Información

Conjuntos de neuronas tipo Hopfield

Conjuntos de neuronas tipo Hopfield


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.

Parece haber un acuerdo general en que las redes de Hopfield teóricas (que consisten en neuronas artificiales, a saber, neuronas McCulloch-Pitts) son biológicamente bastante inverosímiles, entre otras razones debido a sus pesos sinápticos (bastante estrictamente) simétricos. Por otro lado, algunos autores afirman que existen ensamblajes neuronales en el cerebro que cualitativamente comportarse como las redes Hopfield, es decir

  • están fuertemente interconectados
  • almacenan sinápticamente un número limitado de patrones (de actividad)
  • que alcanzan como atractores cuando se alimentan con patrones de entrada ruidosos o incompletos
  • ellos "aprenden" (principalmente) por la regla de Hebb

Se sugiere que el sistema de neuronas CA3 del hipocampo es uno de esos conjuntos.

Mis preguntas:

  1. ¿Existe un acuerdo entre los expertos en que las neuronas CA3 del hipocampo realmente se comportan de manera similar a una red de Hopfield?

  2. ¿Qué otros ensamblajes (¿posiblemente núcleos?) Se cree que también se comportan de manera similar a una red Hopfield? (Se agradecerían algunos ejemplos).


Creo que realmente depende del nivel de detalle y precisión necesarios.

Dando un vistazo rápido a Google Scholar, parece que de hecho existe (o al menos existía) la creencia de que las redes del hipocampo podrían ser modeladas razonablemente por las redes de Hopfield (por ejemplo, ver Control neuromodulador de la función hipocampal: hacia un modelo de enfermedad de Alzheimer por Menschik y Finkel, y sus referencias). Sin embargo, muchos de estos artículos son algo antiguos (¡aunque esto ciertamente no los invalida!) Y la neurociencia computacional avanza bastante rápido. Entonces sí, hasta cierto punto, después de leer algunos artículos que lo corroboran, podría parecer que algún comportamiento macroscópico de las neuronas CA3 puede ser reproducido por las redes de Hopfield.

Dicho esto, en trabajos más recientes, personalmente nunca he visto a nadie modelar neuronas biológicas con neuronas tan simples, cuando se requiere precisión de nivel celular (a menudo no lo es). Se utilizan al menos Hodgkin-Huxley estocástico o integrar y disparar, por ejemplo, incluso como procesos puntuales (de modo que es un sistema de ODE / SDE, no de PDE / SPDE). Incluso las neuronas utilizadas en las redes neuronales profundas de hoy (que no hacen ningún esfuerzo hacia la plausibilidad biofísica) son (o al menos pueden ser) más complejas que sigmoidiendo una combinación lineal de entradas. Además, para escalas ligeramente más grandes, como puede observar, la estructura de conectividad es extremadamente poco realista. (¡Solo mira la histología!)

De todos modos, depende del objetivo. Para similitudes cualitativas macroscópicas simples, puede ser suficiente. Pero si el objetivo es la precisión biofísica de la simulación, entonces miraría artículos más nuevos y vería qué hacen. Verificar Mecanismos sinápticos de finalización de patrones en la red CA3 del hipocampo por Guzman et al.

En cuanto a su segunda pregunta, con solo buscar artículos en las redes de Hopfield se encuentran varios de ellos. Sin embargo, parecen ser en gran parte computacionales o matemáticos, en lugar de trabajos de modelado neurocientíficos. ¡Quizás otros puedan encontrar mejores!

Descargo de responsabilidad: no estoy en el campo del modelado de hipocampo ni he trabajado mucho con las redes de Hopfield, así que tome mis pensamientos con un grano de sal. Mi sugerencia es hacer una búsqueda extensa de literatura y publicar lo que encuentre como respuesta aquí :)


La actividad localizada de la miosina II regula el ensamblaje y la plasticidad del segmento inicial del axón

El segmento inicial del axón (AIS) es el sitio de generación del potencial de acción y un lugar de plasticidad homeostática dependiente de la actividad. Un complejo multimérico de canales de sodio, unidos a través de un andamio citoesquelético de anquirina G y espectrina beta IV a anillos de actina submembranosos, media estas funciones. Los mecanismos que especifican el complejo AIS en el axón proximal y subyacen a su plasticidad siguen siendo poco conocidos. Aquí mostramos la cadena ligera de miosina fosforilada (pMLC), un activador de la miosina II contráctil, está altamente enriquecida en el AIS de ensamblaje y maduro, donde se asocia con anillos de actina. La fosforilación de MLC y la actividad contráctil de la miosina II son necesarias para el ensamblaje del AIS y regulan la distribución de los componentes del AIS a lo largo del axón. El pMLC se pierde rápidamente durante la despolarización, desestabilizando la actina y proporcionando así un mecanismo para la plasticidad estructural dependiente de la actividad del AIS. Juntos, estos resultados identifican la actividad de pMLC / miosina II como un vínculo común entre el ensamblaje de AIS y la plasticidad.

Palabras clave: anillos de actina axón anquirina axón segmento inicial plasticidad axonal plasticidad homeostática miosina II miosina nodo de la cadena ligera de la espectrina de Ranvier.


Neurociencia. 2ª edición.

La acetilcolina es el neurotransmisor en las uniones neuromusculares, en las sinapsis de los ganglios del sistema motor visceral y en una variedad de sitios dentro del sistema nervioso central. Si bien se sabe mucho sobre la función de la transmisión colinérgica en la unión neuromuscular y en las sinapsis ganglionares, las acciones de la ACh en el sistema nervioso central no se comprenden tan bien.

La acetilcolina se sintetiza en las terminales nerviosas a partir de acetil coenzima A (acetil CoA, que se sintetiza a partir de glucosa) y colina, en una reacción catalizada por colina acetiltransferasa (CAT) (Figura 6.8). La presencia de CAT en una neurona es, por tanto, un fuerte indicio de que la ACh se utiliza como uno de sus transmisores. La colina está presente en el plasma a una concentración de aproximadamente 10 mMETRO, y es captado hacia las neuronas colinérgicas por un transportador de colina / Na + de alta afinidad. Aproximadamente 10.000 moléculas de ACh se empaquetan en cada vesícula mediante un transportador vesicular de ACh.

Figura 6.8

Metabolismo de la acetilcolina en terminales nerviosas colinérgicas. La síntesis de acetilcolina a partir de colina y acetil CoA requiere colina acetiltransferasa. El acetil CoA se deriva del piruvato generado por la glucólisis, mientras que la colina se transporta (más.)

A diferencia de la mayoría de los otros neurotransmisores de molécula pequeña, la acción postsináptica de la ACh en muchas sinapsis colinérgicas (la unión neuromuscular en particular) no termina por recaptación sino por una poderosa enzima hidrolítica, la acetilcolinesterasa (AChE). Esta enzima se concentra en la hendidura sináptica, lo que garantiza una rápida disminución de la concentración de ACh después de su liberación desde la terminal presináptica. La AChE tiene una actividad catalítica muy alta (alrededor de 5000 moléculas de ACh por molécula de AChE por segundo) e hidroliza la ACh en acetato y colina. Como ya se mencionó, las terminales nerviosas colinérgicas contienen típicamente un transportador de colina Na + de alta afinidad que absorbe la colina producida por la hidrólisis de ACh.

Entre los muchos fármacos interesantes que interactúan con las enzimas colinérgicas se encuentran los organofosforados. Los compuestos como el difenil tricloroetano (DTT) y el herbicida ácido 2,4-diclorofenoxiacético (2,4-D) se desarrollaron originalmente como insecticidas. Este grupo también incluye algunos potentes agentes de guerra química. Uno de esos compuestos es el gas nervioso & # x0201cSarin, & # x0201d, que se hizo famoso hace unos años después de que un grupo de terroristas liberara este gas en el sistema ferroviario subterráneo de Tokio. Los organofosforados pueden ser letales para los seres humanos (y los insectos) porque inhiben la AChE, lo que hace que la ACh se acumule en las sinapsis colinérgicas. Esta acumulación de ACh despolariza la célula postsináptica y la vuelve refractaria a la posterior liberación de ACh, provocando, entre otros efectos, parálisis neuromuscular.

De acuerdo con el editor, se puede acceder a este libro mediante la función de búsqueda, pero no se puede navegar.


Resultados

Generación de datos de imágenes de calcio sustitutos

Los métodos que utilizamos para generar datos sustitutos fueron en general similares a trabajos anteriores. Para especificar grupos de neuronas que tendían a ser coactivas, es decir, aumentando de manera coordinada su tasa de activación, las neuronas se colocaron en una red hexagonal (aunque las relaciones espaciales entre neuronas no se tuvieron en cuenta en el análisis posterior). Para seleccionar las neuronas en el ensamblaje, se eligió una posición en el plano al azar, y luego se extrajeron puntos de una distribución normal bidimensional alrededor de esta posición, de modo que una neurona se consideraba parte del ensamblaje cuando al menos una de estas los puntos aleatorios cayeron en su vecindad inmediata (consulte la sección "Métodos"). Hacer esto varias veces nos permitió crear muchos conjuntos de ensamblajes, con un número de neuronas controlado estadísticamente por ensamblaje y un grado de superposición entre ensamblajes para cada conjunto (Fig. 1a, b). Además, variamos el tamaño de la matriz neuronal mientras se corrigieron los parámetros anteriores, de modo que se consideraron diferentes densidades de ensamblajes dentro de la matriz (consulte la sección "Métodos").

Generación de datos de imágenes de calcio sustitutos. a A la izquierda, los puntos se extrajeron de una distribución normal bidimensional, y una neurona se consideró parte del ensamblaje cuando al menos un punto se encontraba dentro de la distancia ( frac <1> <2> ) de su punto de celosía correspondiente en su centro. Las curvas de nivel alrededor de la media indican regiones de probabilidad de masa del 50%, 90%, 99% y 99,9%. El conjunto correspondiente se muestra a la derecha. B Un ejemplo de 10 ensamblajes (codificados por colores) incrustados en una matriz neuronal de 469 neuronas. Los anillos representan neuronas que se superponen entre dos conjuntos. C Un ejemplo de las tasas de activación de 19 neuronas en el transcurso de 120 s. Las neuronas dentro de los mismos ensamblajes elevaron simultáneamente sus tasas de disparo (aquí a 60 s, 77,5 sy 92 s). D El pico cuenta para las neuronas en el transcurso de 120 s según se determina a partir de variables aleatorias de Poisson independientes basadas en las tasas de activación que se muestran en C. mi Los eventos de picos de una sola neurona en una ventana de tiempo de 10 s (arriba) y la correspondiente fluorescencia de calcio después de la convolución con un núcleo exponencial (abajo). F La fluorescencia de calcio de las neuronas en el transcurso de 120 s. gramo La desviación de la fluorescencia del calcio desde el nivel de la línea de base, ( frac < Delta F>), para las neuronas en el transcurso de 120 s. Esta fue la señal a partir de la cual los algoritmos intentaron reconstruir la estructura del ensamblaje.

Se supuso que todas las neuronas de la matriz disparaban picos de Poisson con una tasa de fondo fija elegida al azar para cada neurona [26]. Con una probabilidad constante en cada paso de tiempo, cada neurona elevó su tasa en un factor λ para ese paso de tiempo. Si esto ocurrió para cualquier neurona en un ensamblaje, todas las neuronas en ese ensamblaje también aumentaron su tasa en un factor λ en ese paso de tiempo (Fig. 1c, d). Por lo tanto, con poca probabilidad, dos conjuntos podrían estar activos al mismo tiempo, pero era muy poco probable que esto ocurriera más de una vez en cada conjunto de datos (es decir, en cada registro simulado). Los trenes de picos resultantes luego se convolucionaron con un núcleo de desintegración de calcio exponencial con una vida media de ( tau _ < frac <1> <2>> ) (Fig. 1e) [33, 34]. Después de aplicar una función de saturación no lineal, se añadió ruido a esta señal desde una distribución normal centrada [35], y ( frac < Delta F>) las mediciones se extrajeron de las trazas de calcio resultantes (Fig.1f, g) a una resolución temporal de ΔT. La notación y los valores de los parámetros predeterminados se resumen en la Tabla 1. A menos que se indique lo contrario, los gráficos que se muestran en las figuras siguientes representan variaciones de rendimiento a medida que se modificaron los parámetros individuales de este conjunto predeterminado.

