揭示下丘脑神经元中催产素的动力学

《Traffic》:Unraveling the Dynamics of Oxytocin in Hypothalamic Neurons

【字体: 大 中 小 】 时间:2026年04月09日 来源:Traffic 2.5

编辑推荐:

  催产素(Oxytocin, OT)在社会行为和母体生理中起着关键作用,然而,神经元内含催产素的囊泡(OT-containing compartments)的细胞内动力学仍未被充分表征。本研究结合活细胞成像的实验数据和计算分析,研究了下丘脑神经元内这些囊泡的移动

  
催产素(Oxytocin, OT)在社会行为和母体生理中起着关键作用,然而,神经元内含催产素的囊泡(OT-containing compartments)的细胞内动力学仍未被充分表征。本研究结合活细胞成像的实验数据和计算分析,研究了下丘脑神经元内这些囊泡的移动性。利用基于机器学习(Machine Learning, ML)的轨迹分类,研究人员揭示,大多数催产素囊泡表现出亚扩散(subdiffusive)运动,这表明了复杂细胞内环境施加的限制。这种行为可能反映了与细胞骨架结构、囊泡成熟状态或局部功能需求的相互作用。这些发现为神经肽的细胞内运输提供了新见解,并突出了数据驱动方法在揭示神经生理相关机制方面的实用性。
研究背景、问题与动机
催产素(OT)是一种关键的神经肽,参与调节分娩、哺乳等基本生理过程以及社会互动等复杂行为。其失调与自闭症、焦虑症等脑部及社会障碍相关。OT主要由下丘脑中的大而致密核心囊泡(Large Dense-Core Vesicles, LDCVs)合成和储存,并可通过胞吐作用释放。然而,下丘脑神经元内OT囊泡的运输和释放的细胞内动力学仍不清楚。传统上,神经元胞吐被描述为在轴突末梢释放神经递质,但越来越多的证据表明,体树突区(somatodendritic compartment)也是一个活跃的释放位点。此外,对下丘脑神经元中体区LDCVs的运输和释放动力学仍缺乏表征。单粒子追踪(Single-particle tracking, SPT)等技术为研究微观实体的动力学提供了宝贵见解,但传统的均方位移(Mean Squared Displacement, MSD)分析方法在短轨迹、有噪声或异质性运动方面存在局限。因此,应用机器学习(ML)和深度学习(DL)技术来处理粒子运动图像、分类轨迹类型和估计扩散参数的兴趣日益增长。
研究概述、结论与意义
本研究旨在结合实验成像和计算分析,深入探究下丘脑神经元内OT囊泡的动力学特性。研究人员通过对来自OTtdTom报告小鼠的下丘脑神经元进行活细胞成像,追踪了个体OT囊泡的轨迹,并运用卷积神经网络(CNN)和随机森林(RF)两种机器学习模型对轨迹的扩散模式进行分类。主要结论是,绝大多数(约79%)的OT囊泡表现出亚扩散运动,这表明其运动受到细胞内环境(如细胞骨架、分子拥挤)的约束,而非自由扩散。该研究为理解神经肽的细胞内运输机制提供了新视角,并展示了数据驱动方法在神经科学研究中的效用。本论文发表在《Traffic》期刊上。
关键技术与方法
研究采用了几项关键技术:
  1. 1.
    样本与活细胞成像:使用OTtdTom转基因小鼠(由OT-Ires-Cre与Ai9 tdTomato报告鼠杂交获得)培养的下丘脑原代神经元作为样本。通过共聚焦显微镜对神经元胞体中的OT囊泡进行活细胞成像,记录其在基础状态和高钾(KCl)刺激下的连续动态。
  2. 2.
    轨迹追踪与预处理:使用Imaris软件对OT囊泡进行半自动追踪,获取其位移、速度和直径等参数。实验数据集包含118条个体轨迹,每条追踪80秒,并根据对KCl刺激的响应进行了经验性预分类。
  3. 3.
    计算分析与机器学习:为每条轨迹计算时间平均均方位移(MSD)并估计其异常扩散指数α。生成包含10万条轨迹(模拟正常扩散、亚扩散和超扩散)的大型合成数据集。在此数据集上训练了一个一维卷积神经网络(CNN,直接分析MSD曲线形状)和一个随机森林(RF,使用从MSD曲线提取的特征,如α、广义扩散系数Dα和拟合优度R2)分类器,随后将训练好的模型应用于实验轨迹进行分类。
研究结果
2.1 实验数据集预处理
