Em formação

Distribuição espacial de axônios conectando grupos distantes de neurônios

Distribuição espacial de axônios conectando grupos distantes de neurônios


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Isso me ajudaria a moldar minha imagem do cérebro, se eu soubesse o seguinte:

Considere dois grupos específicos de neurônios A e B no cérebro que estão bem localizados, mas bastante distantes um do outro (por exemplo, dois núcleos quase esféricos, ou duas áreas de Brodman correspondentes entre os hemisférios), e que estão (mais ou menos) diretamente conectados sinapticamente , isto é, os axônios do primeiro grupo constroem sinapses com os dendritos do segundo, a distância sendo principalmente transposta pelos axônios. Presumo que haja muitos exemplos em diferentes escalas.

Minha pergunta é: existe uma maneira preferencial de como os axônios são organizados, ou seja, distribuídos espacialmente no cérebro? Eles correm principalmente paralelos uns aos outros em feixes, ou há casos (talvez excepcionais) em que os axônios (ou pequenos subconjuntos de axônios) seguem rotas individuais, possivelmente bem distantes uns dos outros?

Estou ciente de que com grupos intermediários de neurônios, há estão vias diferentes e não paralelas de um grupo de neurônios para o outro. Então, minha pergunta é explicitamente sobre diretamente grupos conectados.

(Existem muitas suposições simplificadoras em minha pergunta que a tornam vazia?)


Distribuição espacial de axônios conectando grupos distantes de neurônios - Biologia

A lista de doenças associadas à agregação de TDP-43 cresceu além de ALS e FTD.

Os achados genéticos implicam na proteostase prejudicada na patogênese da doença, e os estudos moleculares vinculam a redução do turnover da proteína à agregação de TDP-43.

Mutações no domínio rico em glicina de TDP-43 incriminam a separação de fase alterada na patogênese da doença, e novas mutações nos motivos de reconhecimento de RNA potencialmente afetam tanto a ligação quanto a solubilidade do RNA.

Regulação alterada de transcritos neuronais críticos, incluindo STMN2, está associado à perda da função do TDP-43, fornecendo uma ligação mecanicista entre o TDP-43 e a neuropatia.

Mudanças aberrantes em STMN2 a expressão em outras doenças neurodegenerativas destaca a natureza crítica desse regulador do citoesqueleto.

Os principais transcritos regulados por TDP-43 podem servir como biomarcadores para detectar, caracterizar e tratar proteinopatias associadas.

A proteína de ligação ao DNA de resposta transativa de 43 kDa (TDP-43), uma proteína multifuncional de ligação ao ácido nucleico, é um componente primário de agregados insolúveis associados a várias mutações devastadoras de doenças do sistema nervoso em TARDBP, seu gene codificador, são uma causa de esclerose lateral amiotrófica familiar (ELA) e demência frontotemporal (DFT). Aqui, revisamos os papéis estabelecidos e emergentes do TDP-43 e consideramos como sua disfunção interfere na homeostase do RNA no sistema nervoso, contribuindo assim para a degeneração neural. Notavelmente, o splicing impróprio do fator STMN2 associado ao crescimento axonal foi recentemente conectado à disfunção do TDP-43, fornecendo uma ligação mecanicista entre as proteinopatias TDP-43 e a neuropatia. Esta revisão destaca como uma compreensão profunda da função do TDP-43 no cérebro pode ser aproveitada para desenvolver novas terapias direcionadas para vários distúrbios neurológicos.


THE TECH SUITEPARA SEGURANÇA PÚBLICA

O ecossistema Axon oferece aos líderes de segurança pública novas ferramentas para proteger a vida

Capturar Verdade

Câmeras conectadas que contam a história completa

Pessoal Segurança

Proteção com menos preocupação, menos consequências e mais confiança.

Proteger Vida

Reduza a escalada com confiança usando as armas de energia mais avançadas de todos os tempos

Acelerar Justiça

Software que o leva de volta a servir sua comunidade mais rápido

Vamos tornar a bala obsoleta.
Vamos tornar a bala obsoleta.

Ecossistema de Axônio

Cada produto Axon trabalha em conjunto como uma única rede. Perfeitamente conectado. E projetado para fornecer às autoridades policiais as ferramentas de que precisam para se concentrar no que é importante, chegar à verdade com mais rapidez e tornar o mundo um lugar mais seguro.


Introdução

Na Vivo, os neurônios estendem processos que devem navegar pelo ambiente extremamente denso e complexo de cérebros em desenvolvimento para encontrar seus alvos e se reunir em redes funcionais. Este ambiente fornece as pistas extracelulares difusíveis que guiam os processos neuronais até seu destino, orientando seu crescimento e promovendo sua extensão ou retração [1–6]. Conforme revelado por um trabalho recente, os axônios não são apenas capazes de detectar e responder a sinais químicos externos, mas também são guiados por mudanças locais nas propriedades mecânicas de seu entorno [7-9]. Além de fornecer pistas químicas ou mecânicas que orientam a navegação dos axônios, o ambiente confinado e lotado do cérebro também impõe restrições espaciais à organização e ao crescimento das projeções neuronais. Assim, estratégias para otimizar o crescimento no contexto de um número crescente de neurônios foram desenvolvidas ao longo da evolução. Isso inclui a organização de neurônios em populações que se coordenam para crescer e inervar territórios-alvo [10, 11]. Embora estudos tenham revelado que a coordenação e interações entre neurônios são particularmente importantes no contexto de uma população em desenvolvimento [10, 12-15], o crescimento do axônio até agora tem sido principalmente estudado em vitro em neurônios isolados, ou na Vivo em populações inteiras de neurônios. No entanto, para compreender totalmente o crescimento populacional, é necessário compreender o comportamento dos neurônios constituintes únicos e como eles interagem e se influenciam para produzir o crescimento global. Isso não é trivial experimentalmente, pois ferramentas para visualizar e manipular de forma reproduzível as interações axônio-axônio na Vivo em populações de axônios em crescimento, faltam ou são pesados ​​para implementar.

