Modellering Snel-scannen Cyclische Voltammetrie Gegevens van Elektrisch Gestimuleerde Dopamine Neurotransmissie Gegevens Met behulp van QNsim1.0

Dopamine (DA) neurotransmissie speelt een essentiële rol in verschillende cognitieve en gedragsfuncties, en zijn disfunctie is betrokken bij verschillende gemeenschappelijke aandoeningen en aandoeningen. Als zodanig is het van cruciaal belang om nauwkeurige methoden te ontwikkelen om kwantitatief DA neurotransmissie in vivo te bestuderen om te beoordelen hoe DA-neurotransmissie verandert in de contexten van ziektebeeldmodellen en farmacologie. Snelle-scan cyclische voltammetrie (FSCV) maakt het mogelijk om in vivo DA neurotransmissie te monitoren met een fijne ruimtelijke en temporale resolutie. Hoewel het mogelijk is fysiologische DA neurotransmissie te bewaken bij wakker, vrijgedragen dieren, kan de elektrische stimulatie van oplopende dopaminergische pathes bij verdovende dieren robuuste DA-reacties produceren die geschikt zijn voor de verbeterde kinetische analyse van DA-neurotransmissie.

Elektrisch gestimuleerde DA reacties weerspiegelen een dynamische wisselwerking van DA release en heropname en interpretatiesVan deze reacties hebben voornamelijk gebruik gemaakt van een simpel model van gestimuleerde DA neurotransmissie genaamd het Michaelis-Menten (MM) model ¹² . Het MM-model bestaat uit 3 variabelen om DA-reacties te beschrijven in termen van een constante DA-vrijgegeven snelheid en een constante opname-efficiëntie ( dat wil zeggen de relatie tussen de DA-opname-snelheid en extracellulaire DA-concentraties) zoals beschreven in vergelijking 1 :

(DA release) (DA reuptake)

In vergelijking 1 is f de frequentie van stimulatie; [DA] _p is de geschatte DA-concentratieverhoging per stimuleringsimpuls; V _max vertegenwoordigt de geschatte maximale heropname snelheid; En K _m is de geschatte MM-constante, die theoretisch gelijkwaardig is aan de extracellulaire DA-concentratie die 50% DAT verzadigt, wat leidt tot een halve maximale reuptake-snelheid. Dit onderscheidAl vergelijking kan geïntegreerd worden om experimentele DA reacties te simuleren door de [DA] _p , V _max en K _m parameters te schatten.

Hoewel het MM-model aanzienlijke vooruitgang heeft geboekt bij het begrijpen van DA-neurotransmissiekinetiek in verschillende experimentele contexten, maakt het MM-model simplistische fundamentele aannames die de toepasbaarheid ervan beperken bij het modelleren van DA-reacties die worden opgewekt door suprafysiologische stimulaties ^{2 , 13} . Zo kan het MM-model alleen DA-responsvormen aanpassen als ze op een convexe manier stijgen, maar het kan niet rekening houden met de geleidelijke (concave) stijgende responsen die in dorsale striatale regio's ^{12 gevonden worden} . Zo nemen de MM-modelaanvattingen de dynamische vrijlating- en heropnameprocessen van gestimuleerde DA-neurotransmissie niet nauwkeurig vast.

Om gestimuleerde DA responsen te modelleren volgens een realistische kwantiteitItatief kader werd het kwantitatieve neurobiologische (QN) kader ontwikkeld op basis van principes van gestimuleerde neurotransmissie kinetiek afgeleid van complementair onderzoek en experiment ² . Verschillende lijnen van neurotransmissie onderzoek tonen aan dat (1) gestimuleerde neurotransmitter vrijlating een dynamisch proces is dat in snelheid tijdens de stimulatie afneemt ¹⁴ , (2) de vrijlating gaat door in de post-stimulatie fase met bifasische vervalkinetiek ¹⁵ en (3) DA Reuptake efficiency wordt progressief geremd tijdens de duur van de stimulatie zelf ^{2 , 16} . Deze drie concepten dienen als de basis van het QN-kader en de drie vergelijkingen die bestaan ​​uit 12 parameters die de dynamiek van DA-release en heropname beschrijven ( tabel 1 ). Het QN-kader kan nauwkeurig simuleren op heterogene experimentele DA respons types, evenals de pGeredigeerde effecten van experimentele manipulaties van stimulatieparameters en geneesmiddeladministratie ^{2 , 6} . Hoewel verder onderzoek nodig is om de data-modelleringsbenadering te verfijnen, kunnen toekomstige experimenten sterk profiteren van deze neurobiologisch georiënteerde modelleringsbenadering, die aanzienlijk bijdraagt ​​aan de afleidingen getrokken uit het gestimuleerde DA-neurotransmissieparadigma.

