神经元的树突在大脑的信息处理过程中起到了非常重要的作用，近期，来自瑞士洛桑联邦理工学院（EPFL）的蓝脑项目（Blue Brain Project）学者开发了一个算法框架，可以将单个神经元抽象成一个包含多个子单元的结构，这些子单元相互独立地并行处理着突触输入的信号，而且子单元的划分会随着神经元输入的变化和分流抑制（shunting inhibition）的变化而动态变化。神经元就像一个 “智能并行处理器”，动态调整自己的状态以对信号进行处理。

图1. 一个正在处理信号的神经元

突触的强度决定了神经元感受来自其他神经元的电信号的强度，并且学习过程会改变突触强度。这篇文章[1]的研究人员开发了一个算法，通过分析突触之间的“连接矩阵”，就可以将神经元在功能上分解成几个单独的计算子单元，并发现它们可以动态地一起工作以处理信息，且不同的“工作负荷（突触输入大小及模式）”下，神经元的子单元划分不同，工作方式也就不一样。

研究人员将他们的结果比作今天已经实现的计算机的功能。这种新观察到的树突功能就像并行计算单元一样，能够并行处理输入信号的不同部分。每个并行计算单元可以独立地学习以调整自己的输出，非常类似于深度学习网络中的节点。

蓝脑项目模拟神经科学部门的负责人Marc-Oliver Gewaltig说，在模拟大脑的过程中，这种算法能够帮助我们将单个神经元上接收到的信号按照功能进行聚类划分，进而确定神经网络的复杂程度。

此外，该研究还揭示了这些并行处理单元如何影响神经元的学习（也就是改变与其他神经元之间的突触连接强度）。神经元学习的方式取决于并行处理子单元的数量和位置，而并行处理器的数量和位置又取决于来自其他神经元的信号输入。

举个例子，比如当神经元的输入水平较低时，某些突触不能相互独立地进行学习，而在输入水平较高时却可以独立学习。

图2. 文章梗概。（上）将树突抽象为几个子单元；（下左）独立子单元的数量远小于分支数量；（下右）分流会导致子单元结构变化。

“该方法发现，在许多大脑状态中，神经元的并行处理器数远少于树突分支的数量。因此，许多突触似乎处于‘灰色地带’，它们不属于任何处理单元”，文章的第一作者Willem Wybo说道，“在大脑中，神经元会接收不同水平的背景输入，我们的结果显示并行处理器的数量随着输入信号水平的变化而变化，表明同一神经元在不同的大脑状态下可能具有不同的计算角色。”

总之，这篇文章开发了一套能够将树突划分为几个功能子单元的算法，并发现该子单元的划分受到突触输入和分流抑制的影响，从一个新的视角描述了树突处理输入信号的方式。

PS：目前的深度学习领域中都将神经元设置为静态的单元，如果将神经元的动态特性加入到深度学习网络中，是不是就可以召唤神龙了？

参考资料：

[1] Wybo W A M, Torben-Nielsen B, Nevian T, et al. Electrical Compartmentalization in Neurons[J]. Cell reports, 2019, 26(7): 1759-1773. e7.

[2]

作者信息

编译：伞姆塔（brainnews创作团队）

校审：Simon（brainnews编辑部）