Para superar essas dificuldades, desenvolvemos uma estrutura matemática dinâmica 3D que gera simulações que rendem morfologias realistas de uma única célula e reproduz com precisão o processo de crescimento do axônio em um contexto populacional. Embora modelos levando em consideração diferentes aspectos da competição de axônios tenham sido descritos [16-21], modelos 3D considerando restrições espaciais e interações mecânicas neurônio-neurônio são até agora raros [22-25]. Torben-Nielsen e De Schutter, por exemplo, elaboraram uma estrutura para o desenvolvimento de neurônios ciente do contexto, onde as regras de crescimento são principalmente fenomenológicas [23]. Zubler et al. propôs um modelo de crescimento de neurônios baseado em forças físicas entre objetos e difusão de substâncias através do domínio extracelular [24]. Vanherpe et al. propôs uma estrutura para o desenvolvimento de estruturas tubulares sem interseção em espaços confinados, que destacou a dependência do alongamento do axônio e da morfologia final nos limites espaciais e densidade axonal [25]. Juntos, esses modelos enfatizaram a importância de considerar os processos embutidos no espaço e as interações com o ambiente celular ao estudar morfologias neuronais. No entanto, eles não usaram ou não puderam usar parâmetros estimados a partir de dados reais e não apresentaram aspectos explicativos ou preditivos de seus modelos.

Neste trabalho, desenvolvemos uma estrutura flexível que pode integrar dados de amostras biológicas com modelagem matemática para descobrir os princípios subjacentes ao crescimento de axônios em um contexto populacional. Primeiro, propusemos um modelo estocástico 3D para o crescimento de axônios individuais que se baseia em parâmetros que podem ser estimados a partir de dados. Este modelo pode ser implementado com a formação de ramos e aplicado à simulação de axônios individuais. Em segundo lugar, simulamos o crescimento de populações de axônios, permitindo que cresçam simultaneamente, em um ambiente espacialmente restrito onde competem por espaço e mudam seu caminho ao encontrar obstáculos.

Para testar nosso modelo em dados biológicos, aproveitamos um banco de dados de imagens confocais que representam axônios maduros únicos cultivados no contexto de Drosófila cérebros. Surpreendentemente, nossa estrutura gerou uma gama de padrões de crescimento e arborização semelhantes aos observados em Drosófila cérebros, quando implementados com parâmetros estimados a partir de no vivo dados, fornecendo uma explicação mecanicista para a origem da diversidade morfológica observada. Além disso, a modulação da capacidade dos axônios de formar ramos influenciou o crescimento dos axônios. No nível da população, os axônios ramificados cresceram com mais eficiência do que os não ramificados. No nível de uma única célula, os axônios não ramificados foram superados pelos axônios ramificados, gerando perfis de crescimento defeituosos semelhantes aos observados no vivo após a inativação de criança levada, um gene conhecido por seu papel no crescimento e ramificação dos axônios. Embora a importância da ramificação até agora tenha sido considerada principalmente no contexto do estabelecimento de conexões com parceiros [26, 27], nossos resultados sugerem que a ramificação também pode ser uma estratégia adotada durante o desenvolvimento para superar a competição espacial e otimizar o crescimento em contextos de alta densidade axonal. Juntos, a estrutura simples, explicativa e preditiva que desenvolvemos permite estudos mecanicistas dos princípios que regem o crescimento coletivo de axônios em ambientes realistas com restrições espaciais.


Resultados

Um total de 244 células foram registradas, das quais 106 foram marcadas com sucesso e recuperadas para análise morfológica. As células recuperadas foram divididas em quatro morfotipos principais de acordo com a orientação quantitativa de suas árvores dendríticas (Figuras 2 e & # x200B e 3). 3). A orientação do campo dendrítico foi o principal parâmetro para a segregação morfológica, pois está intimamente relacionada à natureza da entrada sináptica do neurônio (1,14,20). Os morfotipos neuronais foram estabelecidos de acordo com a distribuição dos agrupamentos dendríticos em um gráfico polar (Figura 4). Os morfotipos estabelecidos foram: células horizontais (26,4% do total de células 28/106), definidas por terem mais de 50% de seus processos dendríticos concentrados em um arco 80 & # x000b0 lateral às células radiais do soma (38,7% 41/106), que eram neurônios em que a distribuição dos aglomerados dendríticos não apresentava distribuição preferencial, ou seja, seus aglomerados dendríticos não apresentavam sobreposição de 50% com nenhuma das células ascendentes das regiões analíticas estabelecidas (20,8% 22/106), que apresentavam mais de 50% de suas árvores dendríticas projetando-se acima para a região diretamente acima do soma e células descendentes (12,3% do total de células analisadas 13/106), cujos dendritos se projetaram principalmente diretamente abaixo do soma (mais de 70%). Algumas células (1,8% 2/106) eram muito irregulares para serem classificadas nos morfotipos estabelecidos e não foram classificadas.

