Dopamin (DA) neurotransmission spiller en afgørende rolle i forskellige kognitive og adfærdsmæssige funktioner, og dets dysfunktion er impliceret i flere almindelige sygdomme og lidelser. Som sådan er det kritisk at udvikle nøjagtige metoder til kvantitativt at studere DA-neurotransmission in vivo for at vurdere, hvordan DA-neurotransmission ændres i sammenhæng med sygdomsmodeller og lægemiddelfarmakologi. Hurtig-scanning cyklisk voltammetri (FSCV) giver mulighed for overvågning in vivo DA-neurotransmission med fin rumlig og tidsmæssig opløsning. Selv om det er muligt at overvåge fysiologisk DA-neurotransmission i våde, fritt bevæger sig dyr, kan den elektriske stimulering af stigende dopaminerge veje i bedøvede dyr frembringe robuste DA-reaktioner, som er acceptable for den forbedrede kinetiske analyse af DA-neurotransmission.

Elektrisk stimulerede DA-reaktioner afspejler et dynamisk samspil mellem DA-frigivelse og genoptagelse og fortolkningerAf disse svar har overvejende anvendt en simpel model af stimuleret DA neurotransmission kaldet Michaelis-Menten (MM) model ¹² . MM-modellen består af 3 variable til at beskrive DA-responser i form af en konstant DA-frigivelseshastighed og en konstant genoptagelseseffektivitet ( dvs. forholdet mellem DA-genoptagelseshastigheden og ekstracellulære DA-koncentrationer) som beskrevet ved ligning 1 :

(DA frigivelse) (DA genoptagelse)

I ligning 1 er f frekvensen af ​​stimulering; [DA] _p er den estimerede DA koncentration stigning pr. Stimuleringsimpulser; V _max repræsenterer den estimerede maksimale genoptagelsesrate; Og K _m er den estimerede MM-konstant, som teoretisk svarer til den ekstracellulære DA-koncentration, der mætter 50% DAT, hvilket fører til en halv maksimal genoptagelseshastighed. Denne differentiAl ligning kan integreres for at simulere eksperimentelle DA responser ved at estimere [DA] _p , V _max og K _m parametrene.

Selv om MM-modellen har lettet betydelige fremskridt inden for forståelsen af ​​DA-neurotransmissionskinetik i forskellige eksperimentelle sammenhænge, ​​gør MM-modellen enkle grundlæggende antagelser, som begrænser dets anvendelighed, når modellering DA-responser fremkaldes af supraphysiologiske stimuleringer ^{2 , 13} . For eksempel kan MM-modellen kun tilpasse DA-responsformer, hvis de stiger på en konveks måde, men den kan ikke tage højde for de gradvise (konkave) stigende responser, der findes i dorsale striatale regioner ¹² . Således opfanger MM-modelantagelserne ikke nøjagtigt de dynamiske frigivelses- og genoptagelsesprocesser af stimuleret DA-neurotransmission.

At model stimulerede DA responser i henhold til en realistisk kvantItative ramme blev den kvantitative neurobiologiske (QN) ramme udviklet baseret på principper for stimuleret neurotransmissionskinetik stammer fra komplementær forskning og eksperimentering ² . Forskellige linjer med neurotransmissionsforskning viser, at (1) stimuleret frigivelse af neurotransmitter er en dynamisk proces, der falder i hastighed i løbet af stimulering ¹⁴ , (2) frigivelsen fortsætter i post-stimuleringsfasen med bifasisk henfaldskinetik ¹⁵ og (3) DA Genoptagelseseffektivitet hæmmes progressivt i løbet af selve stimuleringen ^{2 , 16} . Disse tre begreber tjener som grundlaget for QN-rammen og de tre ligninger bestående af 12 parametre, der beskriver dynamikken i DA-frigivelse og genoptagelse ( tabel 1 ). QN-rammen kan nøje simulere heterogene eksperimentelle DA-svarstyper, såvel som pReducerede virkninger af eksperimentelle manipulationer af stimuleringsparametre og lægemiddeladministration ^{2 , 6} . Selv om yderligere forskning er nødvendig for at finjustere datamodelleringsmetoden, kan fremtidige eksperimenter i høj grad drage fordel af denne neurobiologisk orienterede modelleringsmetode, som væsentligt øger de afledninger, der er trukket fra det stimulerede DA neurotransmission paradigme.

Tabel 1: Modelleringsligninger og parametre . Klik her for at se en større version af denne figur.

Denne vejledning beskriver, hvordan man modellerer stimulerede DA-responsdata til at estimere DA-frigivelse og genoptage kinetik ved hjælp af QNsim 1.0. Den faktiske eksperimentelle dataindsamling og prOcessing er ikke beskrevet her og kræver kun tidsmæssige DA koncentrationsdata. Den teoretiske understøttelse og grundlag for QN-rammen er beskrevet i det væsentlige tidligere ² , men et praktisk perspektiv på anvendelsen af ​​QN-rammen på model DA-responsdata er beskrevet nedenfor.

QN-rammen modellerer det dynamiske samspil mellem: 1) dynamisk DA-frigivelse, 2) DA-genoptagelse og 3) virkningerne af suprafysiologiske stimuleringer på disse processer for at udtrække meningsfuld kinetisk information fra DA-responsdata. QN-rammen er bedst egnet til modellering af FSCV-data, der er erhvervet ved hjælp af stærkt suprafysiologiske stimuleringer af lang varighed ( f.eks. 60 Hz, 10 s stimuleringer), der producerer robuste DA-reaktioner, der kan anvendes til kinetisk analyse. Efter den nøjagtige modellering af de underliggende frigivelses- og genoptagelsesprocesser kan modelparametrene bruges til at simulere et DA-respons, der skal tilnærme formen af ​​exPerimental DA respons.