Se utilizaron ocho algoritmos diferentes para reconstruir los ensamblajes incrustados (Fig. 2). Para la mayoría de los algoritmos, las implementaciones estaban disponibles públicamente o nos las dieron amablemente los autores originales. Cuatro algoritmos consideraron la correlación neurona-neurona, aplicando PCA en conexión con ICA (ICA-CS) [26, 27] o rotaciones oblicuas Promax (Promax-MP) [12, 36], y también investigamos una nueva variante de ICA -CS (ICA-MP), así como una nueva variante de Promax-MP (Promax-CS) (consulte la sección "Métodos"). En lugar de observar la correlación neurona-neurona, los cuatro algoritmos restantes consideraron la relación entre los diferentes estados de toda la población. Uno de estos algoritmos implicó la aplicación frecuente de minería de conjuntos de elementos junto con pruebas estadísticas adicionales (FIM-X) [29, 30]. El algoritmo CORE considera la similitud entre los patrones de actividad y define un conjunto de representantes centrales que luego se agrupan posteriormente [7], mientras que otro algoritmo considera un mapa de similitud de patrones de actividad al que se aplicó la SVD [31]. Finalmente, el algoritmo al que nos referimos como “agrupamiento de gráficos de similitud” (SGC) representó la similitud de los patrones de actividad en un gráfico y los agrupó dentro de este gráfico [15].

Esquemas de los diferentes algoritmos investigados Todos los algoritmos se pueden dividir en tres fases: preprocesamiento, detección del ensamblaje del núcleo y umbralización / optimización. a En los algoritmos ICA, PCA se aplica a ( frac < Delta F>), seguido de ICA a los componentes principales significativos. El modelo nulo de significancia se determina a partir de cambios circulares (ICA-CS) o se da como la distribución de Marčenko-Pastur (ICA-MP). Los componentes principales resultantes se limitan directamente (ICA-CS) o después de una prueba de KS (ICA-MP) para llegar a los conjuntos. B En los algoritmos de Promax, ( frac < Delta F>) se reduce primero a sus importantes transitorios de calcio, antes de que se aplique el PCA. El modelo nulo para los componentes principales significativos se da como la distribución de Marčenko-Pastur (Promax-MP) o se determina a partir de turnos circulares (Promax-CS). Estos componentes principales se rotan por medio de Promax antes de establecer el umbral de puntuación z para que los componentes lleguen a los ensamblajes. C En el algoritmo CORE, ( frac < Delta F>) se deconvuelve y las probabilidades de pico resultantes se definen en una señal binaria. Los patrones de actividad con un alto nivel de actividad se reducen a un conjunto de patrones de actividad centrales (o conjuntos) que se agrupan mediante agrupación de k-medias y se promedian los patrones de actividad de cada comunidad para llegar a las asambleas. D En el algoritmo SVD, ( frac < Delta F>) se deconvuelve y las probabilidades de pico resultantes se definen en una señal binaria. A partir de los patrones de actividad con un alto nivel de actividad, se construye un mapa de similitud y se establece un umbral antes de aplicar la SVD. Luego, los ensamblajes se infirieron a partir de los patrones de actividad correspondientes a cada vector singular significativo. mi En el algoritmo SGC, ( frac < Delta F>) está limitado a una señal binaria y los patrones de actividad con un alto nivel de actividad se organizan en un gráfico de acuerdo con su similitud. El gráfico se divide en sus comunidades mediante la agrupación espectral y los patrones de actividad de cada comunidad se promedian para llegar a las asambleas. F En el algoritmo FIM-X, ( frac < Delta F>) se convierte en una señal binaria y se aplica FIM para encontrar neuronas coactivas como conjuntos de elementos frecuentes. Estos conjuntos de elementos frecuentes se reducen mediante PSF y PSR, lo que implica algunas pruebas estadísticas adicionales para llegar a los ensamblajes.

El rendimiento de los diferentes algoritmos se midió por la coincidencia entre el número de ensamblajes encontrados versus el número incrustado, y la similitud de los ensamblajes incrustados y reconstruidos. Este último se cuantificó con una puntuación de "Mejor coincidencia" [37] (consulte la sección "Métodos"). Algunos de los algoritmos tendieron a sobrestimar el número de ensamblajes, lo que en consecuencia redujo el rendimiento medido por la puntuación de Mejor coincidencia, incluso si algunos de los ensamblajes recuperados eran similares a los integrados. Como una estimación más generosa del rendimiento, por lo tanto, también consideramos una puntuación de "Mejor coincidencia optimizada" (archivo adicional 2), en la que medimos la similitud entre los ensamblajes integrados y el subconjunto de ensamblajes recuperados que coincidían más con estos (consulte "Métodos" sección).

Rendimiento con diferentes tamaños de matriz, número de ensamblajes, tamaño de ensamblaje y superposición

Primero investigamos cómo el número de ensamblajes detectados por los algoritmos variaba con el tamaño de la matriz neuronal. Algunas neuronas pueden no participar en ningún ensamblaje y, en cambio, su actividad solo proporciona ruido. Incorporamos 10 ensamblajes en una matriz de tamaño que variaba de 217 a 919 neuronas. SGC, ICA-CS, ICA-MP, CORE y SVD recuperaron el número correcto de ensamblajes (Fig.3a, b Archivo adicional 2), aunque el rendimiento de SVD (es decir, la coincidencia de ensamblajes recuperados con ensamblajes verdaderos) fue bajo. Para Promax-MP, el rendimiento fue bueno cuando la matriz neuronal era pequeña. Si bien Promax-CS también encontró los ensamblajes correctos para arreglos neuronales pequeños, para arreglos grandes, subestimó ligeramente el número de ensamblajes.

Rendimiento en función del tamaño de la matriz neuronal, el número de ensamblajes incrustados y el tamaño de ensamblaje En cada gráfico y para cada algoritmo, la media está representada por una línea sólida junto con la región de una desviación estándar arriba y abajo. En los gráficos del desempeño, medido en términos de la puntuación de Mejor coincidencia, la línea discontinua negra indica el nivel de probabilidad de la puntuación de Mejor coincidencia. a, b Variando el tamaño de la matriz neuronal. Con un tamaño creciente de la matriz neuronal, Promax-MP y FIM-X detectaron un número creciente de ensamblajes y, en consecuencia, su rendimiento disminuyó. ICA-CS, ICA-MP, SGC, CORE y SVD detectaron un número constante de ensamblajes y, a excepción de SVD, mostraron un buen rendimiento. Promax-CS funcionó bien para arreglos neuronales más pequeños, pero subestimó ligeramente el número de ensamblajes en arreglos más grandes. CD Variando el número de ensamblajes incrustados. Promax-MP detectó un número casi constante de ensamblajes. ICA-CS, ICA-MP, SGC, Promax-CS y FIM-X detectaron un número creciente de ensamblajes a medida que aumentaba el número de ensamblajes integrados, aunque FIM-X sobrestimó el número total. Cuando solo había unos pocos ensamblajes integrados, Promax-CS subestimó el número total, mientras que cuando había más ensamblajes integrados, CORE sobreestimó y SVD subestimó el número total. e, f Variando los tamaños de ensamblaje. ICA-CS, ICA-MP, SGC, Promax-CS, CORE y SVD detectaron un número constante de ensamblajes, excepto cuando los ensamblajes integrados eran particularmente pequeños. Promax-MP y FIM-X sobrestimaron el número de ensamblajes

A continuación, probamos cómo variaba el número de ensamblajes detectados con el número de ensamblajes incrustados. Nuevamente, SGC, ICA-CS, ICA-MP y, en cierta medida, Promax-CS funcionaron bien, pero Promax-MP, FIM-X y CORE encontraron un exceso y de ensamblajes y SVD subestimó el número total (Fig. 3c, d Archivo adicional 2). Luego variamos el tamaño medio de ensamblaje para 10 ensamblajes integrados (Fig. 3e, f Archivo adicional 2). Una vez más, Promax-MP y FIM-X no funcionaron bien para ningún tamaño de ensamblaje. El rendimiento de SGC, ICA-CS, ICA-MP, Promax-CS y CORE fue bueno, excepto para tamaños de ensamblaje pequeños, donde el rendimiento de SGC, ICA-CS e ICA-MP fue similar al de FIM-X. El rendimiento de todos los algoritmos disminuyó con un grado cada vez mayor de superposición en los ensamblajes (archivo adicional 1: Figura S1A, archivo adicional B 2).

En resumen, encontramos que el tamaño de la matriz neuronal afecta fuertemente el rendimiento de Promax-MP y FIM-X. Por el contrario, SGC, ICA-CS e ICA-MP, así como Promax-CS, detectaron el número correcto de ensamblajes independientemente de cuántos estuvieran integrados, y su rendimiento fue generalmente mejor para ensamblajes más grandes. El rendimiento de SVD fue en general bajo a pesar de recuperar el número correcto de ensamblajes.

Rendimiento con intensidad de señal variable

Luego investigamos cómo variaba el rendimiento de los algoritmos con la fuerza de la señal en comparación con el ruido. La intensidad de la señal está controlada por varios factores, incluido el número de eventos de ensamblaje presentes (determinado por la duración de la simulación y la frecuencia del evento), la resolución temporal de la señal de calcio, el tiempo de caída del indicador de calcio, la saturación del indicador de calcio, la multiplicador de velocidad de disparo durante eventos de montaje y ruido adicional agregado a la señal de calcio.

Como era de esperar, el rendimiento de todos los algoritmos aumentó con la duración de la simulación y, por lo tanto, el número absoluto promedio de eventos de ensamblaje. Este aumento fue lento para Promax-MP y FIM-X, pero relativamente rápido para SGC, ICA-CS, ICA-MP, Promax-CS y CORE, que, aparte de CORE, finalmente alcanzaron un rendimiento de saturación para el conjunto de parámetros predeterminado (Fig. 4a, b Archivo adicional 2). Sorprendentemente, la cantidad de ensamblajes detectados para FIM-X alcanzó su punto máximo y luego disminuyó. Una mayor resolución temporal de la señal de calcio no tuvo ningún efecto sobre el rendimiento de SGC, ICA-CS, ICA-MP y Promax-CS, que en general fue bueno, pero disminuyó el rendimiento de Promax-MP y FIM-X, aparentemente porque encontró un número creciente de ensamblajes a medida que se disponía de más datos. Para CORE, el número absoluto de ensamblajes fue correcto, mientras que SVD lo subestimó (Fig. 4c, d Archivo adicional 2).

Rendimiento en función de la duración de la simulación, la resolución temporal y la vida media del indicador de calcio Convenciones gráficas como en la Fig.3. a, B Variando la duración de la simulación T. Con incremento T, el rendimiento de ICA-CS, ICA-MP, SGC y Promax-CS aumentó y detectaron un número constante de ensamblajes más allá T= 1800. Promax-MP sobreestimó el número total, y el número detectado por FIM-X mostró un pico pronunciado, mientras que la SVD subestimó el número total. C, D Variando la resolución temporal ΔT. Con incremento ΔT, Promax-MP y FIM-X detectaron un número decreciente de ensamblajes. Ambos sobrestimaron el número total, particularmente FIM-X en pequeños ΔT. SVD subestimó el número total de asambleas. ICA-CS, ICA-MP, SGC, Promax-CS y CORE detectaron un número constante de ensamblajes e ICA-CS, ICA-MP, SGC y Promax-CS también mostraron un buen rendimiento. mi, F Variando la vida media del indicador de calcio ( tau _ < frac <1> <2>> ). Con ( tau _ < frac <1> <2>> ) en aumento, Promax-MP y FIM-X detectaron un número creciente de ensamblajes. ICA-CS, ICA-MP, SGC, Promax-CS, CORE y SVD detectaron un número constante de ensamblajes e ICA-CS, ICA-MP, SGC, Promax-CS y CORE mostraron un buen desempeño

Si bien los resultados de SGC, ICA-CS, ICA-MP, Promax-CS, CORE y SVD fueron bastante sólidos para la vida media del indicador de calcio ( tau _ < frac <1> <2>> ), el rendimiento de Promax-MP y FIM-X disminuyó a medida que ( tau _ < frac <1> <2>> ) aumentó (Fig. 4e, f Archivo adicional 2). Sin embargo, para ( tau _ < frac <1> <2>> ) muy bajo, ni Promax-MP ni Promax-CS arrojaron resultados porque su modelo de ruido no pudo ajustarse a los datos.