Cerca de 25% (7/28) das células horizontais tinham aglomerados dendríticos que se projetavam principalmente unilateralmente e 75% (21/28) bilateralmente. Eles também tinham, em geral, um elipsóide e um pequeno soma. As células radiais tinham um corpo celular redondo ou irregular, as células ascendentes geralmente tinham corpos celulares redondos ou elipsóides e as células descendentes tinham um corpo celular irregular ou alongado. Entre as células descendentes, um subtipo particular pode ser distinguido, ou seja, as células subpiais. Estas células, também chamadas de & # x0201células verticais & # x0201d por Bradford et al. (25) e Zhou e Hablitz (5), representaram 76,9% (10/13) da população de células descendentes. Eles estavam localizados apenas imediatamente abaixo da borda pial, possuíam corpos celulares particularmente longos e tinham um padrão singular de ramificação dendrítica, com um grande número de dendritos sendo emitidos lateralmente e para baixo do corpo celular. Mesmo que essas células possam ser um subtipo distinto por conta própria, por causa de sua relativa escassez no tamanho total da nossa amostra (10 de 106 células), elas foram agrupadas com outras células descendentes para todos os fins analíticos.

A análise de Sholl revelou que todos os neurônios da camada 1 atingiram seu pico de ramificação a cerca de 25-30 & # x02005 & # x000b5m de distância do soma (Figura 5A). As células horizontais, radiais e ascendentes tinham picos de ramificação de valor semelhante, isto é, aproximadamente 9-10 ramificações. As células descendentes, no entanto, exibiram um pico significativamente menor na ramificação (6,3 & # x000b1 0,89 intersecções P = 0,0107). Encontramos diferenças significativas no número de interseções por 5 & # x02005 & # x000b5m, comprimento dendrítico total e raio de Sholl máximo entre os morfotipos (Figura 5B-D). As células descendentes tinham comprimentos dendríticos totais consistentemente menores do que as células horizontais e um número menor de interseções por 5 & # x02005 & # x000b5m do que os neurônios horizontais e radiais (Figura 5C). As células horizontais tinham um raio de Sholl máximo maior do que todos os outros subtipos (Figura 5D).

Para a análise da distribuição espacial dos neurônios da camada 1, dividimos a camada em três subcamadas de tamanho igual (subcamadas superior, medial e inferior) de acordo com sua distância da superfície pial e a borda com a camada cortical 2/3 ( 1). A distribuição de populações morfologicamente distintas ao longo dessas sub-lâmina da camada 1 foi altamente desigual (P & # x0003c 0,01), com as células descendentes mostrando uma organização espacial altamente diferente em relação aos subtipos restantes. Os neurônios descendentes estavam especialmente concentrados na subcamada superior (76,9% de todas as células descendentes 10/13), relativamente raros na subcamada medial (23,1% 3/13) e estavam totalmente ausentes na subcamada inferior.

A distribuição dos morfotipos restantes foi estatisticamente semelhante, com a maioria das células não descendentes concentradas na subcamada medial (& # x0224850% de todas as células não descendentes 44/92) e sendo comuns na inferior (& # x0224830-40 % 34/92). Aproximadamente 10-20% (14/92) das células não descendentes estavam localizadas na subcamada superior. Células horizontais, ascendentes e radiais constituíram, portanto, toda a população da subcamada inferior, visto que nenhuma célula descendente foi encontrada neste estrato.

Os parâmetros eletrofisiológicos dos interneurônios da camada 1 registrados são resumidos nas Tabelas 1, & # x200B, 2, 2 e & # x200B e3. 3 Os potenciais de ação espontânea eram raros e não foram investigados. As propriedades da membrana passiva e a frequência de disparo de cada morfotipo e subcamada podem ser vistas na Figura 6. Esses parâmetros não foram significativamente diferentes entre as subdivisões estudadas dos neurônios da camada 1 (P & # x0003e 0,05).

Tabela 1.

ParâmetrosClassificação morfológica
HorizontalRadialAscendentedescendente
Número de células28412213
RMP (mV)-54,23 e # x000b1 1,18-56,09 e # x000b1 1,07-55,50 & # x000b1 1,17-53,57 e # x000b1 1,45
Limite AP (mV)-40,72 & # x000b1 0,94-41,31 & # x000b1 0,45-41,65 & # x000b1 0,75-41,09 e # x000b1 1,11
Rno (M & # x003a9)539,61 e # x000b1 46,69512,91 e # x000b1 41,23526,47 e # x000b1 34,95505,96 e # x000b1 65,02
Frequência de pico (Hz)29,96 e # x000b1 2,2530,23 e # x000b1 2,7138,33 e # x000b1 4,0533,99 e # x000b1 3,58
Amplitude AP (mV)93,25 e # x000b1 2,7397,47 e # x000b1 1,6794,83 e # x000b1 2,6895,85 e # x000b1 2,09
Meia largura (ms)1,09 e # x000b1 0,040,94 e # x000b1 0,030,96 e # x000b1 0,030,92 & # x000b1 0,05
10-90% de tempo de subida (ms)0,44 e # x000b1 0,020,36 e # x000b1 0,010,38 e # x000b1 0,010,38 e # x000b1 0,02
10-90% de tempo de decaimento (ms)0,74 e # x000b1 0,040,65 & # x000b1 0,030,63 e # x000b1 0,030,60 e # x000b1 0,05
& # x003c4 (ms)51,38 e # x000b1 4,2947,89 e # x000b1 4,5251,40 e # x000b1 4,9144,27 e # x000b1 8,39
fAHP (mV)15,88 e # x000b1 2,2616,84 e # x000b1 1,7713,40 e # x000b1 13,4016,33 e # x000b1 5,86
mAHP (mV)14,81 e # x000b1 1,9017.08 e # x000b1 1.0913,46 e # x000b1 1,559,47 e # x000b1 4,95
sAHP (mV)7,73 e # x000b1 0,587,68 e # x000b1 1,085,90 e # x000b1 1,175,17 e # x000b1 1,98
ADP (mV)2,67 e # x000b1 2,413,25 e # x000b1 1,80--

Os dados são relatados como médias & # x000b1 SEM. RMP = potencial de membrana em repouso AP = potencial de ação Rno = resistência de entrada & # x003c4 = constante de tempo de membrana fAHP = potenciais de pós-hiperpolarização rápidos mAHP = potenciais de pós-hiperpolarização médios sAHP = potenciais de pós-hiperpolarização lentos ADP = potenciais de pós-despolarização.

