Summary

Modelado 3D de espinas dendríticas con plasticidad sináptica

Published: May 18, 2020
doi:

Summary

El protocolo desarrolla un modelo tridimensional (3D) de un segmento dendrítico con espinas dendríticas para modelar plasticidad sináptica. La malla construida se puede utilizar para el modelado computacional del tráfico de receptores AMPA en la plasticidad sináptica a largo plazo utilizando el programa de software Blender con CellBlender y MCell.

Abstract

El modelado computacional de la difusión y la reacción de las especies químicas en una geometría tridimensional (3D) es un método fundamental para entender los mecanismos de plasticidad sináptica en las espinas dendríticas. En este protocolo, la estructura 3D detallada de las dendritas y espinas dendríticas se modela con mallas en el software Blender con CellBlender. Las regiones sinápticas y extrasinápticas se definen en la malla. A continuación, el receptor sináptico y las moléculas de anclaje sináptica se definen con sus constantes de difusión. Por último, se incluyen las reacciones químicas entre los receptores sinápticos y los anclajes sinápticos y el modelo computacional se resuelve numéricamente con el software MCell. Este método describe la ruta espaciotemporal de cada molécula en una estructura geométrica 3D. Por lo tanto, es muy útil estudiar el tráfico de receptores sinápticos dentro y fuera de las espinas dendríticas durante la aparición de plasticidad sináptica. Una limitación de este método es que el alto número de moléculas ralentiza la velocidad de las simulaciones. El modelado de espinas dendríticas con este método permite el estudio de la potenciación homosináptica y la depresión dentro de espinas individuales y plasticidad heterosináptica entre las espinas dendríticas vecinas.

Introduction

La plasticidad sináptica se ha asociado con el aprendizaje y la memoria1. La plasticidad sináptica, como la potenciación a largo plazo (LTP) y la depresión a largo plazo (LTD), se asocia respectivamente con la inserción y eliminación de receptores AMPA (AMPAR) dentro y fuera de la membrana sináptica2. Las sinapsis AMPAR se encuentran en la parte superior de las estructuras de pequeño volumen llamadas espinas dendríticas3. Cada columna vertebral contiene una región densa de proteína en la membrana postsináptica llamada densidad postsináptica (PSD). Las proteínas de anclaje en los AMPAR de DSP en la región sináptica. Hay pocas copias de AMPAR dentro de una sola sinapsis y el tráfico y la reacción de AMPAR con otras especies en espinas dendríticas es un proceso estocástico2,,4. Existen varios modelos compartimentales de tráfico de receptores sinápticos en espinas dendríticas5,6,7,8. Sin embargo, hay una falta de modelos computacionales estocásticos del tráfico de AMPAR asociados con la plasticidad sináptica en las estructuras 3D de las dendritas y sus espinas dendríticas.

El modelado computacional es una herramienta útil para investigar los mecanismos subyacentes a la dinámica de sistemas complejos como la reacción-difusión de AMPAR en espinas dendríticas durante la aparición de plasticidad sináptica9,,10,,11,,12. El modelo se puede utilizar para visualizar escenarios complejos, variando parámetros sensibles y haciendo predicciones importantes en condiciones científicas que implican muchas variables que son difíciles o imposibles de controlarexperimentales 12,,13. Definir el nivel de detalle de un modelo computacional es un paso fundamental para obtener información precisa sobre el fenómeno modelado. Un modelo computacional ideal es un delicado equilibrio entre complejidad y simplicidad para capturar las características esenciales de los fenómenos naturales sin ser computacionalmente prohibitivo. Los modelos computacionales demasiado detallados pueden ser costosos de calcular. Por otro lado, los sistemas que están mal detallados pueden carecer de los componentes fundamentales que son esenciales para capturar la dinámica del fenómeno. Aunque el modelado 3D de espinas dendríticas es computacionalmente más caro que 2D y 1D, hay condiciones, como en sistemas complejos con muchas variables no lineales que reaccionan y difunden en el tiempo y el espacio 3D, para lo cual el modelado a un nivel 3D es esencial para obtener información sobre el funcionamiento del sistema. Además, la complejidad se puede reducir cuidadosamente para preservar las características esenciales de un modelo de menor dimensión.

En un sistema estocástico con pocas copias de una especie determinada dentro de un pequeño volumen, la dinámica media del sistema se desvían de la dinámica media de una gran población. En este caso, se requiere el modelado computacional estocástico de partículas difusoras de reacciones. Este trabajo introduce un método para el modelado estocástico de reacción-difusión de algunas copias de AMPAR en espinas dendríticas 3D. El propósito de este método es desarrollar un modelo computacional 3D de un segmento dendrítico con espinas dendríticas y sus sinapsis para modelar plasticidad sináptica.

El método utiliza el software MCell para resolver el modelo numéricamente, Blender para la construcción de mallas 3D, y CellBlender para crear y visualizar las simulaciones MCell, incluyendo la reacción-difusión espaciotemporal de moléculas en mallas 3D14,,15,,16. Blender es una suite para la creación de mallas y CellBlender es un complemento para el software base Blender. MCell es un simulador de Monte Carlo para la reacción-difusión de moléculas individuales17.

