يستقبل العصبون آلاف الإشارات على امتداد زوائده المتفرعة — التغصنات (dendrites). بعض الإشارات تدفع الخلية نحو التنبيه (استثارة)، وبعضها يمنعها (تثبيط). لفترة طويلة كان يُعتقد أن العصبون ببساطة يجمع كل المؤيدات والمعارضات. لكن في التغصنات الحقيقية يعمل التثبيط بشكل مختلف: فهو لا يطرح، بل يقسم الإشارة الاستثارية. يشبه ذلك منظم الصوت الذي يخفض الصوت بشكل تناسبي، لا بمقدار ثابت.
تُسمى هذه الآلية بالتثبيط التحويلي (shunting inhibition). تنشأ عندما يفتح المدخل المثبط قنوات تجعل الغشاء «مثقوبًا» للتيار في ذلك الموضع تحديدًا. ونتيجة لذلك، تضعف الإشارة الاستثارية ليس بثابت بل بعدة مرات. بنى مؤلفو العمل DendriNet — نموذجًا قابلًا للتعلم يمكنه التبديل بين الجمع والقسمة على فروع مختلفة من الشجرة التغصنية. واختبروا ما إذا كانت هذه القسمة تساعد مجموعة العصبونات على قراءة المعلومات المشفرة بشكل أفضل.
ظهرت تفصيلة مهمة. تعطي القسمة ميزة عندما تكون الإشارة المثبطة موثوقة ومصوبة على الجزء من الاستثارة الذي يتغير مع الضوضاء، لا مع الإشارة المفيدة. أما إذا كانت الاضطرابات قوية أو التثبيط غير مستقر، فإن المجموع البسيط يبدأ في العمل بشكل أفضل. في التجارب على تسجيلات القشرة البصرية للفأر، كانت ميزة القسمة على الجمع ملحوظة فقط عند قراءة ضيقة للإشارة. أما عند القراءة الواسعة، فكانت تختفي أو حتى تتحول إلى خسارة. لذا فإن بنية التغصنات ليست دائمًا ميزة بحد ذاتها، بل أداة جيدة في الأيدي الماهرة مع بيانات موثوقة.
كما كتبه المؤلفون، بالإنجليزية arXiv:2607.24990
Biological neurons combine excitatory and inhibitory (E/I) activity on branched dendrites through shunting, in which inhibition divisively attenuates excitation. Whether this improves population readout over additive E/I integration of the same nonnegative inputs remains unclear. We introduce DendriNet, a trainable framework that varies integration rule, morphology, synaptic allocation, divisor locality, and dendritic nonlinearities. For population codes with multiplicative gain, a local linearization of any realizable shunting readout yields a decision direction within the positive additive E/I cone; matching the additive optimum requires a positive self-consistent shunting realization. Every scalar shunting threshold also has an exact affine additive realization. Beyond this local limit, performance follows a gain-load-alignment principle: branch-local shunting helps when a reliable divisor suppresses signal-aligned gain more than it attenuates signal or adds denominator variability. Passive additive trees flatten to linear readouts, whereas shunting trees compose local divisors. In a designed hierarchy, deep shunting outperforms tangent and fitted-linear controls, but flexible nonlinear predictors overtake it with enough labels. Support shuffling reverses the linear comparisons, sensor corruption reverses the fitted-linear comparison, and resource-matched activated training shows no consistent depth benefit. The same support and reliability interaction appears in frozen-feature normalization. Across three mouse V1 sessions, the shunting-over-additive decoder gap is largest for narrow readouts, reverses under strong private noise at the widest readout, and varies across running states. Morphology can determine where reliable nuisance estimates meet task-relevant signals, but neither depth nor shunting is intrinsically advantageous.
يمكن للعصبون المثبط نفسه أن يؤثر على جيرانه بطرق مختلفة اعتمادًا على الجزء من التغصنات الذي «يهبط» عليه: أقرب إلى جسم الخلية — طرح بسيط، أبعد على الفرع — قسمة.