Mesa 2.

ParâmetrosDistribuição espacial
Camada inteira 1SuperiorMedialInferior
Número de células105244734
RMP (mV)-56,64 e # x000b1 6,32-55,45 & # x000b1 7,14-54,86 & # x000b1 5,65-56,11 & # x000b1 5,16
Limite AP (mV)-41,52 e # x000b1 6,21-40,27 & # x000b1 4,71-41,09 e # x000b1 2,83-42,31 & # x000b1 2,61
Rno (M & # x003a9)500,25 e # x000b1 197,62509,36 e # x000b1 191,27515,35 e # x000b1 220,75530,50 & # x000b1 203,58
Frequência de pico (Hz)30,99 e # x000b1 14,0332,51 e # x000b1 10,0534,14 e # x000b1 17,2431,05 e # x000b1 13,00
Amplitude AP (mV)96,31 e # x000b1 10,9993,88 e # x000b1 9,8892,71 e # x000b1 9,8499,77 e # x000b1 12,12
Meia largura (ms)0,94 & # x000b1 0,200,94 & # x000b1 0,190,94 e # x000b1 0,211,02 e # x000b1 0,21
10-90% de tempo de subida (ms)0,37 e # x000b1 0,090,37 e # x000b1 0,080,37 e # x000b1 0,080,41 e # x000b1 0,09
10-90% de tempo de decaimento (ms)0,63 e # x000b1 0,160,62 e # x000b1 0,140,64 e # x000b1 0,190,70 e # x000b1 0,17
& # x003c4 (ms)43,66 e # x000b1 20,4345,01 e # x000b1 23,3845,63 e # x000b1 22,3747,74 & # x000b1 21,82
fAHP (mV)17,48 e # x000b1 6,0518,89 e # x000b1 5,3020,38 e # x000b1 6,3813,91 e # x000b1 3,62
mAHP (mV)14,36 e # x000b1 5,3817,41 e # x000b1 5,3216,89 e # x000b1 4,7912,22 e # x000b1 5,73
sAHP (mV)5,42 e # x000b1 3,556,90 e # x000b1 5,316,68 e # x000b1 3,455,31 e # x000b1 2,49
ADP (mV)4,90 & # x000b1 3,906,53 e # x000b1 3,117,00 e # x000b1 2,703,46 e # x000b1 3,38

Os dados são relatados como médias & # x000b1 SEM. RMP = potencial de membrana em repouso AP = potencial de ação Rno = resistência de entrada & # x003c4 = constante de tempo de membrana fAHP = potenciais de pós-hiperpolarização rápidos mAHP = potenciais de pós-hiperpolarização médios sAHP = potenciais de pós-hiperpolarização lentos ADP = potenciais de pós-despolarização.

Tabela 3.

ParâmetrosPadrão de disparo neuronal
c-NACc-ACc-STUTd-NAC
Número de células162351029
RMP (mV)-56,15 & # x000b1 0,51-55,49 & # x000b1 0,91-63,40 & # x000b1 1,95-58,31 & # x000b1 0,95
Limite AP (mV)-41,75 & # x000b1 0,26-41,01 & # x000b1 0,46-40,44 & # x000b1 0,66-42,28 & # x000b1 0,50
Rno (M & # x003a9)538,12 e # x000b1 17,18428,41 e # x000b1 19,29331,83 e # x000b1 32,37442,67 e # x000b1 22,27
Frequência de pico (Hz)33,21 e # x000b1 1,2327,31 e # x000b1 1,4318,48 e # x000b1 3,2426,10 e # x000b1 1,70
Amplitude AP (mV)96,10 e # x000b1 0,9099,46 e # x000b1 1,4590,46 e # x000b1 2,9799,89 e # x000b1 1,80
Meia largura (ms)0,94 e # x000b1 0,020,93 e # x000b1 0,030,85 e # x000b1 0,050,91 e # x000b1 0,03
10-90% de tempo de subida (ms)0,37 e # x000b1 0,010,37 e # x000b1 0,010,33 e # x000b1 0,020,36 e # x000b1 0,01
10-90% de tempo de decaimento (ms)0,64 e # x000b1 0,010,62 e # x000b1 0,020,55 e # x000b1 0,040,62 e # x000b1 0,03
& # x003c4 (ms)46,20 e # x000b1 1,6638,77 e # x000b1 2,9323,96 e # x000b1 3,6442,79 & # x000b1 3,65
fAHP (mV)16,98 e # x000b1 0,5221,33 e # x000b1 1,1116,17 e # x000b1 0,0916,71 e # x000b1 0,80
mAHP (mV)12,77 e # x000b1 0,4216,90 e # x000b1 0,8519,28 e # x000b1 1,1715,50 e # x000b1 0,93
sAHP (mV)5,19 e # x000b1 0,297,32 e # x000b1 0,676,23 e # x000b1 0,404,17 e # x000b1 0,48
ADP (mV)5,63 e # x000b1 0,325,58 e # x000b1 0,832,13 e # x000b1 0,482,51 e # x000b1 0,31

Os dados são relatados como médias & # x000b1 SEM. c-NAC e c-AC = células clássicas não acomodáveis ​​e acomodativas, respectivamente c-STUT = neurônios com gagueira clássica d-NAC = NAC atrasado RMP = potencial de membrana em repouso AP = potencial de ação Rno = resistência de entrada & # x003c4 = constante de tempo de membrana fAHP = potenciais de pós-hiperpolarização rápidos mAHP = potenciais de pós-hiperpolarização médios sAHP = potenciais de pós-hiperpolarização lentos ADP = potenciais de pós-despolarização.