La razón de ser detrás del uso de este método consiste en modelar la plasticidad sináptica para lograr una mejor comprensión de este fenómeno en el entorno microfisiológico de las espinas dendríticas14. En particular, este método permite la simulación de potenciación homosináptica, depresión homosináptica y plasticidad heterosináptica entre espinas dendríticas14.

Las características de este método incluyen el modelado de la estructura geométrica 3D de la dendrita y sus sinapsis, la difusión por caminata aleatoria, y las reacciones químicas de las moléculas implicadas con plasticidad sináptica. Este método proporciona la ventaja de crear entornos enriquecidos para probar hipótesis y hacer predicciones sobre el funcionamiento de un sistema no lineal complejo con un gran número de variables. Además, este método se puede aplicar no sólo para el estudio de la plasticidad sináptica, sino también para el estudio de la reacción estocástica-difusión de moléculas en estructuras de malla 3D en general.

Alternativamente, las mallas 3D de estructuras dendríticas se pueden construir directamente en Blender a partir de reconstrucciones seriales de microscopio electrónico18. Aunque las mallas basadas en reconstrucciones en serie proporcionan estructuras 3D, el acceso a los datos experimentales no siempre está disponible. Así, la construcción de mallas adaptadas a partir de estructuras geométricas básicas, como se describe en el presente protocolo, proporciona flexibilidad para desarrollar segmentos dendríticos personalizados con espinas dendríticas.

Otro método computacional alternativo es la simulación a granel de reacciones bien mezcladas en un volumen regular9,10,11,19,20,21,22. Las simulaciones a granel son muy eficientes en la resolución de las reacciones de muchas especies dentro de un solo volumen bien mezclado23,pero el enfoque a granel es extremadamente lento para resolver la reacción-difusión de moléculas dentro de muchos voxels bien mezclados en una malla 3D de alta resolución. Por otro lado, el método actual que utiliza simulaciones MCell de reacción-difusión de partículas individuales funciona eficientemente en mallas 3D de alta resolución15.

Antes de utilizar este método, uno debe preguntarse si el fenómeno estudiado requiere un enfoque estocástico de reacción-difusión en una malla 3D. Si el fenómeno tiene pocas copias (menos de 1.000) de al menos una de las especies que reaccionan difuminando en una estructura geométrica compleja con compartimentos de pequeño volumen como espinas dendríticas, entonces el modelado estocástico de la reacción-difusión en mallas 3D es apropiado para la aplicación.

Hay varios pasos necesarios para construir un modelo computacional 3D de un segmento dendrítico que contiene espinas dendríticas con plasticidad sináptica. Los pasos principales son la instalación del software adecuado para la construcción del modelo, la construcción de una sola columna vertebral dendrítica que se utilizará como plantilla para crear múltiples espinas, y la creación de un segmento dendrítico que está conectado con múltiples espinas dendríticas. El paso para modelar la plasticidad sináptica consiste en insertar anclajes en la región PSD y AMPAR en el segmento dendrítico y espinas dendríticas. Luego, las reacciones cinéticas entre los anclajes situados en el PSD y los AMPAR se definen para producir especies complejas de anclaje-AMPAR que atrapan los AMPAR en la región sináptica. Respetuosamente, el aumento y la disminución de la afinidad entre los anclajes y los AMPAR sinápticos crean el proceso de LTP y LTD.

Protocol

NOTA: Consulte el archivo suplementario 1 para ver el glosario de términos utilizados en este protocolo. 1. Instale Blender, CellBlender y MCell NOTA: Este protocolo requiere la instalación de MCell, Blender y Cell Blender. Descargue e instale el software en la página principal de MCell (https://mcell.org/tutorials_iframe.html). Vaya a descargas en la parte superior de la página y siga las instrucciones paso a paso para descargar e ins…

Representative Results

Estos resultados proporcionan los pasos para la construcción de una malla 3D que simula una columna vertebral dendrítica con la cabeza de la columna vertebral y el cuello de la columna vertebral(Figura 1 a Figura 4). Además, se pueden insertar múltiples espinas dendríticas en un solo segmento dendrítico (Figura 5) para estudiar la plasticidad heterosináptica de ampers14. El PSD en la parte superior de …

Discussion

Este artículo presenta un método para la construcción de mallas 3D para modelar procesos de plasticidad sináptica de reacción-difusión en un segmento dendrítico con espinas dendríticas. El modelo desarrollado contiene un segmento dendrítico con pocas espinas dendríticas. La difusión lateral y la reacción de los AMPAR con anclajes sinápticos permiten la simulación de la dinámica basal. Los pasos críticos en el protocolo son cortar la esfera para la creación de la parte superior de la cabeza de la columna …

Disclosures

The authors have nothing to disclose.

Acknowledgements

Este trabajo fue apoyado en parte por la subvención de la Fundación Estatal de Ciencias de Sao Paulo (FAPESP) #2015/50122-0 e IRTG-GRTK 1740/2, por la subvención IBM/FAPESP #2016/18825-4, y por la subvención 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).

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