QNsim1.0을 이용한 전기 자극 도파민 신경 전달 데이터의 고속 스캔 순환 전압 측정 데이터 모델링

도파민 (DA) 신경 전달은 다양한인지 기능 및 행동 기능에 필수적인 역할을하며, 그의 기능 장애는 몇 가지 일반적인 질병 및 장애에 연루되어있다. 따라서, DA 신경 전달이 질병 모델 및 약물 약리학의 맥락에서 어떻게 변화되는지를 평가하기 위해 생체 내 DA 신경 전달 물질을 정량적으로 연구하는 정확한 방법을 개발하는 것이 중요합니다. 빠른 스캔 순환 전압 법 (FSCV)은 미세 공간 및 시간 해상도 로 생체 내 DA 신경 전달을 모니터링 할 수 있습니다. 깨어있는 동물에서 생리적 DA 신경 전달을 모니터링하는 것은 가능하지만, 마취 된 동물에서 상승하는 도파민 성 경로의 전기적 자극은 DA 신경 전달의 향상된 동역학 분석에 적합한 견고한 DA 반응을 생성 할 수 있습니다.

전기적으로 자극 된 DA 반응은 DA 방출과 재 흡수의 역동적 인 상호 작용과 해석을 반영합니다의 반응은 Michaelis-Menten (MM) 모델 ¹² 라고 불리는 자극 된 DA 신경 전달의 단순한 모델을 주로 사용했습니다. MM 모델은 식 (1)에 의해 기술 된 바와 같이, 일정한 DA 방출 속도 및 일정한 재 흡수 효율성 ( 즉, DA 재 흡수 속도와 세포 외 DA 농도 사이의 관계)의 관점에서 DA 반응을 기술하기위한 3 가지 변수로 구성된다 :

(DA 방출) (DA 재 흡수)

수학 식 1에서, f 는 자극의 빈도이고; [DA] _p 는 자극의 맥박 당 추정 된 DA 농도 증가이다; Vmax는 추정 된 최대 재 흡수율을 나타내고; Km은 이론적으로 DAT의 50 %를 포화시키는 세포 외 DA 농도와 동등한 것으로 추정되는 MM 상수이며, 최대 재 흡수율의 반이된다. 이 differential 방정식은 [DA] _p , V _max 및 K _m 매개 변수를 추정하여 실험적인 DA 응답을 시뮬레이트하기 위해 통합 될 수 있습니다.

MM 모델은 다양한 실험적 환경에서 DA 신경 전달 동역학에 대한 이해를 현저히 향상 시켰지만, MM 모델은 상회 생리 학적 자극에 의해 유도 된 DA 반응을 모델링 할 때 적용 가능성을 제한하는 단순한 근본 가정을한다. 예를 들어, MM 모델은 볼록한 방식으로 상승하는 경우에만 DA 응답 모양을 근사 할 수 있지만, 배면 선조체 지역에서 발견되는 점진적인 (오목한) 상승 응답을 설명 할 수 없습니다 ¹² . 따라서, MM 모델 가정은 자극 된 DA 신경 전달의 동적 방출 및 재 흡수 과정을 정확하게 포착하지 못한다.

실제 퀀트에 따라 자극 된 DA 반응을 모델링하려면itative 프레임 워크, 양적 신경 생물학 (QN) 프레임 워크는 보완 연구 및 실험 ² 에서 유도 자극 신경 전달 동역학의 원리를 기반으로 개발되었습니다. 신경 전달 연구의 다양한 라인은 (1) 자극 된 신경 전달 물질 방출은 자극 과정 동안 속도가 감소하는 역동적 인 과정이며, (2) 2 상 부식 동역학으로 자극 후 단계에서 계속 방출되며, (3) DA 재 흡수 효율은 자극 자체의 지속 기간 동안 점차적으로 억제된다. 이 세 가지 개념은 QN 프레임 워크의 기초가되며, DA 방출 및 재 흡수의 역학을 설명하는 12 개의 매개 변수로 구성된 3 가지 식 ( 표 1 )을 제공합니다. QN 프레임 워크는 이질적 실험 DA 응답 유형뿐만 아니라 p자극 매개 변수 및 약물 투여의 실험적 조작의 수정 된 효과 ^{2 , 6} . 데이터 모델링 접근법을 개선하기 위해서는 더 많은 연구가 필요하지만 미래의 실험은 자극 된 DA 신경 전달 패러다임에서 유도 된 추론을 상당히 추가하는 신경 생물학 기반 모델링 접근법의 이점을 크게 누릴 수 있습니다.

