Моделирование данных циклической вольтамперометрии с быстрым сканированием данных электроиммированных дофаминовых нейротрансмиссионных данных с использованием QNsim1.0

Summary

Быстрая сканирующая циклическая вольтамперометрия может контролировать нейропередачу дофамина in vivo в контексте лекарств, болезней и других экспериментальных манипуляций. В этой работе описывается реализация QNsim1.0, программного обеспечения для моделирования электростимулированных ответов дофамина в соответствии с количественной нейробиологической моделью для количественной оценки оценок высвобождения дофамина и обратного захвата.

Abstract

Центральные дофаминергические (DAergic) пути играют важную роль в широком спектре функций, таких как внимание, мотивация и движение. Допамин (DA) участвует в заболеваниях и расстройствах, включая расстройство гиперактивности дефицита внимания, болезнь Паркинсона и травматическую травму головного мозга. Таким образом, нейропередача DA и методы ее изучения представляют значительный научный интерес. Циклическая вольтамперометрия с быстрым сканированием in vivo (FSCV) представляет собой метод, который позволяет выборочно контролировать изменения концентрации DA с точным временным и пространственным разрешением. Этот метод обычно используется в сочетании с электрическими стимуляциями восходящих DAergic путей для контроля импульсного потока нейротрансмиссии допамина. Хотя стимулированная парадигма нейропередачи DA может давать надежные ответы ДА с ясной морфологией, что делает их поддающимися кинетическому анализу, все еще много дискуссий о том, как интерпретировать ответы с точки зрения их выпуска DA и clearanКомпонентов. Чтобы решить эту проблему, недавно была разработана количественная нейробиологическая (QN) структура стимулированной нейротрансмиссии DA, чтобы реально моделировать динамику высвобождения DA и повторного поглощения в течение стимулированного ответа DA. Основы этой модели основаны на экспериментальных данных о стимулированной нейротрансмиссии DA и принципах нейротрансмиссии, принятых из различных направлений исследований. Модель QN реализует 12 параметров, связанных с стимулированной динамикой DA и динамикой обратного захвата, для моделирования ответов DA. В этой работе описывается, как имитировать ответы DA с использованием QNsim1.0, а также подробные принципы, которые были реализованы для систематического распознавания изменений в стимулированной динамике высвобождения дофамина и обратного захвата.

Introduction

Дорамин (DA) нейропередача играет существенную роль в различных когнитивных и поведенческих функциях, а ее дисфункция связана с несколькими распространенными заболеваниями и расстройствами. Таким образом, крайне важно разработать точные методы количественного изучения нейротрансмиссии DA in vivo для оценки изменения нейротрансмиссии DA в контексте моделей болезни и фармакологии лекарственных препаратов. Быстрая сканирование циклической вольтамперометрии (FSCV) позволяет осуществлять мониторинг in vivo DA нейротрансмиссии с точным пространственным и временным разрешением. В то время как можно наблюдать физиологическую DA нейротрансмиссию у бодрствующих, свободно ведящих животных, электрическая стимуляция восходящих допаминергических путей у анестезированных животных может приводить к устойчивым ответам ДА, которые поддаются усиленному кинетическому анализу нейротрансмиссии DA.

Электрически стимулированные ответы DA отражают динамическое взаимодействие высвобождения и повторного поглощения DA и интерпретацииИз этих ответов преимущественно использовалась простая модель стимулированной нейротрансмиссии DA, называемая моделью Михаэлиса-Ментена (MM) ¹² . Модель ММ состоит из 3 переменных для описания ответов DA в терминах постоянной скорости высвобождения DA и постоянной эффективности обратного захвата ( т. Е. Соотношения между частотой обратного захвата DA и внеклеточными DA-концентрациями), как описано в уравнении 1 :

(Выпуск DA) (повторный захват DA)

В уравнении 1 f – частота стимуляции; [DA] _p – расчетное увеличение концентрации ДА на импульс стимуляции; V _max представляет оценочную максимальную скорость обратного захвата; И K _m – оценочная константа ММ, которая теоретически эквивалентна внеклеточной концентрации DA, которая насыщает 50% DAT, что приводит к полумаксимальному коэффициенту обратного захвата. Это отличаетсяAl можно интегрировать для моделирования экспериментальных DA-ответов путем оценки параметров [DA] _p , V _max и K _m .

