Un neurone reçoit des milliers de signaux sur ses prolongements ramifiés — les dendrites. Certains signaux poussent la cellule à s'activer (excitation), d'autres la retiennent (inhibition). Pendant longtemps, on a pensé que le neurone se contentait d'additionner tous les « pour » et les « contre ». Mais dans les dendrites réelles, l'inhibition fonctionne autrement : elle peut non pas soustraire, mais diviser le signal excitateur. Cela ressemble à un bouton de volume qui atténue le son proportionnellement, plutôt que de le baisser d'une quantité fixe.
Ce mécanisme est appelé inhibition de shunt. Il se produit lorsque l'entrée inhibitrice ouvre des canaux qui rendent la membrane « poreuse » au courant à cet endroit précis. En conséquence, le signal excitateur est affaibli non pas d'une constante, mais de plusieurs fois. Les auteurs de l'étude ont construit DendriNet — un modèle entraînable qui peut basculer entre addition et division sur différentes branches de l'arbre dendritique. Ils ont testé si une telle division aide une population de neurones à mieux lire l'information encodée.
Un détail important est apparu. La division donne un avantage lorsque le signal inhibiteur est fiable et ciblé sur la partie de l'excitation qui varie avec le bruit, et non avec le signal utile. Si les perturbations sont fortes ou si l'inhibition est instable, la simple somme commence à mieux fonctionner. Dans les expériences sur des enregistrements du cortex visuel de la souris, l'avantage de la division sur l'addition n'était notable que lors d'une lecture étroite du signal. En lecture large, il disparaissait ou se transformait même en désavantage. Ainsi, l'architecture dendritique n'est pas toujours un avantage en soi, mais un outil qui est bon entre des mains habiles avec des données fiables.
tel que rédigé par les auteurs, en anglais 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.
Un même neurone inhibiteur peut influencer différemment ses voisins selon la partie de la dendrite sur laquelle il « atterrit » : près du corps cellulaire — simple soustraction, plus loin sur la branche — division.