El rendimiento de todos los algoritmos aumentó con la frecuencia de eventos, pero mucho más rápido para SGC, ICA-CS, ICA-MP y Promax-CS que Promax-MP, FIM-X, CORE y SVD (Fig.5a, b Archivo adicional 2 ). En cuanto a la duración de la simulación, las variaciones en la frecuencia del evento cambian el número promedio de repeticiones para cada evento de montaje. Sin embargo, la actividad de ruido entre eventos difiere entre estos escenarios, por lo que la duración de la simulación y la frecuencia del evento no son parámetros intercambiables (archivo adicional 3). El multiplicador de la tasa de activación del evento. λ determinó el aumento en la tasa de activación cuando una neurona estaba activa y, por lo tanto, cuán claramente distinguible era tal evento en términos del aumento de la fluorescencia del fondo. Como λ aumentado, SGC, ICA-CS, ICA-MP y Promax-CS mostraron un umbral de aproximadamente λ= 2 (para el conjunto predeterminado de otros parámetros) por debajo del cual no se detectaron ensamblajes y más allá del cual el rendimiento aumentó casi al óptimo (Fig. 5c, d Archivo adicional 2). Por el contrario, el rendimiento de Promax-MP y FIM-X aumentó muy lentamente con λ, y nuevamente, el número de ensamblajes encontrados por FIM-X mostró un pico y luego disminuyó. En cuanto a SGC, ICA-CS, ICA-MP y Promax-CS, el número de ensamblajes detectados y el rendimiento primero aumentaron, pero luego disminuyeron nuevamente.

Rendimiento en función de la frecuencia del evento, el multiplicador de la tasa de activación del evento y la desviación estándar de las convenciones de gráficos de ruido como en la Fig.3. a, B Variando la frecuencia del evento F ∗. Con incremento F ∗, el rendimiento de ICA-CS, ICA-MP, SGC, Promax-CS y CORE aumentó y detectaron un número constante de ensamblajes más allá F ∗ = 5 MHz. A bajas frecuencias, el rendimiento de Promax-CS superó al de ICA-CS, ICA-MP y SGC. Promax-MP y FIM-X sobrestimaron el número de ensamblajes. C, D Variando el multiplicador de la tasa de activación del evento λ. Con incremento λ, el rendimiento de ICA-CS, ICA-MP, SGC y Promax-CS aumentó y, cuando λ superaron alrededor de 4, detectaron un número constante de ensamblajes y mostraron un buen desempeño. Promax-MP y FIM-X sobrestimaron el número de ensamblajes. El rendimiento de CORE primero aumentó, pero luego disminuyó, ya que subestimó el número total de ensamblajes. mi, F Variando la desviación estándar σ del ruido gaussiano. Con incremento σ, todos los algoritmos (excepto FIM-X, que en cambio mostró un pico, y SVD) detectaron un número decreciente de ensamblajes y, en consecuencia, su rendimiento disminuyó. Para niveles de ruido más allá σ= 3 ni Promax-MP ni Promax-CS arrojaron ningún resultado ya que no pudieron ajustar el modelo de ruido a los datos

Como parámetro de ruido σ agregado a la señal de calcio aumentó, el rendimiento de SGC, ICA-CS e ICA-MP se mantuvo cerca de 1 hasta aproximadamente σ= 2, más allá del cual su rendimiento disminuyó lentamente (Fig. 5e, f Archivo adicional 2). Sin embargo, se pudo observar el mismo comportamiento en el rendimiento de CORE a un valor más bajo. El rendimiento de Promax-CS disminuyó más rápidamente con σ, y ni Promax-MP, FIM-X ni SVD se desempeñaron bien para ningún valor de σ.

En realidad, las señales de calcio se saturan. Por lo tanto, también consideramos el efecto de una saturación no lineal simple en la señal de calcio con constante de saturación κ [33–35]. Sin embargo, esto tuvo muy poco efecto en el rendimiento de cualquiera de los algoritmos (archivos adicionales 1 y 2).

En resumen, para todos los algoritmos, el rendimiento aumentó con una frecuencia de eventos más alta o con una duración de simulación más prolongada. El rendimiento se mantuvo constante para SGC, ICA-CS e ICA-MP, Promax-CS, así como CORE cuando se aumentó la resolución temporal, mientras que para Promax-MP y FIM-X disminuyó. La vida media del indicador de calcio no afectó el rendimiento de SGC, ICA-CS, ICA-MP, Promax-CS o CORE. Además, el rendimiento aumentó con un mayor multiplicador de tasa de activación de eventos para todos los algoritmos, aunque SGC, ICA-CS e ICA-MP alcanzaron el rendimiento máximo más rápido. Nuevamente, el rendimiento de SVD fue bajo a pesar de recuperar el número correcto de ensamblajes.

Aplicación a datos reales

Luego probamos el rendimiento de los algoritmos en un conjunto de datos de actividad evocada por estímulos en el tectum óptico del pez cebra. Se mostraron a los peces once estímulos diferentes a través de un proyector en forma de pequeños puntos separados por 15 ° en el campo visual (Fig. 6a). Las respuestas a estos estímulos fueron claramente visibles dentro de la actividad de la población (Fig. 6b). ( frac < Delta F>) los valores fueron mucho mayores para las presentaciones puntuales que para los períodos intermedios de actividad espontánea, y este contraste también fue mucho más pronunciado que en nuestros datos simulados con conjuntos inyectados (Fig. 6c cf. Fig. 1). Estimamos una configuración de ensamblaje de referencia a partir de la actividad promedio evocada por cada estímulo en 20 repeticiones, y luego preguntamos si los algoritmos encontrarían estos ensamblajes. Una neurona se consideraba parte de un conjunto si, en promedio, era sustancialmente más activa en respuesta al estímulo correspondiente que a través de todos los estímulos (consulte la sección "Métodos"). Aunque se observaron respuestas tectal para todos los estímulos, la actividad evocada por los estímulos 1-3 fue más débil y más superpuesta (Fig. 6d). Por lo tanto, esperábamos que se encontraran entre 8 y 11 conjuntos para estos datos.

Aplicación de los diferentes algoritmos a los datos de imágenes de calcio evocados por estímulos del tectum óptico de larvas de pez cebra. a Se mostraron 11 estímulos diferentes a los peces. Los estímulos se separaron 15 ° en el campo visual del pez. B La desviación de la fluorescencia del calcio desde el nivel de la línea de base, ( frac < Delta F>), para las 160 neuronas durante aproximadamente 180 s de la grabación. Las neuronas están ordenadas por su posición anteroposterior en el tectum. Los estímulos se presentaron en el orden 11 - 1 - 10 - 2 - 6 - 3 - 8 - 4 - 9 - 5 - 7 como se indica. C Ejemplo de traza de calcio en el transcurso de todo el experimento de una neurona particularmente sensible al estímulo 11, cuyo inicio está indicado. El ruido general es relativamente bajo y los picos de fluorescencia son claramente visibles. D La respuesta media de la población en términos de fluorescencia ( ( frac < Delta F>)) a los 11 estímulos diferentes. Las respuestas a los primeros 3 estímulos fueron débiles en comparación con los demás. e – j Representaciones gráficas de los ensamblajes recuperados por los diferentes algoritmos. Las neuronas que formaban parte de los respectivos conjuntos están marcadas en negro. mi SGC recuperó 8 ensamblajes. F ICA-CS recuperó 5 conjuntos. gramo Promax-CS recuperó 5 conjuntos. h SVD recuperó 5 conjuntos. I CORE recuperó 1 conjunto. j ICA-MP recuperó 2 ensamblajes. k Promax-MP recuperó 16 ensamblajes. l FIM-X recuperó 27 ensamblajes

Todos los algoritmos encontraron conjuntos de ensamblajes que estaban adecuadamente localizados y preservaron el orden topográfico en el tectum óptico (Fig. 6e-l). SGC encontró conjuntos 8 y SVD 5 relativamente densos (Fig. 6e, h). Para los otros algoritmos, hubo una gran diversidad en la escasez y el número de ensamblajes que encontraron, que van desde 1 para CORE (Fig. 6i) a 27 para FIM-X (Fig. 6l). En comparación con la configuración de referencia definida anteriormente, algunos ensamblajes parecen haberse omitido o se han subdividido para producir una gran cantidad de ensamblajes dispersos.

Cualitativamente, la Fig. 6 sugiere que SGC dio los resultados más precisos, seguido de Promax-CS y luego ICA-CS. Confirmamos esto cuantitativamente mediante el cálculo de la puntuación de mejor coincidencia con respecto a la configuración de ensamblaje de referencia estimada (archivo adicional 4). Esto sugiere que SGC fue el mejor algoritmo para reconstruir ensamblajes definidos por actividad evocada en datos reales.


Resultados

Estadísticas bayesianas

Dado un modelo que describe las observaciones en términos de un conjunto de características no observadas (latentes) Z y parámetros del modelo θ, el objetivo de la estadística bayesiana es cuantificar la distribución de probabilidad de parámetros y variables latentes condicionales a los datos utilizando el teorema de Bayes (1) que expresa esta probabilidad en términos de la probabilidad de observar los datos (dados los parámetros del modelo) y la distribución previa de los parámetros que representa nuestro conocimiento a priori sobre el modelo. En el contexto de la actividad neuronal, las variables latentes Z describir cómo se organizan las neuronas en ensamblajes. Por lo tanto, para realizar una inferencia estadística, primero debemos introducir un modelo que nos permita calcular la probabilidad tanto de la actividad neuronal observada como de la configuración latente que representa la estructura de ensamblaje.

El modelo generativo

En esta sección describimos nuestro enfoque para caracterizar la actividad neuronal de norte neuronas organizadas en A asambleas para METRO marcos de tiempo. Suponemos que cada neurona pertenece a un ensamblaje y denotamos sus pertenencias mediante un vector de etiquetas enteras <t1, ⋯, tnorte> entre 1 y A. El estado de todos los ensamblajes a lo largo del tiempo se especifica mediante una matriz binaria ω (0 = "desactivado", 1 = "activado") de tamaño METRO × A. A continuación, adoptaremos la notación abreviada μ = <I ∈ <1, ⋯, norte>: tI = μ> para indicar el conjunto de neuronas asignadas al mismo conjunto μ. Los vectores de parámetros se denotarán eliminando sus índices, p. Ej. pag ≡ <pag1, ⋯, pagA>. Las membresías neuronales y la matriz de actividad de ensamblaje son variables no observadas que queremos estimar a partir de los datos de actividad neuronal observados.

Nuestro modelo se especifica mediante los siguientes tres pasos generativos: (1) dibujar la membresía neuronal tI de una distribución categórica con probabilidades norteμ, μ = 1, …, A (2) dibujar de forma independiente los estados de actividad ω = <0, 1> de montaje μ en el momento k a partir de una distribución de Bernoulli con probabilidades específicas de ensamblaje pagμPAG(ω = 1) (3) dibuja la actividad de todas las neuronas en todo momento, denotada por la matriz binaria sik, de la probabilidad condicional (2) que depende del estado z ∈ <0, 1> del montaje correspondiente tI. Los parámetros λμ(1) y λμ(0) representan las probabilidades de cualquiera de las neuronas que pertenecen al ensamblaje μ para disparar cuando el conjunto está activo o inactivo respectivamente. De aquí en adelante nos referiremos a λμ(0) como el nivel de asincronía en el ensamblaje y para λμ(1) como sincronía de ensamblaje, que caracteriza la propensión de las neuronas constituyentes del ensamblaje a dispararse sincrónicamente.

Los parámetros del modelo θ = <norte, pag, λ> proporcionan una caracterización completa de los conjuntos en función de sus propiedades estadísticas, incluida la frecuencia de disparo, el tamaño, la sincronía y los niveles de asincronía. Como se analiza en las siguientes secciones, nuestro enfoque nos permite estimar los parámetros del modelo a partir de los datos junto con las variables latentes del modelo.

Probabilidad

A partir de las reglas generativas descritas en la sección anterior, podemos calcular la probabilidad conjunta de pertenencia neuronal t, la matriz de actividad de montaje ω y la matriz de actividad neuronal s condicional a los parámetros del modelo θ (probabilidad) como (3) A continuación, necesitamos definir las distribuciones utilizadas como anteriores en los parámetros del modelo, como se indica en la ecuación (1). En particular, usamos una distribución beta para las probabilidades de activación del ensamblaje. pagY las probabilidades de disparo sincrónico / asincrónico λs mientras que para los tamaños relativos de cada ensamblaje norteEmpleamos una distribución de Dirichlet que impone la condición de normalización ∑μ norteμ = 1. Nuestras distribuciones anteriores se resumen como (4) (5) (6) donde la notación estándar XPAG significa que X se extrae de la distribución PAG. α'arena βSon los (hiper) parámetros que describen nuestro conocimiento previo sobre los parámetros del modelo, como la escasez temporal esperada de la activación sincrónica de poblaciones neuronales. Este modelo se puede representar gráficamente como en la figura S1 (panel A).