표 1 : 방정식과 매개 변수 모델링 . 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

이 튜토리얼에서는 QNsim 1.0을 사용하여 자극 된 DA 반응 데이터를 모델링하여 DA 방출을 추정하고 동역학을 재 흡수하는 방법에 대해 설명합니다. 실제 실험 데이터 수집 및 홍보여기서는 설명하지 않고 일시적인 DA 농도 데이터 만 필요로한다. QN 프레임 워크의 이론적 지원 및 토대는 이전에 광범위하게 설명되었지만 QN 프레임 워크를 DA 응답 데이터 모델에 적용하는 실제적인 관점은 아래에 설명되어 있습니다.

QN 프레임 워크는 DA 반응 데이터로부터 의미있는 운동 정보를 추출하기 위해 1) 동적 DA 방출, 2) DA 재 흡수 및 3) 이러한 과정에 대한 초음파 생리 학적 자극의 효과 사이의 동적 상호 작용을 모델링합니다. QN 프레임 워크는 장기 분석 ( 예 : 60Hz, 10 초 자극)의 고도로 초음속 자극을 사용하여 얻은 FSCV 데이터를 모델링하는 데 가장 적합하며 동적 분석을 위해 견고한 DA 반응을 생성합니다. 기본 릴리스 및 재 흡수 프로세스의 정확한 모델링에 따라 모델 매개 변수를 사용하여 ex의 모양을 근사해야하는 DA 응답을 시뮬레이션 할 수 있습니다시정 DA 반응.

QN 프레임 워크의 방정식은 자극 된 DA 반응 동안 DA 방출 및 재 흡수 속도를 나타냅니다. QN 프레임 워크는 DA 방출 속도가 자극 과정에서 기하 급수적으로 감소 할 때 자극 시작시 (t stim)부터 시간의 함수로서 자극 DA 방출 속도를 설명합니다. 이것은 다른 보고서 ( 식 2 )와 유사하게 소포 보충을 설명하기 위해 정상 상태 DA 방출 속도 (DARss)가 추가되어 쉽게 해제 할 수있는 풀의 고갈과 일치합니다.

Δ DAR, Δ DAR τ 또는 DARss를 증가시키는 것과 같이 DA 방출 속도를 증가시키는 조작은 DA 대 시간 플롯에 대한 응답 진폭을 증가시킵니다. 각 파라메ter는 DA 응답 모양에 차별적으로 기여합니다. 증가하는 DARss와 ΔDAR τ 는 모두 반응의 상승 위상을보다 선형 (덜 볼록)하게 만듭니다. Δ DAR τ를 감소 시키면 Δ DAR의 크기에 의해 제어되는 볼록도가 촉진됩니다. 모델링 경험에 따르면, DARss는 일반적으로 ΔDAR의 1/5 미만이다. 따라서 Δ DAR은 주로 DA 응답의 전체 응답 진폭을 결정하는 릴리스 매개 변수입니다.

자극 후 DA 방출 속도는 자극 후 시간의 함수 (t _post )로 자극 말기 (DAR _ES )에서 자극 된 DA 방출 속도의 연속으로서 식 3 에 의해 모델링된다. 사후 자극성 DA 방출 속도는 이전에 설명한 것처럼 ^{15 일} 2 차원 붕괴 패턴을 따르고 급격한 지수 붕괴 단계와 2 차 모델링을위한 선형 선형 붕괴 단계를 거친다lcium 의존성 신경 전달 물질 방출 과정.

