Summary

Modelagem 3D de Espinhos Dendríticas com Plasticidade Sináptica

Published: May 18, 2020
doi:

Summary

O protocolo desenvolve um modelo tridimensional (3D) de um segmento dendrático com espinhos dendráticos para modelagem da plasticidade sináptica. A malha construída pode ser usada para modelagem computacional do tráfico de receptores AMPA na plasticidade sináptica de longo prazo usando o programa de software Blender com CellBlender e MCell.

Abstract

A modelagem computacional da difusão e reação de espécies químicas em uma geometria tridimensional (3D) é um método fundamental para entender os mecanismos de plasticidade sináptica em espinhas dendríticas. Neste protocolo, a estrutura 3D detalhada dos dendritos e colunas dendríticas é modelada com malhas no blender de software com CellBlender. As regiões sinápticas e extrassinápticas são definidas na malha. Em seguida, o receptor sináptico e as moléculas de âncora sináptica são definidas com suas constantes de difusão. Finalmente, as reações químicas entre receptores sinápticos e âncoras sinápticas são incluídas e o modelo computacional é resolvido numericamente com o software MCell. Este método descreve o caminho espacial de cada molécula em uma estrutura geométrica 3D. Assim, é muito útil estudar o tráfico de receptores sinápticos dentro e fora das espinhas dendríticas durante a ocorrência de plasticidade sináptica. Uma limitação deste método é que o alto número de moléculas diminui a velocidade das simulações. A modelagem das espinhas dendríticas com este método permite o estudo da potencialização homossináptica e da depressão dentro de espinhas simples e plasticidade heterossináptica entre as espinhas dendríticas vizinhas.

Introduction

A plasticidade sináptica tem sido associada ao aprendizado e à memória1. A plasticidade sináptica, como a potencialização a longo prazo (LTP) e a depressão de longo prazo (LTD), está associada, respectivamente, à inserção e remoção de receptores AMPA (AMPARs) dentro e fora da membrana sináptica2. As sinapses AMPAR estão localizadas no topo das pequenas estruturas de volume chamadas espinhos dendríticas3. Cada coluna contém uma região densa de proteína na membrana pós-sináptica chamada densidade pós-sináptica (PSD). Proteínas âncoras no PSD prendem AMPARs na região sináptica. Há poucas cópias de AMPARs dentro de uma única sinapse e o tráfico e reação de AMPARs com outras espécies em espinhas dendríticas é um processo estocástico2,4. Existem vários modelos compartimentais de tráfico de receptores sinápticos em lombadas dendríticas5,,6,,7,8. No entanto, há falta de modelos computacionais estocásticos do tráfico de AMPARs associados à plasticidade sináptica nas estruturas 3D dos dendritos e suas espinhas dendríticas.

A modelagem computacional é uma ferramenta útil para investigar os mecanismos subjacentes à dinâmica de sistemas complexos, como a retração-difusão de AMPARs em lombadas dendríticas durante a ocorrência de plasticidade sináptica9,,10,,11,,12. O modelo pode ser utilizado para visualizar cenários complexos, variando parâmetros sensíveis e fazendo previsões importantes em condições científicas envolvendo muitas variáveis difíceis ou impossíveis de controlar o experimental12,13. Definir o nível de detalhe de um modelo computacional é um passo fundamental na obtenção de informações precisas sobre o fenômeno modelado. Um modelo computacional ideal é um delicado equilíbrio entre complexidade e simplicidade para capturar as características essenciais dos fenômenos naturais sem ser computacionalmente proibitivo. Modelos computacionais muito detalhados podem ser caros para calcular. Por outro lado, sistemas pouco detalhados podem não ter os componentes fundamentais essenciais para capturar a dinâmica do fenômeno. Embora a modelagem 3D de lombadas dendríticas seja computacionalmente mais cara que 2D e 1D, existem condições, como em sistemas complexos com muitas variáveis não lineares reagindo e difundindo no tempo e espaço 3D, para o qual a modelagem em nível 3D é essencial para obter insights sobre o funcionamento do sistema. Além disso, a complexidade pode ser reduzida cuidadosamente para preservar as características essenciais de um modelo de dimensão inferior.