La presente formulación del modelo generativo podría usarse directamente para extraer muestras posteriores de parámetros y características latentes derivando sus distribuciones condicionales completas (muestreo de Gibbs). Sin embargo, esta estrategia introduciría varios problemas al tratar con un número variable de ensamblajes, ya que las características continuas (como el vector norte de tamaño relativo, por ejemplo) tendría dimensionalidad variable. Podemos derivar un muestreador más eficiente integrando los parámetros continuos θ y obteniendo la probabilidad marginal PAG(t, ω, s). Este procedimiento conduce al modelo “colapsado” representado en la Fig. S1 (panel B) que en general reduce la incertidumbre asociada con la estimación de las variables restantes. Para continuar con nuestra derivación, primero introducimos las variables de resumen (7) (8) (9) (10) donde δij es la función delta de Kronecker y S es cualquier subconjunto de índices en el rango de 1 a norte. Para simplificar la notación, también introducimos matrices adicionales derivadas de la ecuación (9) (11) (12) (13) para cada conjunto μ, GRAMOμ es el tamaño del ensamblaje, Hμ y denotan (hasta una constante aditiva) el número de eventos activos e inactivos a lo largo del tiempo respectivamente, mientras que la matriz cuenta cuántas veces el estado (ω, sik) = (z, z′) Se observa a lo largo del tiempo y las neuronas del conjunto S (hasta una constante aditiva).

Debido al carácter conjugado de las distribuciones anteriores (consulte Materiales y métodos para obtener más detalles), la integración sobre θ puede llevarse a cabo analíticamente, lo que lleva a la probabilidad marginal (14) donde B(⋅, ⋅) es la función beta de Euler y se define como el producto de funciones gamma (15) Después de integrar θ podemos reescribir la probabilidad conjunta en la ecuación (14) como el producto entre la probabilidad (16) y el anterior de las variables latentes (17) Emplearemos esta formulación "colapsada" del modelo para hacer inferencias sobre la pertenencia celular y la actividad de ensamblaje .

Inferencia

Dados los datos sobre actividades neuronales en forma de matriz binaria s, podemos utilizar el modelo generativo descrito anteriormente para hacer inferencias sobre las identidades neuronales y la actividad de ensamblaje junto con los parámetros del modelo. Dentro de nuestro marco probabilístico, podemos estimar estas cantidades evaluando sus expectativas con respecto a la distribución condicional PAG(t, ω|s). Estos promedios se pueden calcular mediante métodos de Monte Carlo generando muestras aleatorias a partir de la distribución conjunta.

Primero consideramos el caso donde el número de ensamblajes neuronales A es conocida. Para obtener muestras de PAG(t, ω, s) en la ecuación (14) podemos usar un muestreador de Gibbs donde la pertenencia celular y las actividades de ensamblaje se extraen secuencialmente de las distribuciones condicionales PAG(t|ω, s) y PAG(ω|t, s) respectivamente (algoritmo 1).

Algoritmo 1 Muestreo de Gibbs colapsado

2: tiempo criterios de convergencia hacer

3: para cada montaje μ ∈ <1, ⋯, A> tiempo k ∈ <1, ⋯, METRO> hacer


Obtenga acceso completo a la revista durante 1 año

Todos los precios son precios NETOS.
El IVA se agregará más adelante en el proceso de pago.
El cálculo de impuestos se finalizará durante el pago.

Obtenga acceso a artículos por tiempo limitado o completo en ReadCube.

Todos los precios son precios NETOS.


Los factores de empalme de Rbfox promueven la maduración neuronal y el ensamblaje del segmento inicial del axón

La maduración neuronal requiere cambios morfológicos y funcionales dramáticos, pero los mecanismos moleculares que gobiernan este proceso no se comprenden bien. Aquí, estudiamos el papel de las proteínas Rbfox1, Rbfox2 y Rbfox3, una familia de reguladores de empalme específicos de tejido mutados en múltiples trastornos del neurodesarrollo. Generamos neuronas espinales ventrales de Rbfox triple knockout (tKO) para definir una red completa de exones alternativos bajo la regulación de Rbfox y para investigar su importancia funcional en las neuronas en desarrollo. Las neuronas Rbfox tKO exhiben defectos en el empalme alternativo de muchas proteínas citoesqueléticas, de membrana y sinápticas, y muestran una actividad electrofisiológica inmadura. El segmento inicial del axón (AIS), una estructura subcelular importante para la iniciación del potencial de acción, disminuye con el agotamiento de Rbfox. Identificamos un interruptor de empalme regulado por Rbfox en ankyrin G, la proteína del "centro de interacción" de AIS, que regula la afinidad de la espectrina de ankyrin G-beta y el ensamblaje de AIS. Nuestros datos muestran que el programa de empalme regulado por Rbfox juega un papel crucial en la maduración estructural y funcional de las neuronas posmitóticas.

Palabras clave: Maduración neuronal del segmento inicial del axón de empalme alternativo del citoesqueleto de actina AnkG Rbfox.


Referencias

Nott, T. J. y col. La transición de fase de una proteína nuage desordenada genera orgánulos sin membrana sensibles al medio ambiente. Mol. Celda 57, 936–947 (2015).

Boeynaems, S. et al. Separación de fases de proteínas: una nueva fase en biología celular. Trends Cell Biol. 28, 420–435 (2018).

Taylor, J. P., Brown, R. H., Jr. y Cleveland, D. W. Decodificación de ALS: de genes a mecanismo. Naturaleza 539, 197–206 (2016).

Irwin, D. J. y col. Degeneración lobular frontotemporal: definición de la diversidad fenotípica a través de la medicina personalizada. Acta Neuropathol. 129, 469–491 (2015).

Kim, H. J. y col. La modulación terapéutica de la fosforilación de eIF2α rescata la toxicidad de TDP-43 en modelos de enfermedad de esclerosis lateral amiotrófica. Nat. Gineta. 46, 152–160 (2014).

Radford, H., Moreno, J. A., Verity, N., Halliday, M. & amp Mallucci, G. R. La inhibición de PERK previene la neurodegeneración mediada por tau en un modelo de ratón de demencia frontotemporal. Acta Neuropathol. 130, 633–642 (2015).

Chia, R., Chio, A. & amp Traynor, B. J. Nuevos genes asociados con la esclerosis lateral amiotrófica: implicaciones diagnósticas y clínicas. Lancet Neurol. 17, 94–102 (2018).

Jack, C. R., Jr. y col. Marco de investigación de NIA-AA: hacia una definición biológica de la enfermedad de Alzheimer. Dement de Alzheimer. 14, 535–562 (2018).

Jin, M. y col. Los dímeros de proteína beta amiloide solubles aislados de la corteza de Alzheimer inducen directamente la hiperfosforilación de Tau y la degeneración neurítica. Proc. Natl Acad. Sci. Estados Unidos 108, 5819–5824 (2011).

Bang, J., Spina, S. & amp Miller, B. L. Demencia frontotemporal. Lanceta 386, 1672–1682 (2015).

Lin, Y., Protter, D. S., Rosen, M. K. & amp Parker, R. Formación y maduración de gotitas líquidas separadas en fases por proteínas de unión a ARN. Mol. Celda 60, 208–219 (2015).

Liu-Yesucevitz, L. et al. Traducción de ARN local en la sinapsis y en la enfermedad. J. Neurosci. 31, 16086–16093 (2011).

Parker, R. & amp Sheth, U. P cuerpos y el control de la traducción y degradación del ARNm. Mol. Celda 25, 635–646 (2007).

Mao, Y. S., Zhang, B. & amp Spector, D. L. Biogénesis y función de los cuerpos nucleares. Trends Genet. 27, 295–306 (2011).

Shpargel, K. B. & amp Matera, A. G. Se requieren proteínas Gemin para el ensamblaje eficiente de ribonucleoproteínas de clase Sm. Proc. Natl Acad. Sci. Estados Unidos 102, 17372–17377 (2005).

Zhang, H. y col. Complejos multiproteicos de la supervivencia de la proteína de la neurona motora SMN con el tráfico de Gemins a los procesos neuronales y conos de crecimiento de las neuronas motoras. J. Neurosci. 26, 8622–8632 (2006).

DeJesus-Hernandez, M. et al. La repetición expandida de hexanucleótidos de GGGGCC en la región no codificante de C9ORF72 causa FTD y ELA ligadas al cromosoma 9p. Neurona 72, 245–256 (2011).

Renton, A. E. y col. Una expansión repetida de hexanucleótidos en C9ORF72 es la causa de ALS-FTD unida al cromosoma 9p21. Neurona 72, 257–268 (2011).

Jain, A. & amp Vale, R. D. Transiciones de fase de ARN en trastornos de expansión repetida. Naturaleza 546, 243–247 (2017).

Fay, M. M., Anderson, P. J. & amp Ivanov, P. El ARN repetido C9ORF72 asociado a ALS / FTD promueve las transiciones de fase in vitro y en las células. Rep. Celular 21, 3573–3584 (2017).

Van Treeck, B. y col. El autoensamblaje de ARN contribuye a la formación de gránulos de estrés y a definir el transcriptoma de gránulos de estrés. Proc. Natl Acad. Sci. Estados Unidos 115, 2734–2739 (2018).

Maharana, S. et al. El ARN amortigua el comportamiento de separación de fases de las proteínas de unión a ARN de tipo priónico. Ciencias 360, 918–921 (2018). Este estudio muestra elegantemente el importante papel que juega el ARN en la regulación de la dinámica de separación de fases de los orgánulos sin membrana..

Guo, L. et al. Los receptores de importación nuclear invierten las transiciones de fase aberrantes de las proteínas de unión al ARN con dominios de tipo priónico. Celda 173, 677–692.e620 (2018). Este artículo demuestra que los receptores de importación nuclear pueden actuar como desagregados, proporcionando así un mecanismo novedoso para regular los SG e identificar un vínculo funcional entre la maquinaria de transporte nuclear y la patología de la enfermedad..

Hofweber, M. y col. La separación de fases de FUS es suprimida por su receptor de importación nuclear y la metilación de arginina. Celda 173, 706–719.e713 (2018).

Qamar, S. y col. La separación de fases FUS está modulada por una chaperona molecular y la metilación de interacciones catión-pi de arginina. Celda 173, 720–734.e715 (2018).

Liu-Yesucevitz, L. et al. La proteína de unión al ADN del alquitrán-43 (TDP-43) se asocia con los gránulos de estrés: análisis de células cultivadas y tejido cerebral patológico. MÁS UNO 5, e13250 (2010). Este informe muestra que TDP43 se asocia con SG y también proporciona evidencia inmunohistoquímica de que la patología de TDP43 se asocia con marcadores de SG en el tejido cerebral de ELA..

Gupta, N. et al. La proteína G3BP2 asociada a los gránulos de estrés regula la iniciación del tumor de mama. Proc. Natl Acad. Sci. Estados Unidos 114, 1033–1038 (2017).

Valentin-Vega, Y. A. et al. Las mutaciones DDX3X asociadas al cáncer impulsan el ensamblaje de los gránulos de estrés y dificultan la traducción global. Sci. Reps. 6, 25996 (2016).

Anderson, P., Kedersha, N. & amp Ivanov, P. Gránulos de estrés, cuerpos P y cáncer. Biochim. Biophys. Acta 1849, 861–870 (2015).

Kedersha, N. et al. El transporte dinámico de TIA-1 acompaña al reclutamiento de ARNm en los gránulos de estrés de los mamíferos. J. Cell Biol. 151, 1257–1268 (2000).

Kedersha, N. L., Gupta, M., Li, W., Miller, I. & amp Anderson, P. Las proteínas de unión a ARN TIA-1 y TIAR unen la fosforilación de eIF-2α al ensamblaje de gránulos de estrés de mamíferos. J. Cell Biol. 147, 1431–1442 (1999).

Anderson, P. & amp Kedersha, N. Gránulos de estrés: el Tao del triaje de ARN. Trends Biochem. Sci. 33, 141–150 (2008).

