Summary

3D-Modellierung von Dendritischen Stacheln mit synaptischer Plastizität

Published: May 18, 2020
doi:

Summary

Das Protokoll entwickelt ein dreidimensionales (3D) Modell eines dendritischen Segments mit dendritischen Stacheln zur Modellierung synaptischer Plastizität. Das konstruierte Netz kann zur rechnerischen Modellierung des AMPA-Rezeptorhandels in der langfristigen synaptischen Plastizität mit dem Softwareprogramm Blender mit CellBlender und MCell verwendet werden.

Abstract

Die Berechnung der Diffusion und Reaktion chemischer Spezies in einer dreidimensionalen (3D) Geometrie ist eine grundlegende Methode, um die Mechanismen der synaptischen Plastizität in dendritischen Stacheln zu verstehen. In diesem Protokoll wird die detaillierte 3D-Struktur der Dendriten und dendritischen Dornen mit Netzen auf der Software Blender mit CellBlender modelliert. Die synaptischen und extrasynaptischen Bereiche werden im Netz definiert. Als nächstes werden der synaptische Rezeptor und die synaptischen Ankermoleküle mit ihren Diffusionskonstanten definiert. Schließlich werden die chemischen Reaktionen zwischen synaptischen Rezeptoren und synaptischen Ankern einbezogen und das Rechenmodell numerisch mit der Software MCell gelöst. Diese Methode beschreibt den räumlich-zeitlichen Pfad jedes einzelnen Moleküls in einer geometrischen 3D-Struktur. Daher ist es sehr nützlich, den Handel mit synaptischen Rezeptoren in und aus den dendritischen Stacheln während des Auftretens von synaptischer Plastizität zu untersuchen. Eine Einschränkung dieser Methode ist, dass die hohe Anzahl von Molekülen die Geschwindigkeit der Simulationen verlangsamt. Die Modellierung der dendritischen Stacheln mit dieser Methode ermöglicht die Untersuchung der homosynaptischen Potenzierung und Depression innerhalb einzelner Stacheln und der heterosynaptischen Plastizität zwischen benachbarten dendritischen Stacheln.

Introduction

Synaptische Plastizität wurde mit Lernen und Gedächtnis1in Verbindung gebracht. Synaptische Plastizität, wie Langzeitpotenzierung (LTP) und Langzeitdepression (LTD), ist mit dem Einsetzen und Entfernen von AMPA-Rezeptoren (AMPARs) in und aus der synaptischen Membranverbunden 2. Die AMPAR-Synapsen befinden sich auf den kleinen Volumenstrukturen, die dendritischen Stacheln genannt werden3. Jede Wirbelsäule enthält eine proteindichte Region in der postsynaptischen Membran, die postsynaptische Dichte (PSD). Ankerproteine an der PSD-Falle AMPARs im synaptischen Bereich. Es gibt nur wenige Kopien von AMPARs innerhalb einer einzigen Synapse und der Handel und die Reaktion von AMPARs mit anderen Arten in dendritischen Stacheln ist ein stochastischer Prozess2,4. Es gibt mehrere kompartale Modelle des synaptischen Rezeptorhandels an dendritischen Stacheln5,6,7,8. Es fehlt jedoch an stochastischen Rechenmodellen für den Handel mit AMPARs, die mit synaptischer Plastizität an den 3D-Strukturen der Dendriten und ihrer dendritischen Stacheln verbunden sind.

