Modélisation 3D des épines dendritiques avec plasticité synaptique
Summary
Le protocole développe un modèle tridimensionnel (3D) d’un segment dendritique avec des épines dendritiques pour la modélisation de la plasticité synaptique. Le maillage construit peut être utilisé pour la modélisation computationnelle du trafic des récepteurs AMPA dans la plasticité synaptique à long terme à l’aide du logiciel Blender avec CellBlender et MCell.
Abstract
La modélisation computationnelle de la diffusion et de la réaction des espèces chimiques dans une géométrie tridimensionnelle (3D) est une méthode fondamentale pour comprendre les mécanismes de la plasticité synaptique dans les épines dendritiques. Dans ce protocole, la structure 3D détaillée des dendrites et des épines dendritiques est modélisée avec des mailles sur le logiciel Blender avec CellBlender. Les régions synaptiques et extrasynaptiques sont définies sur le maillage. Ensuite, les molécules de récepteur synaptique et d’ancrage synaptique sont définies avec leurs constantes de diffusion. Enfin, les réactions chimiques entre les récepteurs synaptiques et les ancres synaptiques sont incluses et le modèle de calcul est résolu numériquement avec le logiciel MCell. Cette méthode décrit le chemin spatiotemporal de chaque molécule dans une structure géométrique 3D. Ainsi, il est très utile d’étudier le trafic des récepteurs synaptiques dans et hors des épines dendritiques lors de l’apparition de la plasticité synaptique. Une limitation de cette méthode est que le nombre élevé de molécules ralentit la vitesse des simulations. La modélisation des épines dendritiques avec cette méthode permet l’étude de la potentialisation homosynaptique et de la dépression dans les épines simples et la plasticité hétérosynaptique entre les épines dendritiques voisines.
Introduction
La plasticité synaptique a été associée à l’apprentissage et à la mémoire1. La plasticité synaptique, telle que la potentialisation à long terme (LTP) et la dépression à long terme (LTD), est associée respectivement à l’insertion et à l’élimination des récepteurs AMPA (AMPARs) dans et hors de la membrane synaptique2. Les synapses AMPAR sont situées au-dessus des structures à petit volume appelées épines dendritiques3. Chaque colonne vertébrale contient une région riche en protéines dans la membrane postsynaptique appelée densité postsynaptique (PSD). Les protéines d’ancrage au PSD piègent les AMPAR dans la région synaptique. Il ya peu d’exemplaires d’AMPARs dans une seule synapse et le trafic et la réaction des AMPARs avec d’autres espèces dans les épines dendritiques est un processus stochastique2,4. Il existe plusieurs modèles compartimentés de trafic des récepteurs synaptiques aux épines dendritiques5,6,7,8. Cependant, il y a un manque de modèles de calcul stochastiques du trafic des AMPARs associés à la plasticité synaptique aux structures 3D des dendrites et de leurs épines dendritiques.
La modélisation computationnelle est un outil utile pour étudier les mécanismes sous-jacents à la dynamique de systèmes complexes tels que la réaction-diffusion des AMPARs dans les épines dendritiques lors de l’apparition de la plasticité synaptique9,10,11,12. Le modèle peut être utilisé pour visualiser des scénarios complexes, variant des paramètres sensibles et faisant des prédictions importantes dans des conditions scientifiques impliquant de nombreuses variables difficiles ou impossibles à contrôlerexpérimentales 12,13. Définir le niveau de détail d’un modèle de calcul est une étape fondamentale dans l’obtention d’informations précises sur le phénomène modélisé. Un modèle de calcul idéal est un équilibre délicat entre complexité et simplicité pour saisir les caractéristiques essentielles des phénomènes naturels sans être prohibitif sur le plan informatique. Les modèles informatiques trop détaillés peuvent être coûteux à calculer. D’autre part, les systèmes qui sont mal détaillés peuvent manquer des composants fondamentaux qui sont essentiels pour capturer la dynamique du phénomène. Bien que la modélisation 3D des épines dendritiques soit plus coûteuse sur le plan informatique que la 2D et la 1D, il existe des conditions, comme dans les systèmes complexes avec de nombreuses variables nonliners réagissant et diffusant dans le temps et l’espace 3D, pour lesquels la modélisation au niveau 3D est essentielle pour obtenir des informations sur le fonctionnement du système. En outre, la complexité peut être réduite avec soin pour préserver les caractéristiques essentielles d’un modèle à faible dimension.
Dans un système stochastique avec peu d’exemplaires d’une espèce donnée dans un petit volume, la dynamique moyenne du système s’écarte de la dynamique moyenne d’une grande population. Dans ce cas, la modélisation computationnelle stochastique des particules de diffusion de réactions est nécessaire. Ce travail introduit une méthode pour la modélisation stochastique réaction-diffusion de quelques copies d’AMPARs dans les épines dendritiques 3D. Le but de cette méthode est de développer un modèle de calcul 3D d’un segment dendritique avec des épines dendritiques et leurs synapses pour la modélisation de la plasticité synaptique.