Kedersha, N. y col. Evidencia de que el complejo ternario (eIF2-GTP-tRNAI Los complejos de preiniciación deficientes en Met) son constituyentes centrales de los gránulos de estrés de mamíferos. Mol. Biol. Celda 13, 195–210 (2002).

Markmiller, S. et al. Diversidad dependiente del contexto y específica de la enfermedad en las interacciones de proteínas dentro de los gránulos de estrés. Celda 172, 590–604.e513 (2018). Este artículo proporciona una caracterización completa de los proteomas de SG en las células y también destaca las diferencias de composición entre los diferentes tipos de SG..

Lastres-Becker, I. et al. La ataxina-2 de mamífero modula el control de la traducción en el complejo de preiniciación a través de PI3K / mTOR y es inducida por inanición. Biochim. Biophys. Acta 1862, 1558–1569 (2016).

Kedersha, N. et al. Los complejos G3BP – caprin1 – USP10 median la condensación de gránulos de estrés y se asocian con subunidades 40S. J. Cell Biol. 212, 845–860 (2016).

Ohn, T., Kedersha, N., Hickman, T., Tisdale, S. & amp Anderson, P. Una pantalla de ARNi funcional vincula la modificación O-GlcNAc de las proteínas ribosómicas para estresar los gránulos y el ensamblaje del cuerpo de procesamiento. Nat. Cell Biol. 10, 1224–1231 (2008).

Jain, S. y col. Los gránulos de estrés modulados por ATPasa contienen un proteoma y una subestructura diversos. Celda 164, 487–498 (2016).

Wheeler, J. R., Jain, S., Khong, A. & amp Parker, R. Aislamiento de núcleos de gránulos de estrés de levadura y mamíferos. Métodos 126, 12–17 (2017).

Wheeler, J. R., Matheny, T., Jain, S., Abrisch, R. & amp Parker, R. Etapas distintas en el montaje y desmontaje de gránulos de tensión. eLife 5, e18413 (2016).

Antar, L. N., Afroz, R., Dictenberg, J. B., Carroll, R. C. & amp Bassell, G. J. La activación del receptor metabotrópico de glutamato regula la proteína de retraso mental X frágil y la localización del ARNm de FMR1 de forma diferencial en las dendritas y en las sinapsis. J. Neurosci. 24, 2648–2655 (2004).

Jackson, R. J., Hellen, C. U. & amp Pestova, T. V. El mecanismo de iniciación de la traducción eucariota y principios de su regulación. Nat. Rev. Mol. Cell Biol. 11, 113–127 (2010). Esta revisión proporciona una descripción general excelente y detallada de la maquinaria que lleva a cabo la iniciación traslacional y las vías de la regulación traslacional..

Fujimura, K., Sasaki, A. T. & amp Anderson, P. La selenita se dirige a la proteína de unión a eIF4E-1 para inhibir el inicio de la traducción e inducir el ensamblaje de gránulos de estrés no canónico. Ácidos nucleicos Res. 40, 8099–8110 (2012).

Emara, M. M. y col. El peróxido de hidrógeno induce la formación de gránulos de estrés independientemente de la fosforilación de eIF2α. Biochem. Biophys. Res. Comun. 423, 763–769 (2012).

Szaflarski, W. et al. Los fármacos alcaloides de la vinca promueven la represión traslacional inducida por estrés y la formación de gránulos de estrés. Oncotarget 7, 30307–30322 (2016).

Saxton, R. A. & amp Sabatini, D. M. Señalización de mTOR en crecimiento, metabolismo y enfermedad. Celda 168, 960–976 (2017).

Thoreen, C. C. et al. Un modelo unificador para la regulación de la traducción de ARNm mediada por mTORC1. Naturaleza 485, 109–113 (2012).

Frydryskova, K. et al. Reclutamiento distintivo de isoformas eIF4E humanas para procesar cuerpos y gránulos de estrés. BMC Mol. Biol. 17, 21 (2016).

Wek, R. C. Papel de las quinasas eif2α en el control de la traducción y la adaptación al estrés celular. Arb de resorte frío. Perspect. Biol. 10, a032870 (2018).

Wek, S. A., Zhu, S. & amp Wek, R. C. La secuencia relacionada con la histidil-tRNA sintetasa en la proteína quinasa eIF-2α GCN2 interactúa con tRNA y es necesaria para la activación en respuesta a la inanición de diferentes aminoácidos. Mol. Cell Biol. 15, 4497–4506 (1995).

Harding, H. P., Zhang, Y., Bertolotti, A., Zeng, H. & amp Ron, D. Perk es esencial para la regulación de la traducción y la supervivencia celular durante la respuesta de la proteína desplegada. Mol. Celda 5, 897–904 (2000).

Srivastava, S. P., Kumar, K. U. & amp Kaufman, R. J. La fosforilación del factor 2 de iniciación de la traducción eucariota media la apoptosis en respuesta a la activación de la proteína quinasa dependiente de ARN bicatenario. J. Biol. Chem. 273, 2416–2423 (1998).

McEwen, E. et al. La fosforilación del factor 2 de iniciación de la traducción eucariota mediada por un inhibidor de quinasa regulado por hemo inhibe la traducción, induce la formación de gránulos de estrés y media la supervivencia tras la exposición al arsenito. J. Biol. Chem. 280, 16925–16933 (2005).

Sudhakar, A. y col. La fosforilación de la serina 51 en el factor de iniciación 2α (eIF2α) promueve la formación de complejos entre eIF2α (P) y eIF2B y provoca la inhibición de la actividad de intercambio de nucleótidos de guanina de eIF2B. Bioquímica 39, 12929–12938 (2000).

Kedersha, N. & amp Anderson, P. Gránulos de estrés: sitios de clasificación de ARNm que regulan la estabilidad y traducibilidad del ARNm. Biochem. Soc. Trans. 30, 963–969 (2002).

Maziuk, B. F. y col. Las proteínas de unión al ARN se localizan conjuntamente con pequeñas inclusiones de tau en la tauopatía. Acta Neuropathol. Comun. 6, 71 (2018). Este estudio proporciona métodos clave para detectar RBP asociadas con SG patológicas..

Li, Y. et al. La inmunoprecipitación y la espectrometría de masas definen una extensa red de interacción proteína-proteína RBM45. Brain Res. 1647, 79–93 (2016).

Umoh, M. E. y col. Un enfoque de red proteómica en todo el espectro de la enfermedad ELA-FTD resuelve los fenotipos clínicos y la vulnerabilidad genética en el cerebro humano. EMBO Mol. Medicina. 10, 48–62 (2018).

Gunawardana, C. G. et al. El interactoma tau humano: unión al ribonucleoproteoma y unión alterada del mutante de prolina a leucina en la posición 301 (p301l) a las chaperonas y al proteasoma. Mol. Cell Proteom. 14, 3000–3014 (2015).

Dhungel, N. et al. Los genes de la enfermedad de Parkinson, VPS35 y EIF4G1, interactúan genéticamente y convergen en la α-sinucleína. Neurona 85, 76–87 (2015).

Nichols, N. et al. Las mutaciones EIF4G1 no causan la enfermedad de Parkinson. Neurobiol. Envejecimiento 36, 2444.e1–4 (2015).

Kim, W. J., Kim, J. H. & amp Jang, S. K. El mediador lipídico antiinflamatorio 15d-PGJ2 inhibe la traducción mediante la inactivación de eIF4A. EMBO J. 26, 5020–5032 (2007).

Bordeleau, M. E. et al. Caracterización funcional de los IRES por un inhibidor de la ARN helicasa eIF4A. Nat. Chem. Biol. 2, 213–220 (2006).

Cencic, R. et al. Actividad antitumoral y mecanismo de acción de la ciclopenta [B] benzofurano, silvestrol. MÁS UNO 4, e5223 (2009).

Ivanov, P., Emara, M. M., Villen, J., Gygi, S. P. & amp Anderson, P. Los fragmentos de ARNt inducidos por angiogenina inhiben el inicio de la traducción. Mol. Celda 43, 613–623 (2011).

Lyons, S. M., Achorn, C., Kedersha, N. L., Anderson, P. J. & amp Ivanov, P. YB-1 regula la formación de gránulos de estrés inducida por tiRNA pero no la represión traslacional. Ácidos nucleicos Res. 44, 6949–6960 (2016).

Apicco, D. J. et al. La reducción de la proteína de unión al ARN TIA1 protege contra la neurodegeneración mediada por tau in vivo. Nat. Neurosci. 21, 72–80 (2018). Este artículo demuestra que las RBP, como TIA1, regulan la fisiopatología de la tau in vivo y también muestra la regulación diferencial de los oligómeros de tau frente a las fibrillas..

Armstrong, R. A., Carter, D. & amp Cairns, N. J. Un estudio cuantitativo de la neuropatología de 32 casos esporádicos y familiares de degeneración lobar frontotemporal con proteinopatía TDP-43 (FTLD-TDP). Neuropathol. Apl. Neurobiol. 38, 25–38 (2012).

Janssens, J. y col. La sobreexpresión de TDP-43 humano p.M337V asociado a ALS en ratones empeora las características de la enfermedad en comparación con los ratones TDP-43 humanos de tipo salvaje. Mol. Neurobiol. 48, 22–35 (2013).

Figley, M. D., Bieri, G., Kolaitis, R. M., Taylor, J. P. & amp Gitler, A. D. Profilin 1 se asocia con gránulos de estrés y mutaciones ligadas a als alteran la dinámica de los gránulos de estrés. J. Neurosci. 34, 8083–8097 (2014).

Gilks, N. et al. El ensamblaje de gránulos de estrés está mediado por la agregación priónica de TIA-1. Mol. Biol. Celda 15, 5383–5398 (2004).

Bounedjah, O. et al. El ARNm libre en exceso tras la disociación del polisoma es un andamio para la multimerización de proteínas para formar gránulos de estrés. Ácidos nucleicos Res. 42, 8678–8691 (2014).

Bley, N. y col. Los gránulos de estrés son prescindibles para la estabilización del ARNm durante el estrés celular. Ácidos nucleicos Res. 43, e26 (2015).

Vogler, T. O. et al. El TDP-43 y el ARN forman miogránulos de tipo amiloide en el músculo en regeneración. Naturaleza 563, 508–513 (2018).

Lefebvre, S. et al. Identificación y caracterización de un gen determinante de la atrofia muscular espinal. Celda 80, 155–165 (1995).

Bassell, G. J. & amp Warren, S. T. Síndrome del X frágil: la pérdida de la regulación local del ARNm altera el desarrollo y la función sinápticos. Neurona 60, 201–214 (2008).

Kenneson, A., Zhang, F., Hagedorn, C. H. & amp Warren, S. T. La reducción de FMRP y el aumento de la transcripción de FMR1 se asocian proporcionalmente con el número de repeticiones de CGG en portadores de longitud intermedia y premutación. Tararear. Mol. Gineta. 10, 1449–1454 (2001).

Hagerman, P. J. & amp Hagerman, R. J. Síndrome de ataxia / temblor asociado al cromosoma X frágil (FXTAS). Ment. Retardar. Dev. Disabil. Res. Rvdo. 10, 25–30 (2004).

Neumann, M. y col. TDP-43 ubiquitinado en degeneración lobar frontotemporal y esclerosis lateral amiotrófica. Ciencias 314, 130–133 (2006).

Vance, C. y col. Las mutaciones en FUS, una proteína de procesamiento de ARN, causan esclerosis lateral amiotrófica familiar tipo 6. Ciencias 323, 1208–1211 (2009).

Van Deerlin, V. M. y col. Mutaciones de TARDBP en la esclerosis lateral amiotrófica con neuropatología TDP-43: un análisis genético e histopatológico. Lancet Neurol. 7, 409–416 (2008).

Mackenzie, I. R. et al. Las mutaciones de TIA1 en la esclerosis lateral amiotrófica y la demencia frontotemporal promueven la separación de fases y alteran la dinámica de los gránulos de estrés. Neurona 95, 808–816 e809 (2017).

Kim, H. J. y col. Las mutaciones en dominios similares a priones en hnRNPA2B1 y hnRNPA1 causan proteinopatía multisistémica y ELA. Naturaleza 495, 467–473 (2013).

Sreedharan, J. et al. Mutaciones de TDP-43 en la esclerosis lateral amiotrófica familiar y esporádica. Ciencias 319, 1668–1672 (2008).