Em um sistema estocástico com poucas cópias de uma determinada espécie dentro de um pequeno volume, a dinâmica média do sistema se desvia da dinâmica média de uma grande população. Neste caso, é necessária a modelagem computacional estocástica de partículas de difusão de reação. Este trabalho introduz um método para modelagem estocástica de difusão de reação de algumas cópias de AMPARs em espinhas dendríticas 3D. O objetivo deste método é desenvolver um modelo computacional 3D de um segmento dendrático com espinhas dendríticas e suas sinapses para modelagem da plasticidade sináptica.

O método usa o software MCell para resolver o modelo numericamente, Blender para a construção de malhas 3D e CellBlender para criar e visualizar as simulações MCell, incluindo a reação espessora-difusão de moléculas em malhas 3D14,,15,,16. Blender é uma suíte para a criação de malhas e CellBlender é um complemento para o liquidificador de software base. MCell é um simulador de Monte Carlo para a difusão de reação de moléculas únicas17.

A lógica por trás do uso desse método consiste na modelagem da plasticidade sináptica para obter uma melhor compreensão desse fenômeno no ambiente microfisiológico das espinhas dendríticas14. Particularmente, este método permite a simulação de potencialização homossináptica, depressão homossináptica e plasticidade heterossináptica entre espinhas dendríticas14.

As características deste método incluem a modelagem da estrutura geométrica 3D do dendrite e suas sinapses, a difusão por caminhada aleatória e as reações químicas das moléculas envolvidas com a plasticidade sináptica. Este método oferece a vantagem de criar ambientes ricos para testar hipóteses e fazer previsões sobre o funcionamento de um sistema complexo não linear com um grande número de variáveis. Além disso, este método pode ser aplicado não apenas para estudar a plasticidade sináptica, mas também para estudar a difusão de reações estocásticas de moléculas em estruturas de malha 3D em geral.

Alternativamente, as malhas 3D de estruturas dendríticas podem ser construídas diretamente no Liquidificador a partir de reconstruções seriais de microscópio eletrônico18. Embora as malhas baseadas em reconstruções seriais forneçam estruturas 3D, o acesso aos dados experimentais nem sempre está disponível. Assim, a construção de malhas adaptadas a partir de estruturas geométricas básicas, conforme descrito no presente protocolo, proporciona flexibilidade para desenvolver segmentos dendríticos personalizados com colunas dendríticas.

Outro método computacional alternativo é a simulação em massa de reações bem mistas em um volume regular9,10,11,19,20,21,22. As simulações a granel são muito eficientes na resolução das reações de muitas espécies dentro de um único volume bem misturado23,mas a abordagem em massa é extremamente lenta para resolver a difusão de reação de moléculas dentro de muitos voxels bem misturados em uma malha 3D de alta resolução. Por outro lado, o presente método utilizando simulações MCell de difusão de reação de partículas individuais funciona eficientemente em malhas 3D de alta resolução15.

Antes de usar este método, deve-se perguntar se o fenômeno estudado requer uma abordagem de retração estocástica em uma malha 3D. Se o fenômeno tem poucas cópias (menos de 1.000) de pelo menos uma das espécies reagindo difundindo em uma estrutura geométrica complexa com pequenos compartimentos de volume, como espinhos dendráticos, então a modelagem estocástica de difusão de reação em malhas 3D é apropriada para a aplicação.

Existem várias etapas necessárias para a construção de um modelo computacional 3D de um segmento dendrático contendo espinhos dendráticos com plasticidade sináptica. As principais etapas são a instalação do software adequado para a construção do modelo, a construção de uma única coluna dendrítica a ser usada como modelo para criar múltiplas lombadas, e a criação de um segmento dendrático conectado com múltiplas espinhas dendríticas. O passo para modelagem da plasticidade sináptica consiste na inserção de âncoras na região do PSD e AMPARs no segmento dendrático e colunas dendríticas. Em seguida, são definidas reações cinéticas entre as âncoras localizadas no PSD e AMPARs para produzir espécies complexas de anchor-AMPAR que prendem os AMPARs na região sináptica. Respectivamente, o aumento e diminuição da afinidade entre as âncoras e as AMPARs sinápticas criam o processo de LTP e LTD.

