神经科学与认知科学
突破级
暂无讲解视频
收录解读
这篇 Science 论文研究大脑已经学会一套规则之后，如何在环境变化时重新学习和切换规则。作者聚焦小鼠 anterolateral motor cortex 中 layer 5b pyramidal neurons 的 apical tuft dendrites，追问这些树突是否是灵活学习的关键计算位置。
核心发现是，决策相关输入汇聚到这些 tuft dendrites；在 rule-switching 任务中，激活 layer 1 dendrite-inhibiting interneurons 会损害 relearning，但不影响已经学会的旧行为。这把 flexible learning 与树突局部计算、上下文整合和行为规则切换直接连接起来。
机制上，树突抑制显著压低 dendritic shafts 的全局 calcium activity，同时减少 burst firing；更重要的是，兴奋性突触输入在 tuft dendrites 上呈现 rule-dependent clustering。这说明学习新规则不是简单改写全局表征，而可能依赖树突分支上的局部输入组合和上下文门控。
它值得正式收录，因为这篇为 NeuroAI 中的 continual learning、context gating、rule switching 和 dendritic computation 提供了清晰生物机制：复杂行为适应可以由局部树突隔间承载，而不是只依赖单神经元点模型或全局网络权重更新。