La méthode utilise le logiciel MCell pour résoudre le modèle numériquement, Blender pour la construction de mailles 3D, et CellBlender pour créer et visualiser les simulations MCell, y compris la réaction spatiotemporal-diffusion des molécules dans les mailles 3D14,15,16. Blender est une suite pour la création de mailles et CellBlender est un add-on pour le logiciel de base Blender. MCell est un simulateur de Monte Carlo pour la réaction-diffusion des molécules simples17.
La raison d’être de l’utilisation de cette méthode consiste à modéliser la plasticité synaptique pour mieux comprendre ce phénomène dans l’environnement microphysiologique des épines dendritiques14. En particulier, cette méthode permet la simulation de la potentialisation homosynaptique, la dépression homosynaptique, et la plasticité hétérosynaptique entre les épines dendritiques14.
Les caractéristiques de cette méthode comprennent la modélisation de la structure géométrique 3D de la dendrite et de ses synapses, la diffusion par marche aléatoire, et les réactions chimiques des molécules impliquées dans la plasticité synaptique. Cette méthode offre l’avantage de créer des environnements riches pour tester des hypothèses et faire des prédictions sur le fonctionnement d’un système non ligner avec un grand nombre de variables. En outre, cette méthode peut être appliquée non seulement pour l’étude de la plasticité synaptique, mais aussi pour l’étude de la réaction stochastique-diffusion des molécules dans les structures de maille 3D en général.
Alternativement, les mailles 3D des structures dendritiques peuvent être construites directement dans Blender à partir de reconstructions en série de microscope électronique18. Bien que les mailles basées sur les reconstructions en série fournissent des structures 3D, l’accès aux données expérimentales n’est pas toujours disponible. Ainsi, la construction de mailles adaptées à partir de structures géométriques de base, telles que décrites dans le protocole actuel, offre une flexibilité pour développer des segments dendritiques personnalisés avec des épines dendritiques.
Une autre méthode de calcul alternative est la simulation en vrac de réactions bien mélangées dans un volume régulier9,10,11,19,20,21,22. Les simulations en vrac sont très efficaces pour résoudre les réactions de nombreuses espèces dans un seul volume bien mélangé23, mais l’approche en vrac est extrêmement lente pour résoudre la réaction-diffusion des molécules dans de nombreux voxels bien mélangés dans un maillage 3D haute résolution. D’autre part, la méthode actuelle utilisant des simulations MCell de réaction-diffusion des particules individuelles fonctionne efficacement dans les mailles 3D haute résolution15.
Avant d’utiliser cette méthode, il faut se demander si le phénomène étudié nécessite une approche stochastique réaction-diffusion dans un maillage 3D. Si le phénomène a peu d’exemplaires (moins de 1000) d’au moins une des espèces réagissantes diffusant dans une structure géométrique complexe avec de petits compartiments de volume tels que les épines dendritiques, alors la modélisation stochastique de la diffusion de réaction dans les mailles 3D est appropriée pour l’application.
Il y a plusieurs étapes nécessaires pour construire un modèle de calcul 3D d’un segment dendritique contenant des épines dendritiques avec la plasticité synaptique. Les principales étapes sont l’installation du logiciel approprié pour la construction du modèle, la construction d’une colonne vertébrale dendritique unique à utiliser comme un modèle pour créer plusieurs épines, et la création d’un segment dendritique qui est relié à de multiples épines dendritiques. L’étape de modélisation de la plasticité synaptique consiste à insérer des ancres dans la région PSD et des AMPARs dans le segment dendritique et les épines dendritiques. Ensuite, les réactions cinétiques entre les ancres situées au PSD et aux AMPAR sont définies pour produire des espèces complexes d’ampar d’ancrage qui piègent les AMPAR dans la région synaptique. Respectivement, l’augmentation et la diminution de l’affinité entre les ancres et les AMPAR synaptiques créent le processus de LTP et de LTD.
Protocol
Representative Results
Discussion
Cet article présente une méthode pour la construction de mailles 3D pour la modélisation des processus de plasticité synaptique réaction-diffusion dans un segment dendritique avec des épines dendritiques. Le modèle développé contient un segment dendritique avec peu d’épines dendritiques. La diffusion latérale et la réaction des AMPARs avec des ancres synaptiques permettent la simulation de la dynamique basale. Les étapes critiques du protocole sont la coupe de la sphère pour la création du haut de la tê…
Declarações
The authors have nothing to disclose.
Acknowledgements
Ces travaux ont été soutenus en partie par la subvention de la Fondation scientifique de l’État de Sao Paulo (FAPESP) #2015/50122-0 et IRTG-GRTK 1740/2, par la subvention IBM/FAPESP #2016/18825-4, et par la subvention 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/ |
Referências
- 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).