Хотя модель ММ способствовала значительным достижениям в понимании кинетики нейротрансмиссии DA в различных экспериментальных условиях, модель ММ делает упрощенные фундаментальные предположения, которые ограничивают ее применимость при моделировании ответов ДА, вызванных супрафизиологическими стимуляциями ^{2 , 13} . Например, модель ММ может только приближать формы ответа ДА, если они растут выпуклым образом, но она не может учитывать постепенные (вогнутые) нарастающие ответы, обнаруженные в дорзальных полосатых областях ¹² . Таким образом, предположения модели ММ не точно фиксируют процессы динамического высвобождения и обратного захвата стимулированной нейротрансмиссии DA.

Моделировать стимулированные ответы ДА в соответствии с реалистичным квантом(QN) была разработана на основе принципов стимулированной кинетики нейротрансмиссии, полученных из дополнительных исследований и экспериментов ² . Различные линии исследований нейротрансмиссии показывают, что (1) стимулированное высвобождение нейротрансмиттера является динамическим процессом, который снижает скорость в течение стимуляции ¹⁴ , (2) высвобождение продолжается в фазе после стимуляции с кинетикой бифазного распада ¹⁵ и (3) DA Эффективность обратного захвата постепенно ингибируется во время самой стимуляции ^{2 , 16} . Эти три концепции служат основой структуры QN и трех уравнений, состоящих из 12 параметров, описывающих динамику высвобождения DA и обратного захвата ( таблица 1 ). Структура QN может моделировать гетерогенные экспериментальные типы ответов DA, ​​а также pВыведенные эффекты экспериментальных манипуляций с параметрами стимуляции и введением лекарственного средства ^{2 , 6} . Хотя дальнейшие исследования необходимы для уточнения подхода к моделированию данных, будущие эксперименты могут в значительной степени выиграть от этого нейробиологически обоснованного подхода к моделированию, что значительно добавляет к выводам, сделанным из стимулированной парадигмы нейротрансмиссии DA.

Таблица 1: Моделирование уравнений и параметров . Нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

В этом учебном пособии описывается, как моделировать стимулированные данные ответа DA для оценки кинетики высвобождения DA и кинетики обратного захвата с использованием QNsim 1.0. Фактический сбор экспериментальных данных и пр.Обработка здесь не описывается и требует только временных данных о концентрации DA. Теоретическая поддержка и основы структуры QN были подробно описаны ранее ² , но ниже описана практическая перспектива применения структуры QN для моделирования данных ответа DA.

Структура QN моделирует динамическое взаимодействие между: 1) динамическим выпуском DA, 2) обратным захватом DA и 3) эффектами супрафизиологических стимулов на эти процессы для извлечения значимой кинетической информации из данных ответа DA. Структура QN лучше всего подходит для моделирования данных FSCV, полученных с использованием высоко супрафизиологических стимуляций длительной продолжительности ( например, стимуляции 60 Гц, 10 с), которые создают надежные ответы ДА, которые поддаются анализу на кинетику. После точного моделирования основных процессов выпуска и обратного захвата параметры модели могут использоваться для имитации ответа DA, который должен аппроксимировать форму exЭкспериментальный ответ DA.

Уравнения структуры QN описывают скорости высвобождения DA и повторного поглощения в течение стимулированных ответов DA. Структура QN описывает стимулированную скорость высвобождения DA как функцию времени от начала стимуляции (t-стимул), когда скорость высвобождения DA экспоненциально уменьшается в течение стимуляции. Это согласуется с истощением легко освобождаемого пула с добавленной стабильной скоростью высвобождения DA (DARss) для учета пополнения везикул, как и другие отчеты (уравнение 2 ) ^{14 , 17} .

Манипуляции, которые увеличивают скорость высвобождения DA, такие как увеличение ΔDAR, Δ DAR τ или DARss, приводят к увеличению амплитуд ответов на DA по сравнению с временными графиками. Каждый параметрTer вносит дифференциальный характер в формы ответа DA. Увеличение DARss и Δ DAR τ приводит к тому, что нарастающая фаза ответов более линейна (менее выпуклая). Уменьшение Δ DAR τ способствует выпуклости, которая контролируется величиной Δ DAR. Основываясь на опыте моделирования, DARss обычно составляет менее 1/5 Δ ΔDAR; Таким образом, Δ DAR является параметром высвобождения, который в основном определяет общую амплитуду отклика ответа DA.

Скорость высвобождения DA после стимуляции моделируется уравнением 3 в качестве продолжения стимулированной скорости высвобождения DA от конца стимуляции (DAR _ES ) в зависимости от времени после стимуляции (t _post ). Скорость высвобождения DA после стимуляции следует за двухфазной картиной распада, как описано выше ¹⁵ , с быстрой фазой экспоненциального затухания и продолжительной фазой линейного распада для моделирования двух caLcium-зависимых процессов высвобождения нейротрансмиттеров.

