dei dendriti e delle loro spine dendritiche.
La modellazione computazionale è uno strumento utile per studiare i meccanismi alla base delle dinamiche di sistemi complessi come la reazione-diffusione degli AMPAR nelle spine dendritiche durante il verificarsi della plasticità sinaptica9,10,11,12. Il modello può essere utilizzato per visualizzare scenari complessi, vari parametri sensibili e fare importanti previsioni in condizioni scientifiche che coinvolgono molte variabili che sono difficili o impossibili da controllaresperimentale 12,13. La definizione del livello di dettaglio di un modello computazionale è un passaggio fondamentale per ottenere informazioni accurate sul fenomeno modellato. Un modello computazionale ideale è un delicato equilibrio tra complessità e semplicità per cogliere le caratteristiche essenziali dei fenomeni naturali senza essere proibizzabili dal punto di vista computazionale. I modelli computazionali troppo dettagliati possono essere costosi da calcolare. D’altra parte, i sistemi scarsamente dettagliati possono mancare i componenti fondamentali che sono essenziali per catturare la dinamica del fenomeno. Anche se la modellazione 3D delle spine dendritiche è computazionalmente più costosa di 2D e 1D, ci sono condizioni, come nei sistemi complessi con molte variabili non lineari che reagiscono e si diffonde nel tempo e nello spazio 3D, per le quali la modellazione a livello 3D è essenziale per ottenere informazioni sul funzionamento del sistema. Inoltre, la complessità può essere ridotta con attenzione per preservare le caratteristiche essenziali di un modello di dimensioni inferiori.
In un sistema stocastico con poche copie di una determinata specie all’interno di un piccolo volume, la dinamica media del sistema si discosta dalla dinamica media di una grande popolazione. In questo caso, è necessaria la modellazione computazionale stocastica delle particelle di diffusione della reazione. Questo lavoro introduce un metodo per la modellazione stocastica reazione-diffusione di alcune copie di AMPAR in spine dendritiche 3D. Lo scopo di questo metodo è quello di sviluppare un modello computazionale 3D di un segmento dendritico con spine dendritiche e le loro sinapsi per modellare la plasticità sinaptica.
Il metodo utilizza il software MCell per risolvere il modello numericamente, Blender per la costruzione di mesh 3D e CellBlender per creare e visualizzare le simulazioni MCell, tra cui la reazione-diffusione spatiotemporale delle molecole nelle mesh 3D14,15,16. Blender è una suite per la creazione di mesh e CellBlender è un add-on per il software di base Blender. MCell è un simulatore Monte Carlo per la reazione-diffusione di singole molecole17.
La logica alla base dell’uso di questo metodo consiste nella modellazione della plasticità sinaptica per ottenere una migliore comprensione di questo fenomeno nell’ambiente microfisiologico delle spine dendritiche14. In particolare, questo metodo consente la simulazione di potenziamento omosynaptic, depressione omosynaptic, e plasticità eterosynaptic tra spine dendritiche14.
Le caratteristiche di questo metodo includono la modellazione della struttura geometrica 3D del dendrite e delle sue sinapsi, la diffusione a piedi casuali e le reazioni chimiche delle molecole coinvolte nella plasticità sinaptica. Questo metodo offre il vantaggio di creare ambienti ricchi per testare ipotesi e fare previsioni sul funzionamento di un sistema non lineare complesso con un numero elevato di variabili. Inoltre, questo metodo può essere applicato non solo per studiare la plasticità sinaptica, ma anche per studiare la reazione-diffusione stocastica delle molecole nelle strutture a maglie 3D in generale.
In alternativa, le maglie 3D di strutture dendritiche possono essere costruite direttamente in Blender da ricostruzioni seriali al microscopioelettronico 18. Sebbene le mesh basate su ricostruzioni seriali forniscano strutture 3D, l’accesso ai dati sperimentali non è sempre disponibile. Così, la costruzione di maglie adattate da strutture geometriche di base, come descritto nel presente protocollo, offre flessibilità per sviluppare segmenti dendritici personalizzati con spine dendritiche.
Un altro metodo di calcolo alternativo è la simulazione di massa di reazioni ben miscelate in un volume regolare9,10,11,19,20,21,22. Le simulazioni di massa sono molto efficienti nel risolvere le reazioni di molte specie all’interno di un singolo volume ben miscelato23, ma l’approccio di massa è estremamente lento per risolvere la reazione-diffusione delle molecole all’interno di molti voxel ben miscelati in una rete 3D ad alta risoluzione. D’altra parte, il metodo attuale che utilizza simulazioni MCell di reazione-diffusione di singole particelle funziona in modo efficiente in maglie 3D ad altarisoluzione 15.
Prima di utilizzare questo metodo, ci si dovrebbe chiedere se il fenomeno studiato richiede un approccio di reazione-diffusione stocastica in una mesh 3D. Se il fenomeno ha poche copie (meno di 1.000) di almeno una delle specie che reagiscono diffondendo in una struttura geometrica complessa con piccoli scomparti volumetici come spine dendritiche, allora la modellazione stocastica della diffusione della reazione nelle maglie 3D è appropriata per l’applicazione.
Ci sono diversi passaggi necessari per costruire un modello computazionale 3D di un segmento dendritico contenente spine dendritiche con plasticità sinaptica. I passaggi principali sono l’installazione del software adeguato per la costruzione del modello, la costruzione di una singola colonna vertebrale dendritica da utilizzare come modello per creare più spine e la creazione di un segmento dendritico collegato a più spine dendritiche. Il passo per la modellazione della plasticità sinaptica consiste nell’inserire ancoraggi nella regione PSD e AMPAR nel segmento dendritico e nelle spine dendritiche. Quindi, le reazioni cinetiche tra le ancore situate presso il PSD e gli AMPAR sono definite per produrre complesse specie di ancoraggio-AMPAR che intrappolano gli AMPAR nella regione sinaptica. Rispettivamente, l’aumento e la diminuzione dell’affinità tra le ancore e gli AMPAR sinaptici creano il processo di LTP e LTD.
Protocol
Representative Results
Discussion
Questo articolo presenta un metodo per la costruzione di maglie 3D per la modellazione di processi di plasticità sinaptica reazione-diffusione in un segmento dendritico con spine dendritiche. Il modello sviluppato contiene un segmento dendritico con poche spine dendritiche. La diffusione laterale e la reazione degli AMPAR con ancoraggi sinaptici consentono la simulazione delle dinamiche basali. I passaggi critici del protocollo sono il taglio della sfera per la creazione della parte superiore della testa della colonna v…
Offenlegungen
The authors have nothing to disclose.
Acknowledgements
Questo lavoro è stato sostenuto in parte dalla sovvenzione della Sao Paulo State Science Foundation (FAPESP) #2015/50122-0 e IRTG-GRTK 1740/2, dalla sovvenzione IBM/FAPESP #2016/18825-4 e dalla sovvenzione FAPESP #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/ |
Referenzen
- 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).