Kwiatkowski, T. J., Jr. et al. Las mutaciones en el gen FUS / TLS en el cromosoma 16 causan esclerosis lateral amiotrófica familiar. Ciencias 323, 1205–1208 (2009).

Elden, A. C. et al. Las expansiones de poliglutamina de longitud intermedia de ataxina-2 se asocian con un mayor riesgo de ELA. Naturaleza 466, 1069–1075 (2010).

Emara, M. M. y col. Los ARN inducidos por estrés derivado de ARNt inducido por angiogenina promueven el ensamblaje de gránulos de estrés inducido por estrés. J. Biol. Chem. 285, 10959–10968 (2010).

Greenway, M. J. et al. Las mutaciones ANG se segregan con la esclerosis lateral amiotrófica familiar y "esporádica". Nat. Gineta. 38, 411–413 (2006).

Dormann, D. & amp Haass, C. TDP-43 y FUS: un asunto nuclear. Trends Neurosci. 34, 339–348 (2011).

Bosco, D. A. et al. Las proteínas FUS mutantes que causan la esclerosis lateral amiotrófica se incorporan a los gránulos de estrés. Tararear. Mol. Gineta. 19, 4160–4175 (2011).

Phillips, K., Kedersha, N., Shen, L., Blackshear, P. J. & amp Anderson, P. Los genes supresores de la artritis TIA-1 y TTP amortiguan la expresión del factor de necrosis tumoral α, la ciclooxigenasa 2 y la artritis inflamatoria. Proc. Natl Acad. Sci. Estados Unidos 101, 2011–2016 (2004).

Garaigorta, U., Heim, M. H., Boyd, B., Wieland, S. & amp Chisari, F. V. El virus de la hepatitis C (VHC) induce la formación de gránulos de estrés cuyas proteínas regulan la replicación del ARN del VHC y el ensamblaje y salida del virus. J. Virol. 86, 11043–11056 (2012).

Wolozin, B. Agregación de proteínas regulada: gránulos de estrés y neurodegeneración. Mol. Neurodegenerador. 7, 56 (2012).

Kiernan, M. C. y col. La esclerosis lateral amiotrófica. Lanceta 377, 942–955 (2011).

Scheltens, P. et al. Enfermedad de Alzheimer. Lanceta 388, 505–517 (2016).

Banani, S. F. y col. Control composicional de cuerpos celulares separados por fases. Celda 166, 651–663 (2016). Este artículo describe los diferentes factores celulares que controlan la formación de orgánulos sin membrana, como los gránulos de estrés y los cuerpos P.

Lee, Y. et al. La variante TIA1 impulsa la miodegeneración en la proteinopatía multisistémica con mutaciones SQSTM1. J. Clin. Invertir. 128, 1164–1177 (2018).

Patel, A. y col. Una transición de fase líquida a sólida de la proteína ALS FUS acelerada por la mutación de la enfermedad. Celda 162, 1066–1077 (2015).

Molliex, A. et al. La separación de fases por dominios de baja complejidad promueve el ensamblaje de gránulos de estrés e impulsa la fibrilización patológica. Celda 163, 123–133 (2015).

Hughes, M. P. y col. Las estructuras atómicas de segmentos de proteínas de baja complejidad revelan hojas beta retorcidas que ensamblan redes. Ciencias 359, 698–701 (2018). Este estudio muestra cómo diferentes tipos de interacciones de aminoácidos, como la unión de π – π y π – catión, controlan la formación de orgánulos sin membrana y amiloides insolubles..

Ash, P. E. A. et al. Los neurotóxicos de metales pesados ​​inducen patología de TDP-43 ligada a ALS. Toxicol. Sci. 167, 105-115, https://doi.org/10.1093/toxsci/kfy267 (2019).

Bai, B. y col. Alteraciones del complejo de ribonucleoproteína nuclear pequeña U1 y del empalme de ARN en la enfermedad de Alzheimer. Proc. Natl Acad. Sci. Estados Unidos 110, 16562–16567 (2013). Este artículo muestra que muchas RBP se acumulan como agregados de proteínas en la EA, a menudo en células que carecen de agregados de tau histológicamente evidentes..

Vanderweyde, T. et al. La interacción de tau con la proteína de unión a ARN TIA1 regula la fisiopatología y la toxicidad de tau. Rep. Celular 15, 1–12 (2016).

Vanderweyde, T. et al. Patología contrastante de las proteínas granulares de estrés TIA-1 y G3BP en tauopatías. J. Neurosci. 32, 8270–8283 (2012). Este artículo demuestra cómo interactúan tau y TIA1 para regular la biología de SG y demuestra que la reducción de TIA1 inhibe la neurodegeneración mediada por tau en neuronas cultivadas.

Zhang, Y. J. y col. El poli (GR) altera la traducción de proteínas y la dinámica de los gránulos de estrés en C9orf72-demencia frontotemporal asociada y esclerosis lateral amiotrófica. Nat. Medicina. 24, 1136–1142 (2018).

Ash, P. E. et al. La traducción no convencional de la expansión C9ORF72 GGGGCC genera polipéptidos insolubles específicos de c9FTD / ALS. Neurona 77, 639–646 (2013).

Green, K. M. y col. La traducción de RAN en expansiones repetidas asociadas a C9orf72 se mejora selectivamente mediante la respuesta de estrés integrada. Nat. Comun. 8, 2005 (2017).

Boeynaems, S. et al. La separación de fases de las repeticiones del dipéptido c9orf72 perturba la dinámica de los gránulos de estrés. Mol. Celda 65, 1044–1055.e1045 (2017).

Lee, K. H. y col. Las repeticiones del dipéptido C9orf72 perjudican el ensamblaje, la dinámica y la función de los orgánulos sin membrana. Celda 167, 774–788.e717 (2016). Este estudio muestra cómo una repetición extendida de dipéptidos puede alterar la biología SG.

Gasset-Rosa, F. et al. La desmezcla de TDP-43 citoplásmica independiente de los gránulos de estrés impulsa la inhibición de la importación nuclear, la pérdida de TDP-43 nuclear y la muerte celular. Neurona 102, 339–357.e7 (2019). Este artículo demuestra que, en las células, los agregados de TDP43 pasan por una fase SG de forma transitoria antes de evolucionar a agregados patológicos..

Mann, J. R. y col. La unión de ARN antagoniza las transiciones de fase neurotóxica de TDP-43. Neurona 102, 321–338.e8 (2019).

McGurk, L. y col. La poli (ADP-ribosa) previene la separación patológica de fases de TDP-43 al promover la desmezcla del líquido y la localización de los gránulos de tensión. Mol. Celda 71, 703–717 e709 (2018).

Brettschneider, J. et al. Patología del TDP-43 y pérdida neuronal en la esclerosis lateral amiotrófica de la médula espinal. Acta Neuropathol. 128, 423–437 (2014).

Zhang, K. y col. los C9orf72 la expansión repetida interrumpe el transporte nucleocitoplasmático. Naturaleza 525, 56–61 (2015).

Chou, C. C. y col. La patología de TDP-43 interrumpe los complejos de poros nucleares y el transporte nucleocitoplasmático en ALS / FTD. Nat. Neurosci. 21, 228–239 (2018).

Afroz, T. et al. La polimerización funcional y dinámica de la proteína ligada a ALS TDP-43 antagoniza su agregación patológica. Nat. Comun. 8, 45 (2017).

Hanger, D. P., Hughes, K., Woodgett, J. R., Brion, J. P. & amp Anderton, B. H. La glucógeno sintasa quinasa-3 induce la fosforilación de tau similar a la de la enfermedad de Alzheimer: generación de epítopos de filamentos helicoidales emparejados y localización neuronal de la quinasa. Neurosci. Letón. 147, 58–62 (1992).

Baumann, K., Mandelkow, E., Biernat, J., Piwnica-Worms, H. & amp Mandelkow, E. Fosforilación anormal similar a la de Alzheimer de la proteína tau por las quinasas dependientes de ciclina cdk2 y cdk5. FEBS Lett. 336, 417–424 (1993).

Timm, T., Marx, A., Panneerselvam, S., Mandelkow, E. & amp Mandelkow, E. M. Estructura y regulación de MARK, una quinasa implicada en la fosforilación anormal de la proteína Tau. BMC Neurosci. 9, S9 (2008).

Trinczek, B., Biernat, J., Baumann, K., Mandelkow, E. M. & amp Mandelkow, E. Dominios de la proteína tau, fosforilación diferencial e inestabilidad dinámica de los microtúbulos. Mol. Biol. Celda 6, 1887–1902 (1995).

Zempel, H. y col. Los oligómeros beta-amiloides inducen daño sináptico a través del corte de microtúbulos dependiente de Tau por TTLL6 y espastina. EMBO J. 32, 2920–2937 (2013).

Kampers, T., Friedhoff, P., Biernat, J., Mandelkow, E. M. & amp Mandelkow, E. El ARN estimula la agregación de la proteína tau asociada a microtúbulos en filamentos helicoidales pareados de tipo Alzheimer. FEBS Lett. 399, 344–349 (1996).

Fitzpatrick, A. W. P. y col. Estructuras crio-EM de filamentos de tau de la enfermedad de Alzheimer. Naturaleza 547, 185–190 (2017).

Friedhoff, P., Schneider, A., Mandelkow, E. M. & amp Mandelkow, E. Ensamblaje rápido de filamentos helicoidales pareados similares al Alzheimer a partir de la proteína tau asociada a microtúbulos monitoreada por fluorescencia en solución. Bioquímica 37, 10223–10230 (1998).

Wilson, D. M. & amp Binder, L. I. Los ácidos grasos libres estimulan la polimerización de tau y péptidos beta amiloides: evidencia in vitro de un efector común de patogénesis en la enfermedad de Alzheimer. Soy. J. Pathol. 150, 2181–2195 (1997).

Zhang, X. y col. El ARN almacena tau de forma reversible en coacervados complejos. PLOS Biol. 15, e2002183 (2017).

Wegmann, S. et al. La separación de fase líquido-líquido de la proteína tau puede iniciar la agregación de tau. EMBO J. 37, e98049 (2018). Este artículo proporciona una caracterización detallada de los factores biofísicos que controlan la separación de fases de tau.

Meier, S. et al. La tau patológica promueve el daño neuronal al alterar la función ribosómica y disminuir la síntesis de proteínas. J. Neurosci. 36, 1001–1007 (2016).

Wang, P. y col. El mapeo del interactoma de Tau se basa en la identificación de Otub1 como deubiquitinasa Tau implicada en la acumulación de formas patológicas de Tau in vitro e in vivo. Acta Neuropathol. 133, 731–749 (2017).

Eftekharzadeh, B. et al. La proteína Tau interrumpe el transporte nucleocitoplasmático en la enfermedad de Alzheimer. Neurona 99, 925–940 e927 (2018).

Silva, J. M. y col. Desregulación de la autofagia y las proteínas relacionadas con los gránulos de estrés en la patología Tau impulsada por el estrés. Diferencia de muerte celular. 171, 1411–1427 (2019). Este artículo demuestra que las experiencias de estrés conductual pueden provocar los cambios bioquímicos asociados con la respuesta de estrés traslacional en el cerebro..

Cairns, N. J. et al. TDP-43 en la degeneración lobar frontotemporal familiar y esporádica con inclusiones de ubiquitina. Soy. J. Pathol. 171, 227–240 (2007).

Moujalled, D. et al. La fosforilación de hnRNP K por la quinasa 2 dependiente de ciclina controla la acumulación citosólica de TDP-43. Tararear. Mol. Gineta. 24, 1655–1669 (2015).

Jiang, L. y col. TIA1 regula la generación y respuesta a oligómeros de tau tóxicos. Acta Neuropathol. 137, 259–277 (2019). Este artículo demuestra que los oligómeros de tau y las fibrillas propagan la patología in vivo, pero que solo los oligómeros de tau estimulan la acumulación de SG asociados a tau y causan neurodegeneración..

Sanders, D. W. y col. Distintas cepas de priones tau se propagan en células y ratones y definen diferentes tauopatías. Neurona 82, 1271–1288 (2014).

Liu, L. y col. Propagación trans-sináptica de la patología de tau in vivo. MÁS UNO 7, e31302 (2012).

Smethurst, P. et al. Comportamiento priónico in vitro de TDP-43 en ALS. Neurobiol Dis. 96, 236–247 (2016).

Asai, H. y col. El agotamiento de la microglía y la inhibición de la síntesis de exosomas detienen la propagación de tau. Nat. Neurosci. 18, 1584–1593 (2015).