Computational Modeling ist ein nützliches Werkzeug, um die Mechanismen zu untersuchen, die der Dynamik komplexer Systeme zugrunde liegen, wie die Reaktionsdiffusion von AMPARs in dendritischen Stacheln während des Auftretens der synaptischen Plastizität9,10,11,12. Das Modell kann verwendet werden, um komplexe Szenarien zu visualisieren, sensible Parameter zu variieren und wichtige Vorhersagen unter wissenschaftlichen Bedingungen mit vielen Variablen zu treffen, die schwierig oder unmöglich sind, experimentelle12,13zu steuern. Die Definition der Detailgenauigkeit eines Berechnungsmodells ist ein grundlegender Schritt, um genaue Informationen über das modellierte Phänomen zu erhalten. Ein ideales Rechenmodell ist ein empfindliches Gleichgewicht zwischen Komplexität und Einfachheit, um die wesentlichen Eigenschaften der Naturphänomene zu erfassen, ohne rechnerisch unerschwinglich zu sein. Zu detaillierte Berechnungsmodelle können teuer zu berechnen sein. Auf der anderen Seite können Systeme, die schlecht detailliert sind, die grundlegenden Komponenten fehlen, die für die Erfassung der Dynamik des Phänomens unerlässlich sind. Obwohl die 3D-Modellierung dendritischer Stacheln rechnerisch teurer ist als 2D und 1D, gibt es Bedingungen, z. B. in komplexen Systemen mit vielen nichtlinearen Variablen, die in Zeit und 3D-Raum reagieren und diffundieren, für die die Modellierung auf 3D-Ebene unerlässlich ist, um Erkenntnisse über die Funktionsweise des Systems zu erhalten. Darüber hinaus kann die Komplexität sorgfältig reduziert werden, um die wesentlichen Eigenschaften eines niederdimensionalen Modells zu erhalten.

In einem stochastischen System mit wenigen Kopien einer bestimmten Art innerhalb eines kleinen Volumens weicht die durchschnittliche Dynamik des Systems von der durchschnittlichen Dynamik einer großen Population ab. In diesem Fall ist die stochastische Rechenmodellierung von reaktionsdiffusisierenden Teilchen erforderlich. Diese Arbeit führt eine Methode zur stochastischen Modellierung der Reaktionsdiffusion einiger Kopien von AMPARs in 3D-dendritischen Stacheln ein. Der Zweck dieser Methode ist es, ein 3D-Berechnungsmodell eines dendritischen Segments mit dendritischen Stacheln und deren Synapsen zur Modellierung der synaptischen Plastizität zu entwickeln.

Die Methode verwendet die Software MCell, um das Modell numerisch zu lösen, Blender für die Konstruktion von 3D-Netzen und CellBlender, um die MCell-Simulationen zu erstellen und zu visualisieren, einschließlich der raumzeitlichen Reaktionsdiffusion von Molekülen in 3D-Netzen14,15,16. Blender ist eine Suite für die Erstellung von Netzen und CellBlender ist ein Add-on für die Basissoftware Blender. MCell ist ein Monte-Carlo-Simulator zur Reaktionsdiffusion einzelner Moleküle17.

Die Begründung für die Anwendung dieser Methode besteht darin, die synaptische Plastizität zu modellieren, um ein besseres Verständnis dieses Phänomens in der mikrophysiologischen Umgebung der dendritischen Stacheln zu erreichen14. Insbesondere ermöglicht diese Methode die Simulation von homosynaptischer Potenzierung, homosynaptischer Depression und heterosynaptischer Plastizität zwischen dendritischen Stacheln14.

Die Merkmale dieser Methode umfassen die Modellierung der geometrischen 3D-Struktur des Dendriten und seiner Synapsen, die Diffusion durch zufallszufallsfallendes Gehen und die chemischen Reaktionen der Moleküle, die mit synaptischer Plastizität verbunden sind. Diese Methode bietet den Vorteil, dass umfangreiche Umgebungen erstellt werden, um Hypothesen zu testen und Vorhersagen über die Funktionsweise eines komplexen nichtlinearen Systems mit einer großen Anzahl von Variablen zu treffen. Darüber hinaus kann diese Methode nicht nur zur Untersuchung der synaptischen Plastizität, sondern auch zur Untersuchung der stochastischen Reaktionsdiffusion von Molekülen in 3D-Netzstrukturen im Allgemeinen angewendet werden.

Alternativ können 3D-Netze dendritischer Strukturen direkt im Blender aus seriellen Elektronenmikroskop-Rekonstruktionen18konstruiert werden. Obwohl Netze, die auf seriellen Rekonstruktionen basieren, 3D-Strukturen bereitstellen, ist der Zugriff auf die experimentellen Daten nicht immer verfügbar. So bietet die Konstruktion von Maschen, die von geometrischen Grundstrukturen angepasst sind, wie im vorliegenden Protokoll beschrieben, Flexibilität bei der Entwicklung maßgeschneiderter dendritischer Segmente mit dendritischen Stacheln.