对培养的下丘脑神经元的活成像允许追踪胞体内单个OT囊泡。实验数据集由118条个体轨迹组成,根据对KCl刺激的响应被经验性预分为八组,显示出明显的动态行为异质性。通过计算每条轨迹的MSD和异常指数α,发现绝大多数实验轨迹表现出亚扩散特征,α值主要小于1。对构成数据集的11个独立细胞的分析显示,囊泡移动性的方差超过99%可归因于局部细胞内相互作用,而非细胞间效应,确认亚扩散是体区OT囊泡的稳健基本特征。由于共聚焦显微镜的衍射极限,无法明确分辨单个LDCV,因此全文使用“OT-containing compartments”这一术语。
2.2 机器学习分类
研究人员在大型合成数据集上训练了两个机器学习模型以客观分类每条轨迹的扩散模式。CNN模型在合成数据上实现了97.8%的高验证准确率,能有效区分不同扩散模式。RF模型使用从MSD曲线提取的特征,其袋外误差(OOB error)为0.1055。当应用于118条实验轨迹时,两个模型达成了强烈共识:79%的OT囊泡(93条轨迹)被分类为亚扩散。一小部分(8%,10条轨迹)被一致分类为正常扩散。值得注意的是,没有轨迹被分类为超扩散,且亚扩散群体分布在所有实验条件下,这表明受限运动是体区OT囊泡的一个普遍特征。
讨论与结论
3.1 OT囊泡的动力学
微观追踪显示OT囊泡在刺激下遵循不同的行为,囊泡群体在响应神经元刺激的移动性方面是异质性的。测量其运动速度变化发现,约29%是移动的,71%是固定的。这些观察表明,调控LDCV动力学的分子机制可能不同于经典的SNARE复合体。对实验轨迹的分类比较显示,两个模型一致将93条轨迹(79%)分类为亚扩散,10条轨迹(8%)分类为正常扩散,另有15条轨迹存在分类分歧。没有轨迹被一致分类为超扩散,这与实验α分布严重偏向小于1的值相符,表明大多数囊泡表现出亚扩散行为。这与实验记录中71%固定囊泡的比例一致,提示不同群体可能受不同的锚定机制调控。
3.2 囊泡大小对扩散的影响
为探究囊泡移动性的物理决定因素,研究人员分析了OT囊泡的直径是否可预测其扩散模式。将囊泡直径作为附加特征纳入RF分类器进行分析。结果显示,异常指数α是分类最具影响力的特征,而囊泡直径的贡献可忽略不计,表明囊泡大小不是决定其扩散行为的主要因素。散点图显示,亚扩散轨迹和正常扩散轨迹分布在所有测量直径范围内,没有明显趋势表明较大或较小的囊泡倾向于特定扩散模式。
3.3 神经元OT囊泡亚扩散行为的生物学意义
对OT神经元中LDCV轨迹的分析表明,异常指数α通常小于1,指示亚扩散行为。亚扩散(α<1)意味着囊泡的扩散速度比自由扩散慢,反映了物理约束或相互作用。这表明了复杂的细胞内环境,其中细胞骨架、分子拥挤和结合事件等障碍限制了囊泡运动。在拥挤的细胞质中,亚扩散意味着囊泡不能自由穿越树突区,而是经历不同程度的限制和间歇运动。亚扩散构成了细胞中尺度运输的主要部分,通常表现出非布朗异常行为。亚扩散货物运动有助于维持信号分子的局部浓度梯度,这对局部信号传导有益。减慢的运动理论上可以将囊泡保持在突触或释放位点附近,可能促进一个在高频刺激下可被动员的储备池。此外,研究人员假设,通过限制囊泡运动,亚扩散可能降低与维持恒定定向运输相关的能量成本,使神经元能将ATP分配给其他代谢需求。不同囊泡池的共存预计在维持释放能力和重复刺激后恢复分泌能力方面起关键作用。
3.4 亚扩散对神经元生理学和疾病的影响
LDCV的亚扩散运动对神经元信号传导具有重要功能影响。受限运动限制了空间扩散并促进局部囊泡滞留。由于LDCV携带神经肽和营养因子,它们的空间分布直接影响神经调节输出。实验表明,囊泡过度移动会减少突触积累。亚扩散也对运输能量学有影响。间歇性的被动亚扩散和主动马达驱动运行之间的结合,与持续定向运输相比,可以最大限度地减少无效的ATP消耗。重要的是,LDCV运输动力学是可塑的,可以在生理需求下改变。LDCV运输中断与神经系统疾病密切相关。例如,亨廷顿病模型表现出改变的DCV动力学和神经肽积累,与癫痫和自闭症谱系障碍相关的突触素突变影响突触小泡聚集和致密核心囊泡锚定,进一步支持了囊泡捕获和移动性扰动具有病理后果的观点。
研究结论
本研究通过结合活细胞成像和机器学习分析,揭示了下丘脑神经元体区内绝大多数催产素囊泡表现出亚扩散运动,其运动受到细胞内复杂环境的约束。囊泡大小并非决定其扩散模式的主要因素。这种亚扩散行为可能具有重要的生物学功能,包括促进局部信号传导、形成可动员的囊泡储备池以及优化细胞能量分配。该研究为理解神经肽的细胞内运输机制提供了新见解,并展示了数据驱动方法在揭示神经生理相关机制方面的实用性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号