Das 244 células registradas, 219 foram submetidas a pulsos despolarizantes sucessivos e suas propriedades ativas foram investigadas. Todas as células gravadas eram capazes de disparos repetitivos, com frequências variáveis. Desses 219 neurônios estudados, 93,61% (205/219) apresentaram pouca ou nenhuma adaptação de frequência 59,82% (131/219) dos neurônios apresentaram fAHPs, 72,15% (158/219) apresentaram mAHPs, 76,71% (168/219) apresentaram sAHPs , e 74,20% (53/219) exibiram ADPs. Deve-se notar que não observamos co-ocorrência de um mAHP e sAHP em uma única célula durante nossos experimentos, o que está de acordo com estudos anteriores de Zhou e Hablitz (2). As amplitudes médias desses pós-potenciais são apresentadas nas Tabelas 1, & # x200B, 2, 2 e & # x200B e3. 3 As gravações representativas de cada tipo de pós-potencial são mostradas na Figura 7.

As formas de onda do potencial de ação foram definidas e categorizadas de acordo com os parâmetros usados ​​por Zhou e Hablitz (2). De acordo com esses critérios, a maioria dos neurônios registrados (162/219) poderia ser identificada como células não acomodadoras clássicas (c-NAC) (Figura 8A), ou seja, células com potenciais de ação de curta duração (em torno de 1,1 & # x02005ms) , taxa rápida de repolarização de pico com a presença de fAHPs e ausência ou quase ausência de adaptação de frequência de pico. Essas células responderam imediatamente e continuaram a disparar durante toda a duração de cada estímulo (Figura 8A). Eles tinham um R significativamente mais altono e menor amplitude de mAHP (Tabela 3 P & # x0003c 0,05) do que outros neurônios registrados em nosso estudo. Este achado é semelhante a resultados anteriores sobre neurônios da camada 1 relatados por Zhou e Hablitz (2). Deve-se notar que esta forma de onda c-NAC é exclusiva para interneurônios inibitórios corticais (12,26).

Apesar desta uniformidade na forma de onda do potencial de ação, descobrimos que o padrão de disparo das células estudadas apresentou subtipos de padrão de disparo marcados. Da população neuronal registrada, 13,24% (29/219) das células foram caracterizadas como neurônios não acomodadores atrasados ​​(d-NAC Figura 8C), ou seja, células que não responderam imediatamente a um determinado pulso de despolarização, apresentando picos somente após um certo período. Estas células tiveram amplitudes de sAHP significativamente mais baixas (Tabela 3 P & # x0003c 0,05). Outro grupo de células (15,98% 35/219) eram neurônios acomodadores clássicos (c-AC Figura 8B), no sentido de que respondiam com um ou mais potenciais de ação (dependendo da amplitude do estímulo) e depois silenciados para o restante do pulso. Essas células tinham uma amplitude de fAHP significativamente maior (Tabela 3 P & # x0003c 0,05). Uma fração de 4,57% (10/219) foi classificada como células gagas clássicas (c-STUT apresentando períodos quiescentes, ou seja, períodos de silenciamento intermitente em sua sequência de disparos repetitivos Figura 8D). Estas células tiveram um RMP significativamente mais alto e & # x003c4 e R mais baixosno (Tabela 3 P & # x0003c 0,05). Padrões semelhantes também foram encontrados por Zhou e Hablitz (2) e Chu et al. (4).

Uma diferença significativa foi encontrada na distribuição dos padrões de disparo entre os morfotipos distintos (P & # x0003c 0,001). As células ascendentes e descendentes não exibiram um padrão de disparo c-NAC e as células horizontais apresentaram uma proporção muito menor de padrões c-AC (Figura 8F). Além disso, as células ascendentes e descendentes, em marcante contraste com as outras categorias morfológicas, não exibiram ADPs. Também houve uma diferença significativa entre as populações neuronais de cada subcamada (P = 0,017). As células da subcamada superior não apresentaram padrões de disparo de c-NAC e apenas uma proporção relativamente pequena desses neurônios eram células d-NAC (Figura 8E). Além disso, uma proporção maior de neurônios na subcamada inferior tinha um padrão de disparo d-NAC em comparação com as células mediais. Curiosamente, as propriedades restantes da membrana, como & # x003c4, RMP e Rno foram estatisticamente homogêneas (P & # x0003e 0,05) entre as células da camada 1 de diferentes morfotipos (Tabela 1 e Figura 6B) e distribuição de subcamada (Tabela 2 e Figura 6C).


Os pesquisadores desconstroem o "relógio biológico" que regula o canto dos pássaros

O tempo preciso do canto complexo de um pássaro é impulsionado em parte pelos "fios" frequentemente ignorados que conectam os neurônios no cérebro do pássaro, de acordo com um novo estudo. Uma equipe de pesquisadores da Penn State e da New York University desconstruiu um importante “relógio biológico” que regula o canto dos pássaros e outros comportamentos, levando a novas formas de pensar sobre a função das redes neuronais.

