Modellierung von spannungsabhängigen Einzelkanälen mit Markov-Modellen und Implementierung des 2D-Fit Algorithmus mit Simulationen auf Großrechnern (HPC-Cluster)
Biophysik
Molekulare Biologie und Physiologie von Nerven- und Gliazellen
Zusammenfassung der Projektergebnisse
Einzelkanal-Patch-Clamp-Aufnahmen liefern eine Fülle von Informationen über die Funktion von Ionenkanälen und ermöglichen im Vergleich zu makroskopischen Ganzzellableitungen eine genauere Modellierung der Kinetik. Zur Beschreibung der Funktion von Ionenkanälen werden häufig Hidden-Markov-Modelle (HMM) verwendet. HMM bestehen aus einer Abfolge von leitenden (offen) und nichtleitenden (geschlossen) Zuständen, die über Ratenkonstanten miteinander verknüpft sind. Das Ziel dieses Projektes bestand darin, HMM aus aufgezeichneten Zeitreihen zu extrahieren. Die Modellierung von Einzelkanal-Aufnahmen gestaltet sich aufgrund der sehr kleinen elektrischen Strömen im Bereich von fA bis pA sehr anspruchsvoll. Eine Tiefpassfilterung des Signals ist unerlässlich, was zu einer Verringerung der effektiven Bandbreite des Aufnahmesystems führt und daher die analytische Modellierung der Daten einschränkt. Wir haben den 2D-Fit-Algorithmus weiterentwickelt, um experimentelle Daten durch Simulationen von Zeitreihen anzunähern und die Modellparameter iterativ abzuleiten. Der 2D-Fit-Algorithmus wurde in diesem Projekt auf High Performance Computing (HPC)-Cluster für massive parallele Berechnungen etabliert. Durch die Robustheit von Ensemble-Lösungen konnten wir zeigen, wie leistungsfähig der Fit für anspruchsvolle Aufgaben, z.B. verrauschte Zeitreihen, schnelle Schaltereignisse jenseits der Eckfrequenz des Tiefpassfilters oder der Bestimmung der Modell-Topologie ist. Aktuell sind wir dabei, den 2D-Fit auf reale experimentelle Zeitreihen von spannungsgesteuerten Ionenkanälen anzuwenden. Wir haben den Algorithmus bereits erfolgreich auf Patch-Clamp-Zeitreihen des MaxiK-Kaliumkanals getestet und Markov-Modelle bestimmt, deren simulierte Zeitreihen von denen aufgezeichneter Zeitreihen kaum zu unterscheiden sind. Zusätzlich haben wir eine Deep Learning (DL) Pipeline für die Modellierung von Ionenkanälen entwickelt. Der DL-2D-Ansatz basiert auf denselben Prinzipien wie der 2D-Fit. Die Simulationen werden jedoch vor der Modellierung von experimentellen Zeitreihen durchgeführt, um einen synthetischen Trainingsdatensatz zu erhalten. Nachdem die Netze trainiert sind, hat dieser Ansatz grundlegende Vorteile. Der einmalige Rechenaufwand ist im Vergleich zum 2D-Fit drastisch reduziert. Es gibt bereits deutliche Hinweise darauf, dass die Leistung in Bezug auf verrauschte Zeitreihen durch trainierbare Filter verbessert werden kann. Schließlich kann dieser Ansatz in Zukunft eine Modellierung in Echtzeit während einer Patch-Clamp-Aufnahme ermöglichen.
Projektbezogene Publikationen (Auswahl)
-
Aβ1-16 controls synaptic vesicle pools at excitatory synapses via cholinergic modulation of synapsin phosphorylation. Cellular and Molecular Life Sciences, 78(11), 4973-4992.
Anni, Daniela; Weiss, Eva-Maria; Guhathakurta, Debarpan; Akdas, Yagiz Enes; Klueva, Julia; Zeitler, Stefanie; Andres-Alonso, Maria; Huth, Tobias & Fejtova, Anna
-
2D-dwell-time analysis with simulations of ion-channel gating using high-performance computing. Biophysical Journal, 122(7), 1287-1300.
Oikonomou, Efthymios; Gruber, Thomas; Chandra, Achanta Ravi; Höller, Sarina; Alzheimer, Christian; Wellein, Gerhard & Huth, Tobias