(Быстрое экспоненциальное распад) (Длительный линейный распад)

В настоящее время невозможно определить, сколько возникает пост-стимуляция DA. Это ограничение может быть устранено путем систематического минимизации оценок высвобождения DA после стимуляции и проверки параметров модели по набору экспериментальных ответов ДА, собранных с одного и того же сайта записи, с использованием различных продолжительности стимуляции. Эта минимизация позволяет пользователям делать консервативные оценки выпуска и обратного захвата. Поскольку электрические стимуляции приводят к накоплению кальция, который стимулирует высвобождение нейротрансмиттера после стимуляции, продолжительность стимуляции влияет на постстимулятивные нейротрантыПараметры выхода миттера ^{18 , 19} . Основываясь на опыте моделирования, было обнаружено, что по мере увеличения продолжительности стимуляции τ _R увеличивается, а X _R уменьшается, что согласуется с ожидаемым эффектом более высокого накопления кальция ²⁰ .

Уравнение 4 описывает коэффициент обратного захвата DA как расширение каркаса ММ и включает динамический член K _m , который увеличивается во время стимуляции, чтобы моделировать постепенно уменьшающуюся эффективность обратного захвата, вызванную супрафизиологическими стимуляциями ^{2 , 16} . K _m после стимуляции поддерживается постоянным при значении K _m в конце стимуляции (K _mES ).

где,

<img alT = "Уравнение 6" src = "/ files / ftp_upload / 55595 / 55595eq6.jpg" />

(Во время стимуляции) (после стимуляции)

Стимулированные ответы ДА, особенно из брюшных полосатых областей, часто нечувствительны к изменениям начального значения K _m (K _mi ), что делает определение K _mi значением проблематичным. Таким образом, как и исходная структура ММ, K _mi приближается к 0,1-0,4 мкМ для ответов DA, ​​полученных от контрольных необработанных животных ¹² . Термин Δ K _m определяет степень изменения эффективности повторного поглощения во время стимуляции, которая по нашему опыту составляет около 2081; M в течение 60-Гц, 10-секундной стимуляции. Значения k и K _minf определяют, как K _m изменяется с течением времени, и увеличение любого из этих условий способствует вогнутости фазы роста. V _max представляет собой максимальную скорость обратного захвата, которая частично относится к локальной плотности транспортера DA, которая проявляет вентромедиальный дорсолатеральный градиент ²¹ . Соответственно, значения V _max в дорсальной полосатой (D-Str) обычно больше 30 мкМ / с, но обычно менее 30 мкМ / с в брюшных областях, таких как ядро ​​accumbens (NAc) ⁶ .

Общие руководящие принципы, приведенные выше, могут помочь в моделировании экспериментальных данных отклика DA, но генерация моделирования, которая приближается к экспериментальному ответу DA, требует итеративной корректировки параметров модели. Точность параметров модели может быть улучшена путем получения ответов ДА на супрафизиологические стимуляции, которые обеспечиваютEa надежную подложку для моделирования, а также путем получения и моделирования множественных ответов DA на стимуляции различной продолжительности на одном и том же участке записи ( например, стимуляции 60 Гц, 5 и 10 сек) для проверки точности параметров ( См. Примеры данных). Чтобы продемонстрировать, набор данных включен в пакет программного обеспечения, содержащий региоспецифические стимулированные ответы DA, собранные в ядре accumbens и дорсальном полосатом, до и после фармакологической проблемы, которая уже смоделирована с использованием структуры QN. В дополнение, пользователи найдут, что эта методология может быть аналогично применена для характеристики кинетики нейротрансмиссии DA в различных контекстах заболевания и фармакологических манипуляциях.

Protocol

1. Установка, подготовка данных и запуск QNsim1.0 Загрузите «QNsim1.0.zip» (предоставленный в качестве дополнения) и извлеките его в нужную директорию. Подготовьте стимулированные данные ответа DA для моделирования с помощью программы, организовав электронную таблицу, в которой кажды…

Representative Results

В комплекте с программной программой представлены данные о нейропередаче DA, полученные из дорсального полосатого тела крысы (исследование 1) и ядра accumbens (исследование 2), которые скомпилированы в «Sample.xlsx». Электронная таблица содержит данные о концентрации DA в исходных ответах на стиму…

Discussion

Использование FSCV для изучения in vivo стимулированной нейротрансмиссии DA возникло в 1980-х годах ³⁰ и по-прежнему остается богатым источником данных о нейропередаче in vivo с беспрецедентным пространственным и временным разрешением. Стимулированные ответы DA отражают сл…

Materials

MATLAB R2016a for Mac	Mathworks
QNsim1.0	In house software package		Software to model FSCV data using the QN framework