Eine weitere alternative Berechnungsmethode ist die Massensimulation gut gemischter Reaktionen in einem regulären Band9,10,11,19,20,21,22. Die Massensimulationen sind sehr effizient bei der Lösung der Reaktionen vieler Arten innerhalb eines einzigen gut gemischten Bandes23, aber der Massenansatz ist extrem langsam, um die Reaktionsdiffusion von Molekülen in vielen gut gemischten Voxeln in einem hochauflösenden 3D-Netz zu lösen. Andererseits arbeitet die vorliegende Methode mit MCell-Simulationen der Reaktionsdiffusion einzelner Teilchen effizient in hochauflösenden 3D-Netzen15.

Vor der Anwendung dieser Methode sollte man sich fragen, ob das untersuchte Phänomen einen stochastischen Reaktions-Diffusionsansatz in einem 3D-Netz erfordert. Wenn das Phänomen nur wenige Kopien (weniger als 1.000) von mindestens einer der reagierenden Arten aufweist, die sich in einer komplexen geometrischen Struktur mit kleinen Volumenkomben wie dendritischen Stacheln diffundieren, dann ist die stochastische Modellierung der Reaktionsdiffusion in 3D-Netzen für die Anwendung geeignet.

Es sind mehrere Schritte erforderlich, um ein 3D-Berechnungsmodell eines dendritischen Segments zu konstruieren, das dendritische Stacheln mit synaptischer Plastizität enthält. Die wichtigsten Schritte sind die Installation der richtigen Software für die Konstruktion des Modells, die Konstruktion einer einzigen dendritischen Wirbelsäule, die als Vorlage verwendet werden soll, um mehrere Stacheln zu erstellen, und die Schaffung eines dendritischen Segments, das mit mehreren dendritischen Stacheln verbunden ist. Der Schritt zur Modellierung der synaptischen Plastizität besteht darin, Anker im PSD-Bereich und AMPARs im dendritischen Segment und dendritische Stacheln einzufügen. Dann werden kinetische Reaktionen zwischen den Ankern an der PSD und AMPARs definiert, um komplexe Anker-AMPAR-Arten zu produzieren, die die AMPARs im synaptischen Bereich einfangen. Die Erhöhung und Abnahme der Affinität zwischen den Ankern und den synaptischen AMPARs erzeugt den Prozess von LTP und LTD.

Protocol

HINWEIS: Bitte lesen Sie die Zusatzdatei 1 für das Glossar der in diesem Protokoll verwendeten Begriffe. 1. Installieren Sie Blender, CellBlender und MCell HINWEIS: Dieses Protokoll erfordert die Installation von MCell, Blender und Cell Blender. Laden Sie die Software auf die MCell-Homepage herunter (https://mcell.org/tutorials_iframe.html). Gehen Sie zu Downloads oben auf der Seite und folgen Sie dann den Schritt-für-Schritt-Anweisungen…

Representative Results

Diese Ergebnisse liefern die Schritte für den Aufbau eines 3D-Netzes, das eine dendritische Wirbelsäule mit einem Wirbelsäulenkopf und Wirbelsäulenhals simuliert(Abbildung 1 bis Abbildung 4). Darüber hinaus können mehrere dendritische Stacheln in ein einzelnes dendritisches Segment (Abbildung 5) eingefügt werden, um die heterosynaptische Plastizität von AMPARs14zu untersuchen. Die PSD auf der Oberseit…

Discussion

Dieser Artikel stellt eine Methode zur Konstruktion von 3D-Netzen zur Modellierung von Reaktionsdiffusions-Synaptischen Plastizitätsprozessen in einem dendritischen Segment mit dendritischen Stacheln vor. Das entwickelte Modell enthält ein dendritisches Segment mit wenigen dendritischen Stacheln. Die seitliche Diffusion und Reaktion von AMPARs mit synaptischen Ankern ermöglicht die Simulation der Basaldynamik. Die kritischen Schritte im Protokoll sind das Schneiden der Kugel für die Erstellung der Oberseite des Wirbe…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Diese Arbeit wurde teilweise durch das Stipendium der Sao Paulo State Science Foundation (FAPESP) #2015/50122-0 und IRTG-GRTK 1740/2, durch den IBM/FAPESP-Zuschuss #2016/18825-4 und durch den FAPESP-Zuschuss #2018/06504-4 unterstützt.

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).

Play Video

Cite This 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