3D-Modellierung von Dendritischen Stacheln mit synaptischer Plastizität

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 Membran^{verbunden 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 Prozess^2,4. Es gibt mehrere kompartale Modelle des synaptischen Rezeptorhandels an dendritischen Stacheln^5,6,7,8. 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 Plastizität^9,10,11,12. 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, experimentelle^12,13zu 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-Netzen^14,15,16. 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 Band^{9,10,11,19,20,21,22}. 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.