Tabel 1: Modelleringsvergelijkingen en parameters . Klik hier om een ​​grotere versie van deze figuur te bekijken.

Deze handleiding beschrijft hoe u gestimuleerde DA-responsgegevens kunt modelleren om DA-vrijlating en reuptake kinetics te berekenen met behulp van QNsim 1.0. De feitelijke experimentele dataverzameling en prOcessing is hier niet beschreven en vereist alleen tijdelijke DA concentratie data. De theoretische ondersteuning en fundamenten van het QN-kader zijn al eerder beschreven ² , maar een praktisch perspectief op het toepassen van het QN-kader op model DA-responsgegevens wordt hieronder beschreven.

Het QN-kader vormt de dynamische wisselwerking tussen: 1) dynamische DA-vrijlating, 2) DA-heropname en 3) de effecten van suprafysiologische stimulaties op deze processen om zinvolle kinetische informatie uit DA-responsgegevens te extraheren. Het QN-kader is het best geschikt voor het modelleren van FSCV-gegevens die zijn verkregen met behulp van zeer suprafysiologische stimulaties van lange duur ( bijv. 60 Hz, 10 s stimulaties), die robuuste DA-reacties produceren die geschikt zijn voor de kinetische analyse. Na de nauwkeurige modellering van de onderliggende vrijlating- en heropnameprocessen kunnen de modelparameters worden gebruikt om een ​​DA-respons te simuleren die de vorm van de exPerimentale DA respons.

De vergelijkingen van het QN-kader beschrijven de snelheid van DA-vrijlating en heropname in de loop van de gestimuleerde DA-reacties. Het QN-kader beschrijft de gestimuleerde DA-vrijgavepercentage als functie van de tijd vanaf het begin van de stimulatie (t- _stimulatie ), wanneer de DA-vrijgegeven snelheid exponentieel afneemt tijdens de stimulatie. Dit is in overeenstemming met de uitputting van een gemakkelijk losgelaten pool, met een toegevoegde steady state DA-afgiftepercentage (DARss) om rekening te houden met vesicle-aanvulling, vergelijkbaar met andere rapporten (vergelijking 2 ) ^{14 , 17} .

Manipulaties die de DA-uitzettingssnelheid verhogen, zoals het verhogen van Δ DAR, Δ DAR τ of DARss, leiden tot verhoogde responsversterkingen op DA versus tijdstippen. Elke parameTer draagt ​​bij aan de DA responsieve vormen. Verhogen van DARss en Δ DAR τ maken beide de stijgende fase van de reacties lineair (minder convex). Afnemende Δ DAR τ bevordert de convexiteit, die wordt geregeld door de grootte van Δ DAR. Op basis van modelervaring is DARss meestal minder dan 1/5 van Δ DAR; Daardoor is Δ DAR de vrijlating parameter die in hoofdzaak de totale respons amplitude van een DA reactie bepaalt.

De post-stimulatie DA-vrijgavepercentage wordt gemodelleerd door Equation 3 als een voortzetting van de gestimuleerde DA-vrijgavepercentage vanaf het einde van de stimulatie (DAR _ES ) als functie van de tijd na stimulatie (t _post ). De post-stimulatie DA-afgiftegraad volgt een bifasisch vervalpatroon, zoals eerder beschreven ¹⁵ , met een snelle exponentiële afbraakfase en een verlengde lineaire vervalfase tot model twee caLcium-afhankelijke neurotransmitter vrijgegeven processen.