“Muitos comportamentos complexos e aprendidos, como acertar uma bola de golfe ou tocar violino, exigem um tempo incrivelmente preciso no nível do disparo neural”, disse Dezhe Jin, professor associado de física na Penn State e autor do artigo. “Mas como o cérebro regula perfeitamente nossos músculos de maneira tão precisa ainda não está claro. Neste estudo, criamos um modelo baseado em anos de observações experimentais que revelaram que atrasos nos circuitos dos neurônios desempenham um papel crítico no momento de seu disparo. Em seguida, identificamos a origem dos atrasos nos fios, ou axônios, que conectam os neurônios. ”

Em um artigo publicado em 15 de outubro no jornal Célula, Jin e seus colegas abordam a cronometragem comportamental usando o zebra finch, um pequeno pássaro canoro australiano capaz de aprender uma canção de cortejo com a habilidade de um instrumentista mestre. Para habilitar essa exibição vocal, os tentilhões têm um “relógio” dedicado - chamado HVC - em seus cérebros que regula o tempo da música. Em HVC, grupos de neurônios disparam em uma sequência previsível que corresponde à execução da música.

“O HVC é frequentemente considerado um relógio porque controla um movimento muito complicado - a música - onde o tempo preciso é tão crítico”, disse Robert Egger, pós-doutorado na Escola de Medicina da NYU e principal autor deste estudo. “Usamos métodos de ponta para medir a atividade simultânea de até 70 neurônios dentro do HVC durante o canto. No passado, tínhamos que medir cada neurônio um por um e alinhar sua atividade com a música. ”

Para explorar como um circuito pode ser tão preciso, Jin e seu aluno de pós-graduação Eugene Tupikov desenvolveu uma série de modelos computacionais em grande escala que descrevem o circuito neuronal. Em um caso, um agrupamento de neurônios dispara ao mesmo tempo, o que aciona o próximo agrupamento de neurônios que dispara ao mesmo tempo, acionando o próximo agrupamento, como dominós caindo, no que os pesquisadores chamam de cadeia sinfire. Em um modelo alternativo, atrasos nos fios permitem que os neurônios disparem em momentos ligeiramente diferentes. O resultado é um relógio mais preciso.

"Costumávamos pensar em cada grupo de neurônios disparando juntos como um tique distinto e separado de segunda mão", disse Michael Long, professor associado de neurociência e fisiologia na Escola de Medicina da NYU e autor correspondente do artigo. “Mas o que realmente vemos é mais como um ponteiro de segundos que se move suave e continuamente. A distribuição de atrasos entre os fios permite uma resolução mais alta porque você não consegue esses pontos de marcação. ”

A equipe encontrou uma ampla distribuição de atrasos no circuito, o que significa que alguns sinais chegam a outros neurônios muito rapidamente e alguns demoram muito mais.

“Sabíamos que atrasos nos circuitos neuronais eram importantes em grandes distâncias, mas dentro dos circuitos locais, eles eram considerados insignificantes e, por esse motivo, eram frequentemente ignorados”, disse Jin, que liderou o trabalho de modelagem. “Esses resultados sugerem que os axônios desempenham um papel crítico na sincronização dos circuitos neuronais e devem ser incorporados em modelos futuros.”

Para determinar se os atrasos axonais podem desempenhar um papel em outras redes cerebrais, os pesquisadores estimaram os atrasos em uma área do cérebro de roedores usada para sentir seu ambiente enquanto movem seus bigodes.

"Nossos resultados foram consistentes com os atrasos que vimos nas aves canoras, o que sugere que os atrasos axonais podem desempenhar um papel importante na formação da atividade neuronal em uma gama de comportamentos complexos", disse Jin. “Precisamos incorporar atrasos de axônio em como pensamos sobre o cérebro e como ele funciona.”

A equipe de pesquisa também inclui Margot Elmaleh, Kalman Katlowitz, Sam Benezra, Michel Picardo e Felix Moll na NYU e Jörgen Kornfeld no Instituto Max Plank de Neurobiologia. Este trabalho foi financiado pela Deutsche Forschungsgemeinschaft (Fundação Alemã de Pesquisa), os Institutos Nacionais de Saúde, a Fundação Nacional de Ciências e a Fundação Simons.


Pesquisa atual

A autofagia é um processo homeostático chave pelo qual os autofagossomos envolvem componentes citoplasmáticos danificados, agregados de proteínas e organelas disfuncionais para degradação lisossomal. Nos neurônios, os autofagossomos são formados predominantemente em axônios distais e terminais pré-sinápticos e sofrem transporte exclusivamente retrógrado em direção ao soma, onde os lisossomos maduros estão localizados principalmente. A via autofagia-lisossomal é essencial para a manutenção da homeostase neuronal. Defeitos nessa via têm sido implicados em um número crescente de distúrbios neurológicos.

As mitocôndrias são organelas essenciais para a função neuronal e sobrevivência. Mitocôndrias disfuncionais não apenas produzem energia com menos eficiência, mas também liberam espécies reativas de oxigênio prejudiciais e iniciam cascatas de sinalização apoptóticas, que têm sido associadas à patogênese de doenças neurodegenerativas principais, incluindo Alzheimer, Parkinson, Esclerose Lateral Amiotrófica e Huntington. A eliminação eficiente de mitocôndrias envelhecidas e danificadas por meio da mitofagia é uma via celular chave para o controle de qualidade mitocondrial em neurônios.

O foco de nossa pesquisa é elucidar os mecanismos moleculares e celulares que regulam o sistema autofagia-lisossomal e seu impacto na homeostase neuronal na saúde e na degeneração axonal. Estamos particularmente interessados ​​em abordar as seguintes questões: (1) Quais são os mecanismos que regulam o transporte axonal, o tráfego de membrana e a função autofagia-lisossomal? (2) Como a qualidade mitocondrial é controlada por meio da mitofagia em neurônios saudáveis ​​e doentes? (3) Como o sistema endolisossômico está envolvido na regulação da sinalização neuronal? (4) Como os defeitos nesses mecanismos contribuem para a neurodegeneração? (5) Quais são os mecanismos que regulam a morfogênese neuronal e a formação de sinapses por meio da via autofagia-lisossomal?