Ghosh, S. & amp Geahlen, R. L. Los gránulos de estrés modulan SYK para causar disfunción de las células microgliales en la enfermedad de Alzheimer. EBioMedicine 2, 1785–1798 (2015).

Guerreiro, R. et al. Variantes de TREM2 en la enfermedad de Alzheimer. N. Engl. J. Med. 368, 117–127 (2013).

Pimenova, A. A., Raj, T. & amp Goate, A. M. Desenredar el riesgo genético de la enfermedad de Alzheimer. Biol. Psiquiatría 83, 300–310 (2018).

Roberson, E. D. y col. La reducción de la tau endógena mejora los déficits inducidos por beta amiloide en un modelo de ratón con enfermedad de Alzheimer. Ciencias 316, 750–754 (2007).

Vossel, K. A. y col. La reducción de Tau previene defectos inducidos por Aβ en el transporte axonal. Ciencias 330, 198 (2010).

Cruts, M. et al. Las mutaciones nulas en progranulina causan demencia frontotemporal ubiquitina positiva ligada al cromosoma 17q21. Naturaleza 442, 920–924 (2006).

Melamed, Z. et al. La pérdida prematura de estatmina-2 mediada por poliadenilación es un sello distintivo de la neurodegeneración dependiente de TDP-43. Nat. Neurosci. 22, 180–190 (2019).

Klim, J. R. y col. La proteína TDP-43 implicada en ALS mantiene los niveles de STMN2, un mediador del crecimiento y reparación de las neuronas motoras. Nat. Neurosci. 22, 167–179 (2019).

Nguyen, H. P., Van Broeckhoven, C. & amp van der Zee, J. genes ALS en la era genómica y sus implicaciones para FTD. Trends Genet. 34, 404–423 (2018).

Deng, H. X. y col. Las mutaciones en UBQLN2 causan ELA / demencia y ELA / demencia juvenil y adulta ligada al cromosoma X dominante. Naturaleza 477, 211–215 (2011).

Watts, G. D. y col. La miopatía por cuerpos de inclusión asociada con la enfermedad ósea de Paget y la demencia frontotemporal es causada por una proteína mutante que contiene valosina. Nat. Gineta. 36, 377–381 (2004).

Fecto, F. et al. Mutaciones SQSTM1 en la esclerosis lateral amiotrófica familiar y esporádica. Arco. Neurol. 68, 1440–1446 (2011).

Cirulli, E. T. et al. La secuenciación del exoma en la esclerosis lateral amiotrófica identifica genes y vías de riesgo. Ciencias 347, 1436–1441 (2015).

Freischmidt, A. et al. La haploinsuficiencia de TBK1 causa ELA familiar y demencia fronto-temporal. Nat. Neurosci. 18, 631–636 (2015).

Weidberg, H. & amp Elazar, Z. TBK1 media la diafonía entre la respuesta inmune innata y la autofagia. Sci. Señal. 4, pe39 (2011).

Skibinski, G. y col. Mutaciones en la subunidad CHMP2B del complejo ESCRTIII endosómico en la demencia frontotemporal. Nat. Gineta. 37, 806–808 (2005).

Gilpin, K. M., Chang, L. & amp Monteiro, M. J. Las mutaciones ligadas a ALS en ubiquilin-2 o hnRNPA1 reducen la interacción entre ubiquilin-2 y hnRNPA1. Tararear. Mol. Gineta. 24, 2565–2577 (2015).

Cassel, J. A. & amp Reitz, A. B. Ubiquilin-2 (UBQLN2) se une con alta afinidad a la región C-terminal de TDP-43 y modula los niveles de TDP-43 en células H4: caracterización de la inhibición por ácidos nucleicos y 4-aminoquinolinas. Biochim. Biophys. Acta 1834, 964–971 (2013).

Buchan, J. R., Kolaitis, R. M., Taylor, J. P. & amp Parker, R. Los gránulos de estrés eucariota se eliminan mediante autofagia y función CDC48 / VCP. Celda 153, 1461–1474 (2013).

Hutton, M. y col. Asociación de mutaciones sin sentido y del sitio de empalme 5 'en tau con la demencia hereditaria FTDP-17. Naturaleza 393, 702–705 (1998).

Nicolas, A. et al. Los análisis de todo el genoma identifican a KIF5A como un nuevo gen de ELA. Neurona 97, 1268–1283.e1266 (2018).

Wu, C. H. y col. Las mutaciones en el gen de la profilina 1 causan esclerosis lateral amiotrófica familiar. Naturaleza 488, 499–503 (2012).

Puls, I. et al. Dinactina mutante en la enfermedad de las neuronas motoras. Nat. Gineta. 33, 455–456 (2003).

Smith, B. N. y col. El análisis de variantes raras en todo el exoma identifica mutaciones de TUBA4A asociadas con ELA familiar. Neurona 84, 324–331 (2014).

Munch, C. y col. Mutaciones puntuales de la subunidad p150 del gen dinactina (DCTN1) en la ELA. Neurología 63, 724–726 (2004).

Landers, J. E. et al. La expresión reducida del gen de la proteína 3 asociada a la quinesina (KIFAP3) aumenta la supervivencia en la esclerosis lateral amiotrófica esporádica. Proc. Natl Acad. Sci. Estados Unidos 106, 9004–9009 (2009).

Magnani, E. et al. Interacción de la proteína tau con el complejo dinactina. EMBO J. 26, 4546–4554 (2007).

Ransohoff, R. M. Cómo contribuye la neuroinflamación a la neurodegeneración. Ciencias 353, 777–783 (2016).

Bemiller, S. M. y col. La deficiencia de TREM2 exacerba la patología de tau a través de la señalización de quinasa desregulada en un modelo de ratón de tauopatía. Mol. Neurodegenerador. 12, 74 (2017).

Broce, I. et al. Enriquecimiento genético relacionado con la inmunidad en la demencia frontotemporal: un análisis de estudios de asociación de todo el genoma. PLOS Med. 15, e1002487 (2018).

Becker, L. A. et al. La reducción terapéutica de ataxina-2 extiende la vida útil y reduce la patología en ratones TDP-43. Naturaleza 544, 367–371 (2017). Este estudio demuestra que la reducción terapéutica de ATXN2 retrasa la progresión de la neurodegeneración inducida por TDP43 in vivo.

Zhang, K. y col. El ensamblaje de gránulos de estrés interrumpe el transporte nucleocitoplasmático. Celda 173, 958–971.e917 (2018). Este artículo demuestra una relación estrechamente vinculada entre la acumulación de SG y la interrupción de la biología de los poros nucleares..

Smith, H. L. & amp Mallucci, G. R. La respuesta proteica desplegada: mecanismos y terapia de la neurodegeneración. Cerebro 139, 2113–2121 (2016).

Moreno, J. A. et al. La represión traslacional sostenida por eIF2α-P media la neurodegeneración priónica. Naturaleza 485, 507–511 (2012). Este estudio demuestra que la reducción de la fosforilación de eIF2α in vivo disminuye la neurodegeneración mediada por priones.

Ma, T. et al. La supresión de las eIF2α quinasas alivia los déficits de memoria y de plasticidad relacionados con la enfermedad de Alzheimer. Nat. Neurosci. 16, 1299–1305 (2013).

Khurana, V. y col. La activación del ciclo celular mediada por TOR causa neurodegeneración en un Drosophila modelo de tauopatía. Curr. Biol. 16, 230–241 (2006).

Wang, I. F. y col. Los activadores de la autofagia rescatan y alivian la patogénesis de un modelo de ratón con proteinopatías de la proteína de unión al ADN TAR 43. Proc. Natl Acad. Sci. Estados Unidos 109, 15024–15029 (2012).

Martinez, F. J. et al. Redes de proteína-ARN reguladas por HnRNPA2B1 mutante normal y asociado a ALS en el sistema nervioso. Neurona 92, 780–795 (2016).

Walter, H. & amp Brooks, D. E. La separación de fases en el citoplasma, debido al apiñamiento macromolecular, es la base de la microcompartmentación. FEBS Lett. 361, 135–139 (1995).

Toombs, J. A. et al. Diseño de novo de dominios priónicos sintéticos. Proc. Natl Acad. Sci. Estados Unidos 109, 6519–6524 (2012).

Prilusky, J. et al. FoldIndex: una herramienta sencilla para predecir si una secuencia de proteína determinada está intrínsecamente desarrollada. Bioinformática 21, 3435–3438 (2005).

Wei, M. T. et al. Comportamiento de fase de proteínas desordenadas subyacentes a baja densidad y alta permeabilidad de orgánulos líquidos. Nat. Chem. 9, 1118–1125 (2017).

Wang, J. y col. Una gramática molecular que rige las fuerzas impulsoras de la separación de fases de las proteínas de unión a ARN de tipo priónico. Celda 174, 688–699.e616 (2018).

Bergeron-Sandoval, L. P., Safaee, N. & amp Michnick, S. W. Mecanismos y consecuencias de la separación de fases macromolecular. Celda 165, 1067–1079 (2016).

Feric, M. y col. Las fases líquidas coexistentes subyacen a los subcompartimentos nucleolares. Celda 165, 1686–1697 (2016). Este artículo demuestra elegantemente que el nucleolo existe como una estructura separada en fases, además de demostrar muchos métodos clave utilizados en el campo..

Prum, R. O., Dufresne, E. R., Quinn, T. & amp Waters, K. Desarrollo de nanoestructuras de β-queratina productoras de color en púas de plumas de aves. J. R. Soc. Interfaz 6 (Supl. 2), S253 – S265 (2009).

Milovanovic, D., Wu, Y., Bian, X. & amp De Camilli, P. Una fase líquida de sinapsina y vesículas lipídicas. Ciencias 361, 604–607 (2018).

Li, P. y col. Transiciones de fase en el ensamblaje de proteínas de señalización multivalentes. Naturaleza 483, 336–340 (2012).

Hnisz, D., Shrinivas, K., Young, R. A., Chakraborty, A. K. & amp Sharp, P. A. Un modelo de separación de fases para el control transcripcional. Celda 169, 13–23 (2017).

Youn, J. Y. et al. El mapeo de proximidad de alta densidad revela la organización subcelular de los gránulos y cuerpos asociados al ARNm. Mol. Celda 69, 517–532.e511 (2018).

Wolozin, B. La evolución de TDP-43 con fases separadas en estrés. Neurona 102, 265–267 (2019).


Cómo el conocimiento de la farmacología molecular de GPCR facilita el uso apropiado de la tecnología DREADD

Antes de discutir los DREADD en detalle, primero resumiré los conceptos fundamentales esenciales de la farmacología molecular y la señalización de GPCR. Esta información básica es esencial para todos los lectores para que comprendan cómo se pueden utilizar los DREADD de la manera más eficaz. Según los modelos clásicos de acción de GPCR, los GPCR existen en múltiples estados dependientes e independientes de ligandos. Estos múltiples estados de GPCR van desde & # x0201c completamente inactivo & # x0201d a & # x0201c parcialmente activo & # x0201d a & # x0201c completamente activo & # x0201d a & # x0201c complejos de señalización & # x0201d (Roth y Marshall, 2012 Samama et al., 1993). Como se muestra en la Figura 1, los GPCR (R) están modulados por ligandos (L) y pueden interactuar con proteínas G hetereotriméricas (G) y arrestinas & # x003b2 (& # x003b2Arr). Según los hallazgos más recientes, existen múltiples estados inactivos (p. Ej., & # X0201cground & # x0201d) que pueden estabilizarse mediante ligandos (R1L, R2L, etc.) o incluso puede ocurrir en ausencia de ligandos (R). Los iones de sodio estabilizan el estado fundamental al ejercer una modulación alostérica negativa a través de un sitio alostérico altamente conservado (Fenalti et al., 2014 Katritch et al., 2014). Medicamentos que estabilizan la R1L, R2Los estados fundamentales L funcionan como agonistas inversos (Samama et al., 1993, 1994). Los agonistas inversos también se conocen como & # x0201cantagonistas con actividad intrínseca negativa & # x0201d (Costa y Herz, 1989). La evidencia de múltiples estados de GPCR está respaldada por estudios farmacológicos moleculares clásicos (Samama et al., 1993, 1994), biofísicos (Gether et al., 1995) y estructurales (Manglik et al., 2015).

