Una neurona recibe miles de señales en sus prolongaciones ramificadas: las dendritas. Algunas señales empujan a la célula a disparar (excitación), otras la frenan (inhibición). Durante mucho tiempo se creyó que la neurona simplemente sumaba todos los "a favor" y "en contra". Pero en las dendritas reales la inhibición funciona de otra manera: puede no restar, sino dividir la señal excitatoria. Esto se parece a un control de volumen que atenúa el sonido de forma proporcional, no lo reduce en una cantidad fija.
Este mecanismo se denomina inhibición por derivación (shunting inhibition). Ocurre cuando la entrada inhibitoria abre canales que hacen que la membrana sea "permeable" a la corriente justo en ese lugar. Como resultado, la señal excitatoria no se atenúa por una constante, sino varias veces. Los autores del trabajo construyeron DendriNet, un modelo entrenable que puede alternar entre suma y división en diferentes ramas del árbol dendrítico. Comprobaron si esta división ayuda a una población neuronal a leer mejor la información codificada.
Surgió un detalle importante. La división da ventaja cuando la señal inhibitoria es confiable y está dirigida a la parte de la excitación que varía con el ruido, no con la señal útil. Si las interferencias son fuertes o la inhibición es inestable, la suma simple comienza a funcionar mejor. En experimentos con registros de la corteza visual de ratón, la ventaja de la división sobre la suma fue notable solo con una lectura estrecha de la señal. Con una lectura amplia, desaparecía o incluso se convertía en desventaja. Así que la arquitectura dendrítica no es siempre una ventaja por sí misma, sino una herramienta que es buena en manos hábiles de datos confiables.
tal como lo escribieron los autores, en inglés 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.
Una misma neurona inhibitoria puede influir de manera diferente en sus vecinas según la parte de la dendrita en la que "aterrice": más cerca del soma, una simple resta; más lejos, en la rama, una división.