(Snelle exponentiële verval) (langdurig lineair verval)

Het is momenteel niet mogelijk om te bepalen hoeveel post-stimulatie DA-vrijlating plaatsvindt. Deze beperking kan worden aangepakt door systematisch te minimaliseren schattingen van post-stimulatie DA-vrijlating en validatie van modelparameters over een reeks experimentele DA-reacties die zijn verzameld uit dezelfde opname-site met behulp van verschillende stimulatie-duurzaamheden. Deze minimalisering stelt gebruikers in staat om conservatieve schattingen van vrijlating en heropname te maken. Omdat elektrische stimulaties leiden tot de calciumopbouw die post-stimulatie-neurotransmittervrijheid bevordert, beïnvloedt de duur van de stimulatie de post-stimulatie neurotransMitter vrijgave parameters ^{18 , 19} . Gebaseerd op modelleringservaring bleek dat toen de stimulatiewijdte toeneemt, verhoogt τ _R en X _R afneemt, in overeenstemming met de verwachte effecten van een grotere calciumopbouw ²⁰ .

Vergelijking 4 beschrijft de DA-opname-opname als verlenging van het MM-kader en bevat een dynamische _Km term, die tijdens stimulatie toeneemt om een ​​progressief dalende heropname-efficiëntie te modelleren die wordt veroorzaakt door de suprafysiologische stimulaties ^{2 , 16} . De _Km na stimulatie wordt constant gehouden bij de _Km waarde aan het einde van de stimulatie (K _mES ).

waar,

<img alt = "Vergelijking 6" src = "/ files / ftp_upload / 55595 / 55595eq6.jpg" />

(Tijdens stimulatie) (na stimulatie)

Gestimuleerde DA-reacties, vooral van ventrale striatale gebieden, zijn vaak ongevoelig voor veranderingen in de initiële _Km- waarde (K _mi ), waardoor een K _mi- waarde problematisch wordt gedefinieerd. Zo, zoals het oorspronkelijke MM kader, wordt K _mi benaderd bij 0,1-0,4 μM voor DA-reacties die worden verzameld uit controle-onbehandelde dieren ¹² . De Δ K _m term bepaalt de mate van reuptake efficiency change tijdens stimulatie, die uit onze ervaring ongeveer 20 is81; M in de loop van een stimulatie van 60 Hz, 10 s. De k- en K- _minf- waarden bepalen hoe K _m over de tijd verandert, en het verhogen van een van deze termen bevordert de concaviteit van de opkomende fase. V _max is de maximale heropname-tarief die mede betrekking heeft op de lokale DA-transportdichtheid, die een ventromediale naar dorsolaterale verloop ²¹ vertoont. Bijgevolg zijn V _max- waarden in de dorsale striatum (D-Str) over het algemeen groter dan 30 μM / s, maar in het algemeen minder dan 30 μM / s in de ventrale gebieden, zoals de nucleus accumbens (NAc) ⁶ .

De bovenstaande algemene richtlijnen kunnen helpen bij het modelleren van experimentele DA-responsgegevens, maar het genereren van een simulatie die het experimentele DA-reactie overeenkomt, vereist dat het modelparameters iteratief wordt aangepast. De nauwkeurigheid van de modelparameters kan worden verbeterd door het verkrijgen van DA-reacties op suprafysiologische stimulaties die ervoor zorgenEa robuuste substraat voor simulatie, alsmede door het verkrijgen en modelleren van meerdere DA-reacties op stimulaties van wisselende duurzaamheden op dezelfde opnameplaats ( bijv. Stimulaties van 60 Hz, 5 en 10 s) om de nauwkeurigheid van de parameters te valideren ( Zie de voorbeeldgegevens). Om te demonstreren is een dataset opgenomen in het softwarepakket met regiospecifieke gestimuleerde DA-reacties die zijn verzameld in de nucleus accumbens en dorsale striatum, voor en na een farmacologische uitdaging die al gemodelleerd was met behulp van het QN-kader. Bovendien zullen gebruikers vinden dat deze methodologie ook kan worden toegepast om de kinetiek van DA neurotransmissie in verschillende ziektecontexten en farmacologische manipulaties te karakteriseren.