Como se muestra en el panel superior, los GPCR (R) pueden interactuar con ligandos (L), proteínas G hetereotriméricas (G) y arrestinas (& # x003b2Arr) y, por lo tanto, forman una variedad de inactivos (recuadros verdes), activos (recuadros naranjas y rojos). ) y complejos de señalización (recuadros azules y rojos). El panel inferior muestra una caricatura de los diversos complejos de señalización para la señalización de la proteína G canónica (L) y la señalización de & # x003b2-Arrestin (R).

Tanto los agonistas totales como los parciales estabilizan el estado activo (R * L) y promueven la formación de un complejo de señalización (p. Ej., El complejo & # x0201cternary & # x0201d) que consta de (1) el receptor activo, (2) un agonista y ( 3) la proteína G heterotrimérica (R * LG) (De Lean et al., 1980 Samama et al., 1993). Además de la activación e inactivación de GPCR inducida por ligando, los GPCR también pueden isomerizarse espontáneamente a un estado activo (R *) en ausencia de ligando. Además, este estado activo puede interactuar espontáneamente con proteínas G para producir un complejo de señalización binaria en ausencia de ligando (R * G) (Samama et al., 1993). Este estado activo en ausencia de ligando se denomina & # x0201c actividad constitutiva & # x0201d.

Los GPCR (R) también interactúan con las arrestinas (& # x003b2Arr) para formar complejos de señalización alternativos (R ** L y R ** L & # x003b2Arr) (Luttrell et al., 1999 Wacker et al., 2013 Kroeze et al., 2015). Los GPCR con altos niveles de actividad basal (por ejemplo, constitutiva) pueden interactuar espontáneamente con & # x003b2Arr para formar un complejo R ** & # x003b2Arr en ausencia de agonista (Marion et al., 2004 Kroeze et al., 2015). Basado en estructuras cristalinas de alta resolución de complejos GPCR-arrestina, el estado R * L & # x003b2Arr parece ocluir estéricamente las interacciones de la proteína G con el receptor, aboliendo así la señalización de la proteína G (Shukla et al., 2014 Kang et al., 2015). Por consiguiente, la interacción de los GPCR con & # x003b2Arr también representa un estado de proteína G inactiva o & # x0201c desensibilizada & # x0201d del complejo. A nivel de molécula única, cuando los agonistas activan los GPCR, pueden acoplarse a proteínas G o arrestinas, pero no a ambas. A nivel celular existen conjuntos conformacionales de todos los estados identificados anteriormente. El sesgo para un estado en particular depende tanto del contexto celular como del ligando disponible (Vardy y Roth, 2013 Wacker et al., 2013).

Una comprensión clara de las implicaciones de este modelo de complejo ternario ampliado y modificado & # x02014 para el cual ahora existe una competencia bioquímica (Strachan et al., 2014), biofísica (Sounier et al., 2015 Nygaard et al., 2013), farmacológica (Weiss et al., 2013 Fenalti et al., 2014), y la evidencia estructural (Fenalti et al., 2014 Manglik et al., 2015 Rasmussen et al., 2011 Wacker et al., 2013) & # x02014 es crucial para comprender cómo el GPCR Las tecnologías quimiogenéticas basadas en la tecnología pueden aprovecharse en neurociencia.Así, por ejemplo, una de las principales preocupaciones de las tecnologías quimiogenéticas es la posibilidad de que los altos niveles de expresión de una proteína modificada puedan tener efectos en ausencia de activación química (Conklin et al., 2008). De hecho, muchos de los GPCR quimiogenéticos de segunda generación (p. Ej., Receptores activados únicamente por ligandos sintéticos [RASSL]) tenían altos niveles basales de actividad que conducen a fenotipos en ausencia de actuadores químicos (Hsiao et al., 2008 Sweger et al., 2007).

Como se muestra en la Figura 1, es más probable que exista un GPCR con actividad constitutiva en el estado R * y, por lo tanto, interaccione espontáneamente con las proteínas G para producir un complejo de señalización en ausencia de ligando (R * G). Como se muestra en la Figura 2A, los altos niveles de expresión de un GPCR con actividad constitutiva conducen a la señalización en ausencia de ligando. Aunque ningún estudio hasta la fecha ha demostrado un fenotipo basal para ninguno de los DREADD conocidos, es importante expresar DREADDS al nivel más bajo de acuerdo con el diseño experimental. Para hM3Dq (Alexander et al., 2009) y hM4Di (Zhu et al., 2014), se alcanzaron niveles de expresión extremadamente altos y de por vida utilizando un sistema de inducción sensible a tetraciclina codificado genéticamente sin anomalías electrofisiológicas, conductuales o anatómicas basales. siendo observado. También se logró una expresión más modesta de por vida de Gs-DREADD (GsD) sin ningún fenotipo electrofisiológico, conductual o anatómico detectable (Farrell et al., 2013). Aún no se ha informado que los altos niveles de expresión mediada por virus de varios DREADD produzcan fenotipos basales significativos (Urban et al., 2015 Vardy et al., 2015 Denis et al., 2015 Isosaka et al., 2015 Hayashi et al., 2015). Por supuesto, la ausencia de informes de actividad basal no implica la ausencia de actividad basal. En el futuro, si se observa actividad basal, sería prudente simplemente reducir el nivel de expresión de DREADD usando (1) un título más bajo de virus, (2) un promotor más débil o (3) modificando la expresión postranscripcional (p. Ej., eliminando un elemento del virus de la hepatitis de la marmota [WPRE] del extremo 3 & # x02032 de la construcción). Por lo tanto, según la ley de acción de masas, disminuir [R] disminuye la probabilidad de transiciones de [R] & # x02192 [R *] & # x02192 [R * G] (por ejemplo, estado inactivo, activo y de señalización).

(A) Simulaciones de la actividad del receptor utilizando una ecuación logística estándar de cuatro parámetros para la activación de GPCR, y la expresión variable del receptor (DeLean et al., 1978) se utilizó para simular los efectos de la sobreexpresión de un DREADD con actividad constitutiva (círculos rojos ) reserva de receptor alta, actividad constitutiva mínima (círculos azules) reserva de receptor alta + desensibilización (círculos verdes) expresión baja y sin reserva de receptor (círculos morados) y baja expresión, sin reserva de receptor y desensibilización (círculos naranjas).

(B y C) Parámetros farmacocinéticos potenciales de CNO después de dosis altas (B) y bajas (C). La línea roja punteada indica la concentración umbral requerida para la activación del DREADD in situ.

Una preocupación adicional con las tecnologías DREADD se relaciona con los problemas de la desensibilización y la subsecuente regulación negativa de los receptores. Por lo tanto, después de la dosificación repetida con un actuador químico DREADD, se podrían observar respuestas disminuidas debido a la desensibilización y regulación a la baja del receptor. Esta respuesta disminuida podría predecirse porque es bien sabido que los GPCR pueden desensibilizarse y posteriormente internalizarse y regularse negativamente después de la activación inducida por agonistas (DeWire et al., 2007).

Como se muestra en la Figura 2A, el grado de desensibilización depende en gran medida del grado en que los receptores se sobreexpresan y de la cantidad subsiguiente de reserva de receptor. Reserva de receptor es un término farmacológico que describe el fenómeno por el cual se puede lograr una respuesta agonista máxima con una ocupación menor que la total de todos los receptores por parte de los agonistas (Ruffolo, 1982). Desde una perspectiva práctica, el concepto de reserva de receptor predice que cuando la expresión de DREADD es bastante alta, se necesitan concentraciones más bajas del actuador químico para lograr una respuesta máxima (Figura 2A). Además, cuando los receptores están desensibilizados o regulados a la baja, puede que no haya cambios en la respuesta máxima provocada por el agonista, pero puede haber un cambio en la curva dosis-respuesta hacia la derecha debido a la reserva del receptor (2A). Por tanto, cuando los DREADD se expresan en niveles altos en relación con los GPCR nativos mediante enfoques virales o transgénicos, las respuestas celulares y de comportamiento serán menos sensibles a la dosificación repetida que cuando se expresan en niveles más bajos. Este fenómeno podría explicar por qué no se observó una desensibilización significativa cuando los DREADD se expresaron de forma viral o transgénica (Alexander et al., 2009 Krashes et al., 2011)

Otro problema conceptual específico de la tecnología DREADD se relaciona con si los efectos observados con respecto a la producción y el comportamiento neuronales se producen debido a la señalización de GPCR canónica o no canónica. Como se muestra en la Figura 1, los agonistas pueden activar múltiples vías efectoras aguas abajo, y es probable que se produzcan acciones distintas de simplemente mejorar o silenciar la actividad neuronal cuando se activan los DREADD. Específicamente, uno podría estar preocupado por las condiciones en las que se activa la señalización & # x003b2Arr. Hasta la fecha, no ha habido informes que sugieran que las acciones de silenciar (p. Ej., DREADD basados ​​en Gi) o activar (p. Ej., DREADD basados ​​en Gq) DREADD sobre la actividad neuronal y las lecturas fisiológicas posteriores podrían explicarse por cualquier mecanismo distinto al alterado disparo neuronal. En relación con este tema, muchos estudios han utilizado DREADD y tecnologías optogenéticas en las mismas poblaciones neuronales. Estos estudios han identificado invariablemente efectos esencialmente equivalentes en términos de valencia y magnitud del efecto sobre la lectura fisiológica, aunque la duración suele ser más larga con DREADD (Tabla 2 para ejemplos representativos). De hecho, muchos investigadores ahora usan tecnologías DREADD y optogenéticas para proporcionar líneas de evidencia independientes y convergentes en términos de suficiencia y necesidad al deconstruir circuitos neuronales.

Tabla 2

Ejemplos de equivalencia aparente de modulación quimio y optogenética

Tipo de célulaDREADDOpsinElectrofisiologíaComportamiento
Neuronas AgRPhM3Dq (Krashes et al., 2011)ChR2 (Aponte et al., 2011)Disparo aumentadoAlimentación mejorada
Neuronas del área subfornical ETV-1hM3Dq (Betley et al., 2015)ChR2 (Betley et al., 2015)Disparo aumentadoBeber mejorado
Células de la corteza entorrinal medialhM4Di (Miao et al., 2015)Arch (Miao et al., 2015)Disminución de la cocciónReasignación de celdas de lugar
Neuronas de proyección PBN CGRPhM3Dq (Cai et al., 2014)ChR2 (Cai et al., 2014)Disparo aumentadoAlimentación disminuida
Neuronas de orexinahM4Di (Sasaki et al., 2011)Halorhodopsina (Tsunematsu et al., 2011)Disminución de la cocciónDisminución de la vigilia
HipocampohM4Di (Zhu et al., 2014)Arch (Sakaguchi et al., 2015)Disminución de la cocciónSupresión del condicionamiento contextual del miedo
Neuronas serotoninérgicas rafehM3Dq (Urban et al., 2015)ChR2 (Ohmura et al., 2014)Disparo aumentadoAnsiogénico

Trastornos de las uniones neuromusculares

Las uniones neuromusculares desempeñan un papel importante al cerrar la brecha entre el sistema nervioso y el sistema muscular. Si alguno de los pasos o estructuras de señalización se ve comprometido, pueden ocurrir enfermedades. Dos ejemplos de estas enfermedades son la miastenia grave y el síndrome miasténico de Lambert-Eaton.

Miastenia gravis

La miastenia grave es una enfermedad autoinmune en la que el sistema inmunológico ataca los receptores de acetilcolina presentes en las terminales postsinápticas de las uniones neuromusculares. Esto causa debilidad muscular porque la unión ya no puede iniciar las señales necesarias para contraer los músculos esqueléticos.

Afecta a 1 de cada 10.000 personas y afecta principalmente a los músculos de los ojos y la cara, lo que provoca la caída de los párpados, visión doble y debilidad facial. También puede hacer que las personas tengan problemas para caminar y hablar.

Síndrome miasténico de Lambert-Eaton

El síndrome miasténico de Lambert-Eaton es otra enfermedad autoinmune, pero en este caso, el sistema inmunológico ataca los canales de calcio (y probablemente otras proteínas) en la terminal presináptica.

Curiosamente, esta enfermedad a menudo se asocia con el cáncer, y alrededor de la mitad de las personas afectadas desarrollan la enfermedad después de un diagnóstico de cáncer de pulmón de células pequeñas. El síndrome miasténico de Lambert-Eaton causa principalmente debilidad muscular en brazos y piernas, particularmente en los músculos más cercanos al torso.


Ver el vídeo: estructura de neuronas (Mayo 2022).