Ligningerne af QN-rammen beskriver hastigheden af ​​DA-frigivelse og genoptagelse i løbet af de stimulerede DA-reaktioner. QN-rammen beskriver den stimulerede DA-frigivelseshastighed som en funktion af tiden fra starten af ​​stimulering (t- _stim ), når DA-frigivelseshastigheden eksponentielt falder i løbet af stimuleringen. Dette er i overensstemmelse med udtømningen af ​​en let frigivelig pool med en tilsat stabil DA-frigivelseshastighed (DARss) for at tage højde for vesikelpåfyldning, svarende til andre rapporter ( ligning 2 ) ^{14 , 17} .

Manipulationer, der øger DA-frigivelseshastigheden, såsom forøgelse af Δ DAR, Δ DAR τ eller DARss, fører til øgede responsamplituder på DA versus tidstegninger. Hver parameTer bidrager forskelligt til DA responsformer. Forøgelse af DARss og Δ DAR τ gør begge stigende faser af svar mere lineære (mindre konvekse). Faldende Δ DAR τ fremmer konvexitet, som styres af størrelsen af Δ DAR. Baseret på modelleringserfaring er DARss generelt mindre end 1/5 af Δ DAR; Således er Δ DAR frigivelsesparameteren, der primært bestemmer den samlede responsamplitude af et DA-respons.

DA-frigivelseshastigheden efter stimulering modelleres af ligning 3 som en fortsættelse af den stimulerede DA-frigivelseshastighed fra slutningen af ​​stimulering (DAR _ES ) som en funktion af tiden efter stimulering (t- _post ). Post-stimulation DA frigivelseshastigheden følger et bifasisk henfaldsmønster som tidligere beskrevet ¹⁵ med en hurtig eksponentiel henfaldsfase og en forlænget lineær henfaldsfase til model to ca.Lciumafhængige neurotransmitterfrigivelsesprocesser.

(Hurtig eksponentiel forfald) (langvarigt lineært forfald)

Det er i øjeblikket ikke muligt at bestemme, hvor meget poststimulering DA frigivelse finder sted. Denne begrænsning kan behandles ved systematisk minimering af estimater for poststimulering DA frigivelse og validering af modelparametre på tværs af et sæt eksperimentelle DA-reaktioner indsamlet fra det samme optagelsessted ved anvendelse af forskellige stimuleringsvarigheder. Denne minimering giver brugerne mulighed for at lave konservative estimater for frigivelse og genoptagelse. Fordi elektriske stimuleringer fører til kalciumakkumulering, der fremmer frigivelse efter stimulering af neurotransmitter, påvirker stimuleringstiden de post-stimulerende neurotransformerMitterfrigivelsesparametre ^{18 , 19} . Baseret på modelleringserfaring blev det konstateret, at som stimuleringsvarigheden stiger, øges τ _R og X _R falder, hvilket er i overensstemmelse med de forventede virkninger af en større calciumakkumulering ²⁰ .

Ligning 4 beskriver DA-genoptagelseshastigheden som en forlængelse af MM-rammen og inkorporerer et dynamisk Km-udtryk, som forøges under stimulering for at modellere en gradvist faldende genoptagelseseffektivitet forårsaget af de suprafysiologiske stimuleringer ^{2 , 16} . Km efter stimulation holdes konstant ved Km-værdien ved stimulationens slutning (K _mES ).

hvor,

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

(Under stimulering) (Efter stimulation)

Stimulerede DA-reaktioner, især fra ventrale striatale regioner, er ofte ufølsomme over for ændringer i den indledende Km-værdi (K _mi ), hvilket gør det muligt at definere en K _mi- værdi problematisk. Således er, ligesom den oprindelige MM-ramme, K _mi tilnærmelsesvis ved 0,1-0,4 μM for DA-reaktioner indsamlet fra kontrolbehandlede dyr ¹² . Δ K _m termen bestemmer omfanget af genoptagelseseffektivitetsændring under stimulering, hvilket fra vores erfaring er omkring 2081; M i løbet af en 60 Hz, 10 s stimulation. K- og K- _{minf-værdierne} bestemmer, hvordan K _m ændres over tid, og at øge en af ​​disse vilkår fremmer koncaviteten af ​​stigningsfasen. V _max er den maksimale genoptagelseshastighed, der delvis vedrører lokal DA transportør densitet, som udviser en ventromedial til dorsolateral gradient ²¹ . Følgelig er Vmax-værdierne i dorsalstriatumet (D-Str) generelt større end 30 μM / s, men generelt mindre end 30 μM / s i de ventrale områder, som nukleinsummen (NAc) ⁶ .

De generelle retningslinjer ovenfor kan hjælpe med at modellere eksperimentelle DA-responsdata, men generering af en simulering, der nærmer sig det eksperimentelle DA-respons, kræver iterativt at justere modelparametre. Nøjagtigheden af ​​modelparametrene kan forbedres ved at opnå DA-responser på suprafysiologiske stimuleringer, der tilvejebringerEa robust substrat til simulering samt ved at opnå og modellere flere DA-reaktioner på stimuleringer af varierende varighed på samme optagelsessted ( f.eks. 60 Hz, 5 s og 10 s stimuleringer) for at validere parameternes nøjagtighed ( Se eksempeldata). For at demonstrere er et datasæt inkluderet i softwarepakken indeholdende regiospecifikke stimulerede DA-responser indsamlet i nucleus accumbens og dorsal striatum før og efter en farmakologisk udfordring, der allerede var modelleret ved anvendelse af QN-rammen. I forlængelse heraf finder brugerne, at denne metode også kan anvendes til at karakterisere kinetikken af ​​DA-neurotransmission i forskellige sygdomskontekster og farmakologiske manipulationer.