(급격한 지수 감쇠) (선형 선형 감쇠)

자극 후 DA 방출이 얼마나되는지를 결정하는 것은 현재 불가능합니다. 이러한 제한은 자극 후 DA 방출의 추정치를 체계적으로 최소화하고 변화하는 자극 지속 시간을 사용하여 동일한 기록 사이트에서 수집 된 일련의 실험적 DA 반응에 대한 모델 파라미터를 검증함으로써 해결할 수 있습니다. 이 최소화는 사용자가 방출과 재 흡수를 보수적으로 추정 할 수있게 해줍니다. 전기적 자극은 자극 후 신경 전달 물질 방출을 촉진하는 칼슘 축적을 유도하기 때문에 자극 지속 시간은 자극 후 신경 전달에 영향을 미친다지터 방출 매개 변수 ^{18 , 19} . 모델링 경험을 바탕으로 자극 지속 시간이 증가함에 따라 τ _R이 증가하고 X _R이 감소하여 칼슘 축적이 커질 것으로 예상되는 효과와 일치한다는 것이 발견되었습니다 ²⁰ .

식 4 는 MM 프레임 워크의 확장으로서의 DA 재 흡수율을 기술하고, 상회 생리 학적 자극에 의한 점차적으로 감소하는 재 흡수 효율을 모델링하기위한 자극 동안 증가하는 동적 Km 항을 포함한다. 자극 후 K _m 는 자극이 끝날 때 K _m 값에서 일정하게 유지된다 (K mES).

어디에,

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

(자극 중) (자극 후)

자극 된 DA 반응, 특히 복부 선조체 부위에서의 반응은 초기 Km 값 (Km)의 변화에 ​​민감하지 않으므로 Km 값을 문제가되는 것으로 정의합니다. 따라서, 원래의 MM framework과 마찬가지로, Ki _mi 는 대조군 미처리 동물 ¹² 에서 수집 된 DA 반응에 대해 0.1-0.4μM으로 근사된다. ΔKm 항은 자극 동안 재 흡수 효율 변화의 정도를 결정하는데, 이는 우리의 경험으로부터 약 2081; 60Hz, 10 초의 자극 동안 k와 K _minf 값은 K _m 이 시간에 따라 어떻게 변하는지를 결정하고,이 항들 중 어느 하나를 증가 시키면 상승 단계의 오목 함이 촉진됩니다. _Vmax 는 국소 DA 전달체 밀도에 부분적으로 관련된 최대 재 흡수율이며, 이는 배측 외측 구배 ^21을 나타낸다. 따라서, Dorsal striatum (D-Str)의 Vmax 값은 일반적으로 30uM / s 이상이지만 일반적으로 중격 (NAc) ⁶ 과 같은 복부 영역에서 30μM / s 미만입니다.

위의 일반 지침은 실험용 DA 응답 데이터를 모델링하는 데 도움이 될 수 있지만 실험용 DA 응답을 근사하는 시뮬레이션을 생성하려면 모델 매개 변수를 반복적으로 조정해야합니다. 모델 매개 변수의 정확성은 다음을 제공하는 탁월한 생리 학적 자극에 대한 DA 반응을 얻음으로써 향상 될 수 있습니다.( 예 : 60Hz, 5 초 및 10 초 자극)에서 다양한 지속 시간의 자극에 대한 여러 DA 반응을 얻고 모델링하여 매개 변수의 정확성을 검증하는 것 ( 예 : 60Hz, 5 초 및 10 초 자극) 샘플 데이터 참조). 입증하기 위해 데이터 집합은 QN 프레임 워크를 사용하여 이미 모델링 된 약리학 적 도전 이전과 이후에 측위 핵과 등쪽 선조에 수집 된 위치 특이성 자극 DA 반응을 포함하는 소프트웨어 패키지에 포함되어 있습니다. 확대하여, 사용자는이 방법론이 다양한 질병 상황 및 약리학 적 조작에서 DA 신경 전달의 동력학을 특성화하기 위해 유사하게 적용될 수 있음을 발견 할 것이다.