Protocol

NOTA: Consulte o arquivo suplementar 1 para o glossário dos termos utilizados neste protocolo. 1. Instale liquidificador, CellBlender e MCell NOTA: Este protocolo requer a instalação de MCell, Blender e Blender de células. Baixe e instale o software na página inicial do MCell (https://mcell.org/tutorials_iframe.html). Vá para downloads na parte superior da página e siga as instruções passo a passo para baixar e instalar o software…

Representative Results

Esses resultados fornecem os passos para a construção de uma malha 3D que simula uma coluna dendrítica com cabeça de coluna e pescoço de coluna(Figura 1 a Figura 4). Além disso, múltiplas espinhas dendríticas podem ser inseridas em um único segmento dendrático (Figura 5) para estudar a plasticidade heterossináptica de AMPARs14. O PSD na parte superior da cabeça da coluna vertebral (<strong class="…

Discussion

Este artigo apresenta um método para a construção de malhas 3D para modelagem de processos de plasticidade sináptica de reação-difusão em um segmento dendrático com espinhas dendríticas. O modelo desenvolvido contém um segmento dendrítica com poucas espinhas dendríticas. A difusão lateral e a reação de AMPARs com âncoras sinápticas permitem a simulação da dinâmica basal. Os passos críticos do protocolo são o corte da esfera para a criação da parte superior da cabeça da coluna vertebral (<strong c…

Divulgations

The authors have nothing to disclose.

Acknowledgements

Este trabalho foi apoiado em parte pela Fundação de Ciência do Estado de São Paulo (FAPESP) #2015/50122-0 e IRTG-GRTK 1740/2, pela bolsa IBM/FAPESP #2016/18825-4, e pela concessão da 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/

References

  1. Sweatt, J. D. Neural plasticity and behavior – sixty years of conceptual advances. Journal of Neurochemistry. 139, 179-199 (2016).
  2. Heine, M., et al. Surface mobility of postsynaptic AMPARs tunes synaptic transmission. Science. 320 (5873), 201-205 (2008).
  3. 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).
  4. 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).
  5. 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).
  6. Triesch, J., Vo, A. D., Hafner, A. S. Competition for synaptic building blocks shapes synaptic plasticity. eLife. 7, 37836 (2018).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. Bhalla, U. S. Molecular computation in neurons: a modeling perspective. Current Opinion in Neurobiology. 25, 31-37 (2014).
  12. Czöndör, K., Thoumine, O. Biophysical mechanisms regulating AMPA receptor accumulation at synapses. Brain Research Bulletin. 93, 57-68 (2013).
  13. 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).
  14. Antunes, G., Simoes-de-Souza, F. M. AMPA receptor trafficking and its role in heterosynaptic plasticity. Scientific Reports. 8 (1), 10349 (2018).
  15. 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).
  16. 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).
  17. Stiles, J., Bartol, T., De Schutter, Monte Carlo Methods for Simulating Realistic Synaptic Microphysiology Using MCell. Computational Neuroscience. , (2000).
  18. 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).
  19. 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).
  20. 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).
  21. Hoops, S., et al. COPASI–a COmplex PAthway SImulator. Bioinformatics. 22 (24), 3067-3074 (2006).
  22. 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).
  23. Gillespie, D. T. Exact stochastic simulation of coupled chemical reactions. Journal of Physical Chemistry. 81 (25), 21 (1977).
  24. Anggono, V., Huganir, R. L. Regulation of AMPA receptor trafficking and synaptic plasticity. Current Opinion in Neurobiology. 22 (3), 461-469 (2012).
  25. 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).
  26. Ahmad, M., et al. Postsynaptic Complexin Controls AMPA Receptor Exocytosis during LTP. Neuron. 73 (2), 260-267 (2012).
  27. Sheng, M., Hoogenraad, C. C. The postsynaptic architecture of excitatory synapses: a more quantitative view. Annual Review of Biochemistry. 76, 823-847 (2007).
check_url/fr/60896?article_type=t

Play Video

Citer Cet Article
Antunes, G., Simoes de Souza, F. M. 3D Modeling of Dendritic Spines with Synaptic Plasticity. J. Vis. Exp. (159), e60896, doi:10.3791/60896 (2020).

View Video