顶端树突与基底树突协同整合上下文信息解决感知歧义的神经机制研究

本研究针对感知系统中上下文信息整合的神经机制难题，提出基于锥体神经元双区室（顶端树突apical dendrites与基底树突basal dendrites）的深度神经网络模型。通过构建混合数字/字母的歧义图像数据集（aMNIST/aEMNIST），研究人员开发了"顶端先验"（apical prior）架构，证明顶端树突通过稀疏增益调制（sparse gain modulation）选择性放大与上下文相关的神经元活动，显著提升歧义图像分类准确率（98.5% vs 46.3%）。该成果发表于《Cerebral Cortex》，为理解大脑皮层层级反馈机制提供了计算框架。

　　

在复杂多变的自然环境中，大脑如何利用上下文线索消除感知歧义一直是神经科学的核心问题。尽管已知皮层锥体神经元通过顶端树突接收自上而下（top-down）的反馈信号，但其计算机制仍不明确。蒙特利尔大学中心医院研究中心（CHU Ste-Justine）与麦吉尔大学团队在《Cerebral Cortex》发表的研究，首次通过生物启发的深度学习模型揭示了双区室整合的算法优势。

研究团队创新性地设计了包含歧义字符的数据集生成方法：利用条件变分自编码器（CVAE）在MNIST/EMNIST潜在空间插值，筛选出分类器置信度在50%±5%的混合图像。通过构建具有独立顶端/基底区室的神经网络，模拟锥体神经元对感觉输入（基底区室）和上下文信息（顶端区室）的差异化整合。关键实验采用层间相关性传播（LRP）分析神经元亚群功能，发现仅15%的"上下文相关神经元"接收最强顶端信号，这种稀疏调制使模型在歧义场景（ambig.Match）的准确率提升至98.5%，而无关上下文（ambig.Irrel）则被有效抑制（46.0%）。

主要技术方法

1. 条件变分自编码器生成歧义图像数据集；2) 双区室神经网络架构实现基底感觉通路与顶端上下文通路的Hadamard乘积整合；3) 门控循环单元（GRU）提取时序上下文特征；4) 层间相关性传播（LRP）量化神经元功能特异性；5) 多场景损失函数（匹配/无关/矛盾上下文）联合优化。

研究结果

功能性顶端树突上下文整合模型
通过t-SNE可视化显示，未调制时歧义图像在潜在空间重叠严重（轮廓系数0.12），而顶端调制后类别分离度显著提升（P<0.0001）。比较不同整合规则发现，Hadamard乘积在低上下文置信度（≤0.6）时，比加法规则更能抵抗矛盾上下文干扰（P=0.0089）。

单神经元水平的自上而下调制机制
LRP分析揭示：在ambig.Match场景中，目标类别相关神经元顶端信号幅度比其他神经元高3.2倍（P<0.0001）。选择性掩蔽实验证实，仅需抑制5%的上下文相关神经元即可使准确率下降40%，证明稀疏调制的必要性。

从时序信息推导上下文
当用GRU替代人工上下文（预测数字算术和）时，模型仍能有效解歧（96.3%准确率），且t-SNE显示潜在空间分离度与人工上下文相当。

讨论与意义
该研究首次在计算层面证实：1) 顶端树突的增益调制符合"偏向竞争"（biased competition）原则，仅在输入歧义且上下文相关时激活；2) 双区室架构相比单区室在矛盾上下文场景（unambig.Contra）表现更优（+1.9%），凸显生物学结构的算法优势；3) 稀疏激活模式（约15%神经元）与大脑代谢效率原则一致。

研究提出的"顶端先验"框架为理解皮层层级处理提供了新视角：高阶区域通过顶端投射动态重塑低阶表征，而非直接驱动。这种机制可扩展到多模态整合（如视听交叉验证）和临床研究（如精神分裂症的上下文整合障碍）。未来结合生物物理细节（如NMDA尖峰）将进一步完善该模型。代码已开源（https://github.com/ABL-Lab/expectation-clamp）。