Нейрон получает тысячи сигналов на свои ветвистые отростки — дендриты. Одни сигналы подталкивают клетку к срабатыванию (возбуждение), другие удерживают (торможение). Долгое время считалось, что нейрон просто складывает все «за» и «против». Но в реальных дендритах торможение работает иначе: оно способно не вычитать, а делить возбуждающий сигнал. Это похоже на регулятор громкости, который ослабляет звук пропорционально, а не убавляет его на фиксированную величину.
Такой механизм называют шунтирующим торможением. Он возникает, когда тормозной вход открывает каналы, делающие мембрану «дырявой» для тока именно в этом месте. В результате возбуждающий сигнал ослабляется не на константу, а в несколько раз. Авторы работы построили DendriNet — обучаемую модель, которая может переключаться между сложением и делением на разных ветках дендритного дерева. Они проверили, помогает ли такое деление нейронной популяции лучше считывать закодированную информацию.
Выяснилась важная деталь. Деление даёт выигрыш, когда тормозной сигнал надёжен и нацелен на ту часть возбуждения, которая меняется вместе с шумом, а не с полезным сигналом. Если же помехи сильные или торможение нестабильно, простая сумма начинает работать лучше. В экспериментах на записях зрительной коры мыши преимущество деления над сложением было заметно только при узком считывании сигнала. При широком считывании оно исчезало или даже оборачивалось проигрышем. Так что архитектура дендритов — не всегда преимущество сама по себе, а инструмент, который хорош в умелых руках надёжных данных.
как её написали авторы, на английском 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.
Один и тот же тормозной нейрон может по-разному влиять на соседей в зависимости от того, на какую часть дендрита он «приземлился»: ближе к телу клетки — простое вычитание, дальше на ветке — деление.