Nosso estudo fornece evidências de mitofagia mediada por Parkin dinâmica e espacial na eliminação de mitocôndrias defeituosas em neurônios vivos. Revelamos que a capacidade mitofágica inadequada contribui para defeitos mitocondriais nos neurônios da doença de Alzheimer. Nosso objetivo a longo prazo é elucidar os mecanismos celulares para a renovação adequada de mitocôndrias danificadas e depuração de agregados de proteínas, aumentando a função autofagia-lisossomal. Avaliaremos se a regulação positiva desse sistema melhora a neuropatologia e atenua as anormalidades comportamentais associadas às principais doenças neurodegenerativas. O avanço em nossa compreensão desses mecanismos fornecerá uma base sólida que pode levar ao desenvolvimento de novas abordagens protetoras e terapêuticas.

Nosso artigo de pesquisa (Tammineni e Jeong et al., Genética Molecular Humana, 2017) é apresentado na capa: (A) lisossomos maduros marcados com LAMP-1 carregados com protease Catepsina D (CathD) estão localizados principalmente no soma, mas quase não são detectados em processos neuronais marcados com MAP2. (B) Snapin, um adaptador de motor de dineína, medeia o recrutamento de motores de dineína para endossomos tardios, permitindo assim seu transporte axonal retrógrado de longa distância. Este processo facilita o tráfego retrógrado axonal de retrômero associado ao endossomo tardio em direção ao soma, onde o retrômero recupera receptores de fosfato de manose 6 independentes de cátions (CI-MPR) do endossomo tardio para o Golgi. O CI-MPR localizado por Golgi medeia o tráfego e o carregamento de proteases críticas nos lisossomos. Tal mecanismo é essencial para a manutenção da capacidade funcional do lisossoma nos neurônios.

Nosso artigo (Feng e Tammineni et al., Journal of Biology Chemistry, 2017) é selecionado como o representante para a categoria Neurobiologia em “O ano no JBC: 2017”. As imagens do artigo são apresentadas como parte da capa: dados de fluorescência e quimografias explorando o destino da secretase BACE1, que inicia o amiloide-? formação, durante a autofagia.

Induction of Parkin-mediated mitophagy in mature cortical neurons. Upon mitophagy induction, Parkin translocates to depolarized mitochondria and accumulates in the somatodendritic regions of neurons. Arrows in enlarged views of the boxed somatodendritic area indicate Parkin ring-like structures surrounding fragmented mitochondria while an arrowhead marks a mitochondrion unlabeled by Parkin. Panels with enlarged views of a dendritic process showing mitochondria with no Parkin association at distal regions. (Cai et al., Biologia Atual, 2012)

Activation of Parkin-mediated mitophagy in Alzheimer’s disease neurons. Parkin is recruited to depolarized mitochondria in Alzheimer’s disease neurons. Graph to the right is a line scan of relative DsRed-Mito and YFP-Parkin fluorescence intensities from an enlarged image in the somatic area of Alzheimer’s disease neuron (left panel). Mitophagy induction is coupled with altered mitochondrial motility in the axon of Alzheimer’s disease neurons. Vertical lines of kymograph images (lower panels) represent stationary organelles, oblique lines or curves to the right represent anterograde transport, and lines to the left indicate retrograde movement. (Ye et al., Genética Molecular Humana, 2015)

Autophagic stress at presynaptic terminals of neurons in Alzheimer’s disease mouse brains. Amphisome-like structures, indicated by arrows, accumulate at presynaptic terminals of Alzheimer’s disease neurons, which are not readily observed in the neurons from normal WT mice. (Tammineni and Ye et al., eLife, 2017)

Mechanisms underlying autophagic stress in Alzheimer’s disease neurons. (A) In healthy neurons, autophagosomes are predominantly generated in distal axons. Through fusion with late endosomes (LEs) to form amphisomes, nascent autophagosomes gain long-distance retrograde motility by recruiting LE-loaded dynein-Snapin motor-adaptor transport machinery. Efficient retrograde transport rapidly moves amphisomes from distal axons to the soma where active lysosomes are relatively enriched. Such a mechanism enables neurons to facilitate cargo degradation within autolysosomes in the soma, thereby decreasing axonal stress. (B) In Alzheimer’s disease neurons, elevated cytoplasmic amyloid ? (A?) oligomers interact with dynein motors and competitively interfere with dynein-Snapin coupling. Such deficits disrupt recruitment of dynein motors onto Snapin-loaded LEs and/or amphisomes, and reduce their retrograde transport toward the soma for lysosomal clearance. As a result, amphisomes are trapped in distal axons and at presynaptic terminals, augmenting autophagic stress in Alzheimer’s disease neurons. (Tammineni and Cai, Autofagia, 2017)


Scientists Deconstruct the “Biological Clock” That Regulates Precise Timing of Complex Birdsong

A team of researchers from Penn State and New York University has deconstructed an important “biological clock” in the zebra finch brain and found that the “wires” between neurons, called axons, play a critical role in the precise timing of the birds’ courtship song. Credit: Christopher Auger-Dominguez

The precise timing of a bird’s complex song is driven in part by the often-ignored “wires” connecting neurons in the bird’s brain, according to a new study. A team of researchers from Penn State and New York University has deconstructed an important “biological clock” that regulates birdsong and other behaviors, leading to new ways of thinking about the function of neuronal networks.

“Many complex, learned behaviors, like hitting a golf ball or playing the violin, require incredibly precise timing at the level of neural firing,” said Dezhe Jin, associate professor of physics at Penn State and an author of the paper. “But how the brain seamlessly regulates our muscles in such a precise way remains unclear. In this study, we created a model based on years of experimental observations which revealed that delays within the circuits of neurons play a critical role in the timing of their firing. We then pinpointed the source of the delays to the wires, or axons, that connect neurons.”

