1. Computational Modelling and Topological Analysis of the striatal microcircuitry in health and Parkinson's disease
- Abstract
The basal ganglia are evolutionary conserved nuclei located at the base of the forebrain. They are a central hub in the control of motion and their dysfunctions lead to a variety of movement related disorders, including Parkinson's disease (PD). The largest nucleus and main input stage of the basal ganglia is the striatum. It receives excitatory glutamatergic projections primarily from cortex and thalamus as well as modulatory dopaminergic input from the substantia nigra pars compacta and the ventral tegmental area. Striatal output is mediated by the direct and indirect pathway striatal projection neurons (dSPNs and iSPNs, respectively). In rodents, they account for 95% of the neurons, while the remaining 5% are interneurons, which do not project outside the striatum. The aim of this thesis is to develop an in silico striatal microcircuit in health and PD, and to compare these two networks using electrophysiological simulations and topological analysis. The neuron types included are the striatal projection neurons (dSPN and iSPN) and three of the main interneuron classes: FS, LTS and ChIN. Their multi-compartmental models are based on detailed morphological reconstructions, ion channels expression and electrophysiological ex vivo rodents experimental data from control and PD brains. In Paper A, a comparison between two methods commonly used to model ion channels was presented. In Paper B, the healthy striatal microcircuit was created. We presented a modelling framework called Snudda. It enables the creation of large-scale networks by: placing neurons using appropriate density, predicting synaptic connectivity based on touch detection and a set of pruning rules, setting up external input and modulation, and finally running the simulations. It is written in Python and uses the NEURON simulator. In Paper C, we conducted a computational study on the reciprocal interaction between ChIN and LTS interneurons. Specifically, we simulate the inhibition of LTS via muscarinic M, Basala ganglierna, som är placerade vid basen av framhjärnan, är evolutionärt konserverade kärnor. De utgör ett centralt nav för kontrollen av motoriken, och dysfunktioner i basala ganglierna leder till en mängd olika rörelserelaterade störningar, inklusive Parkinsons sjukdom (PD).Den största kärnan, är den del av basala ganglierna och som fungerar som det huvudsakliga input steget, är striatum. Den tar emot excitatoriska glutamaterga projektioner främst från cortex och thalamus såväl som modulerande dopaminerga input från substantia nigra pars compacta och det ventrala tegmentumområ det. Striatum projicerar till andra delar av basala ganglierna via de direkta och indirekta striatala projektionsneuronerna (dSPNs respektive iSPNs). De utaör 95% av neuronerna hos möss, medan de återstå ende 5% är interneuroner, som inte projicerar utanför striatum. Syftet med denna avhandling är att bygga en in silico modell av det lokala striatala neuronnätverket som kan användas för att förstå både det friska nätverket och hur det förändras vid PD. Dessa nätverksmodeller jämförs sedan med hjälp av biofysikaliskt detaljerade simuleringar samt genom användandet av topologisk analys. De neurontyper som ingår i modellen är de striatala projektionsneuronerna (dSPN och iSPN) och tre av de huvudsakliga interneurontyperna: FS, LTS och ChIN. Multi-kompartmentmodeller av dessa neurontyper baseras på detaljerade morfologiska rekonstruktioner av neuron, genuttryck av jonkanaler samt elektrofysiologiska ex vivo experimentella data från möss som representerar kontroll- och PD-hjärnor. I artikel A presenterades en jämförelse mellan två metoder som vanligtvis används för att modellera jonkanaler. I artikel B byggde vi en modell av det lokala striatala neuronnätverket. Vi beskriver ett ramverk som heter Snudda för att bygga nätverket. Det möjliggör skapandet av storskaliga modellnätverk genom att: först placera neuroner med den densitet som uppmätts; sedan prediceras synapsernas placering baserat p, QC 20231121
- Published
- 2023