In a paper published on October 15, 2020, in the journal Célula, Jin and colleagues address behavioral timekeeping using the zebra finch, a small Australian songbird capable of learning a courtship song with the skill of a master instrumentalist. To enable this vocal display, finches have a dedicated “clock” – called HVC – in their brains that regulates the timing of the song. In HVC, groups of neurons fire in a predictable sequence that correspond to the performance of the song.

“HVC is often thought of as a clock because it controls a very complicated movement – the song – where precise timing is so critical,” said Robert Egger, a postdoctoral fellow at the NYU School of Medicine and lead author on this study. “We used cutting-edge methods to measure the simultaneous activity of up to 70 neurons within HVC during singing. In the past, we had to measure each neuron one by one and align their activity to the song.”

To explore how a circuit can be so precise, Jin and his graduate student Eugene Tupikov developed a series of large-scale computational models describing the neuronal circuit. In one case, a cluster of neurons fires at the same time which triggers the next cluster of neurons that fire at the same time, triggering the next cluster, like falling dominos, in what researchers call a synfire chain. In an alternative model, delays in the wires allow neurons to fire at slightly different times. The result is a more precise clock.

“We used to think of each group of neurons firing together as a separate, discrete tick of the second hand,” said Michael Long, associate professor of neuroscience and physiology at the NYU School of Medicine and corresponding author of the paper. “But what we actually see is more like a second hand that moves smoothly and continuously. The distribution of delays among the wires allows for higher resolution because you don’t get these tick points.”

The team found a wide distribution of delays in the circuit, meaning some signals reach other neurons very quickly and some take much longer.

“We knew that delays in neuronal circuits were important over a large distance, but within local circuits, they were thought to be negligible, and for that reason were often ignored,” said Jin, who led the modeling effort. “These results suggest that axons play a critical role in the timing of neuronal circuits and should be incorporated into future models.”

To determine if axonal delays may play a role in other brain networks, the researchers estimated the delays in an area of the rodent brain used to sense their environment while they move their whiskers.

“Our results were consistent with the delays we saw in the songbird, which suggests that axonal delays may play an important role in shaping neuronal activity across a range of complex behaviors,” said Jin. “We need to incorporate axon delays into how we think about the brain and how it works.”

Reference: “Local Axonal Conduction Shapes the Spatiotemporal Properties of Neural Sequences” by Robert Egger, Yevhen Tupikov, Margot Elmaleh, Kalman A. Katlowitz, Sam E. Benezra, Michel A. Picardo, Felix Moll, Jörgen Kornfeld, Dezhe Z. Jin and Michael A. Long, 15 October 2020, Célula.
DOI: 10.1016/j.cell.2020.09.019

The research team also includes Margot Elmaleh, Kalman Katlowitz, Sam Benezra, Michel Picardo, and Felix Moll at NYU and Jörgen Kornfeld at the Max Plank Institute of Neurobiology. This work was supported by Deutsche Forschungsgemeinschaft (German Research Foundation), the National Institutes of Health, the National Science Foundation, and the Simons Foundation.


Conclusão

Determining the connectivity between neurons requires knowledge about their innervation of space. Neurons can be represented by their actual arborizations, but also by their density fields. In this paper, we have shown that the number of contacts between neurons estimated from their population mean density fields is fully consistent with the number of contacts calculated from their actual arborizations. However, the connection probability and the number of contacts per connection cannot be reliably estimated from the density fields. Alternatively, they can be estimated from the expected number of contacts by using empirical mapping functions. The population mean density fields are powerful representations of the mean axonal and dendritic spatial innervation patterns of a given cell type. These density fields can be used in neuronal network studies to obtain statistical connectivity estimates by representing each neuron by the population mean density field of its cell type. The large variation between individual neurons is then already expressed in the density field itself.


Prenatal development of axon outgrowth and connectivity in the ferret visual system

The objective of this study was to determine when the retina, lateral geniculate nucleus (LGN), and striate cortex first send out axons, and first connect with each other, during embryonic development in the ferret. Specifically, we were interested in the timing relationship between axon outgrowth and known temporal patterns of neurogenesis in the LGN and striate cortex. Ferrets ( Mustela putorius furo ) were selected for study because of their immature developmental state in late gestation and relatively large litters.

We examined axon outgrowth from the retina, and anlagen of presumptive LGN and striate cortex between embryonic day 21–30 (E21–E30) using in situ inoculations of two fluorescent lipophilic dyes, Dil and DiA. Dil inoculations were made into the cortex and contralateral thalamus, and DiA inoculations were made into the contralateral eye. Retinal axon termination zones in the diencephalon following the DiA inoculations were used to validate the location of the LGN.

Visual cortex and LGN neurogenesis begins at E20 in ferrets. No axon outgrowth could be documented from retina or anlagen of striate cortex and LGN until E24. At E24 some retinal axons reach and cross the chiasm, cortical axons extend some distance within the cortical radiations, and thalamic axons are within the internal capsule. Retinogeniculate, geniculocortical, and corticogeniculate axons extend to their target structures by E27, as evidenced by retrograde labeling in cells of origin.

These data suggest that in the ferret retina, and developing LGN and striate cortex, (1) axon outgrowth from each visual area begins within 24-h of each other, after neurogenesis has begun at the source but before it is complete in the target (2) axons may be generated before parent cell bodies have completed migration and (3) arriving axons are in a position to influence target structures almost from their inception.


Assista o vídeo: OSSM Neuro Chapter 23 - Axon Guidance (Outubro 2022).