Vektorisierte lehrende Signale in kortikalen Dendriten

Wie das Gehirn von seinen eigenen Neuronen lernt

Moderne künstliche Intelligenz lernt, indem Millionen winziger Verbindungen so angepasst werden, dass jede Einheit im Netzwerk ein eigenes Lehrsignal erhält. Neurowissenschaftlerinnen und Neurowissenschaftler haben sich lange gefragt, ob das biologische Gehirn eine vergleichbare Methode besitzt, einzelnen Neuronen beim Lernen zu sagen, wie sie sich verändern sollen. Diese Studie zeigt: Ja — Mäuse scheinen spezielle Signale in den dünnen Verästelungen ihrer Nervenzellen zu nutzen, um das Lernen zu steuern. Das bietet ein biologisches Pendant zu Kernideen des maschinellen Lernens.

Gedanke in ein bewegtes Bild verwandeln

Um den Lernprozess sichtbar zu machen, bauten die Forschenden eine Hirn‑Computer‑Schnittstelle für Mäuse. Während eine Maus auf einem kleinen Laufband rannte, blickte ein Mikroskop in einen Hirnbereich, der an Navigation und Gedächtnis beteiligt ist. Die Wissenschaftler wählten zwei winzige Neuronengruppen in dieser Region aus und verknüpften ihre Aktivität mit einem langsam rotierenden gestreiften Muster auf einem Bildschirm. Wenn eine Gruppe aktiver wurde als die andere, drehte sich das Muster in Richtung einer bestimmten „Ziel“-Orientierung, und die Maus erhielt eine süße Belohnung. Auf diese Weise definierten die Experimentatoren eine präzise Regel, die die Aktivität einzelner Neuronen an Erfolg oder Misserfolg knüpfte.

Zwei Populationen, entgegengesetzte Aufgaben

Die beiden Neuronen­gruppen lagen vermischt im selben Kortexpatch, hatten aber entgegengesetzte Effekte auf den Stimulus: die eine schob das Muster zur belohnenden Richtung, die andere weg davon. Über etwa zwei Wochen Training lernten die Mäuse, mehr Belohnungen pro Minute zu erhalten und in einem höheren Anteil der Durchgänge erfolgreich zu sein. Gleichzeitig feuerten die „hilfreichen“ Neuronen tendenziell weiterhin stark, während die „unhilfreichen“ nach und nach weniger aktiv wurden. Diese Verschiebung spiegelte nicht einfach eine globale Veränderung von Erregung oder Laufgeschwindigkeit wider; stattdessen entsprach sie genau, wie die Aktivität jedes Neurons die Leistung in der Aufgabe beeinflusste — ein Hinweis darauf, dass das Gehirn ein fein abgestuftes Credit‑Assignment‑Problem löste.

Den verborgenen Enden der Neuronen zuhören

Entscheidend war, dass das Team nicht nur die Zellkörper dieser Neuronen untersuchte, sondern auch ihre langen, baumartigen Verzweigungen, die apikalen Dendriten. Diese Äste liegen näher an der Gehirnoberfläche und erhalten andere Eingänge als der Zellkörper. Durch schnelles Umschalten der Fokusebene zwischen tiefen und oberflächlichen Bildgebungs‑Schichten zeichneten die Forschenden die Aktivität an beiden Stellen derselben Zelle auf. Sie fanden, dass, wenn ein Neuron feuert, die Stärke des Signals in seinen Dendriten größer oder kleiner sein konnte als vom Soma zu erwarten, und dass diese Abweichungen teilweise aus dem Aktivitätsmuster benachbarter Neuronen vorhersagbar waren. Das bedeutet, die Dendriten gaben das Soma nicht nur passiv wieder; sie empfingen eigenständige Informationen aus dem umgebenden Netzwerk.

Dendriten tragen Belohnungs‑ und Fehlersignale

Die nächste Frage war, was diese dendritischen Signale bedeuten. Durch die Analyse des zeitlichen Ablaufs von Ereignissen in Relation zur Belohnungs­ausgabe und zum Ausgang des Durchgangs zeigten die Autorinnen und Autoren, dass Muster dendritischer Verstärkung über viele Neuronen hinweg dazu verwendet werden konnten, belohnte von unbelohnten Durchgängen und erfolgreiche von erfolglosen Versuchen zu unterscheiden — teils sogar noch bevor das Ergebnis eingetreten war. Mit anderen Worten: Die dendritischen Signale trugen Informationen sowohl über Belohnung als auch über laufende Aufgabenfehler, die prinzipiell als Lehrsignale dienen könnten. Bemerkenswert war, dass das Vorzeichen dieser Signale von der kausalen Rolle des Neurons abhing: Dendriten von Neuronen, die halfen, den Fehler zu verringern, wurden verstärkt, wenn der Fehler abnahm, während Dendriten von Neuronen, die das Muster in die falsche Richtung schoben, verstärkt wurden, wenn der Fehler zunahm. Dieses „vektorisierte“ Muster spiegelt wider, wie künstliche Netzwerke unterschiedliche Fehlermeldungen an verschiedene Einheiten senden.

Den Lehrkanal abschalten

Um zu prüfen, ob diese dendritischen Muster für das Lernen relevant sind, nutzten die Forschenden lichtempfindliche Proteine, um eine spezifische Klasse inhibitorischer Zellen zu aktivieren, die in der äußersten Schicht der Großhirnrinde liegen und apikale Dendriten angreifen. Das Einschalten dieser inhibitorischen Zellen schwächte die dendritischen Abweichungen gegenüber der somatischen Aktivität stark ab. Unter diesen Bedingungen signalisierten die Dendritenpopulationen nicht mehr zuverlässig Belohnung oder Durchgangsergebnis, und die Mäuse verbesserten sich in der Hirn‑Computer‑Aufgabe nicht, obwohl das grundlegende Setup unverändert blieb. Ähnliche Effekte traten unter Narkose auf, wenn Top‑down‑Eingänge bekanntermaßen gedämpft sind, was die Idee stützt, dass diese dendritischen Signale auf spezialisierte Feedback‑Pfade angewiesen sind.

Was das für das Verständnis von Lernen bedeutet

Zusammengefasst deuten die Ergebnisse darauf hin, dass das Gehirn innerhalb einzelner Neuronen getrennte elektrische Kompartimente nutzt, um Lehrsignale zu leiten — ähnlich wie künstliche Netzwerke Fehlersignale an bestimmte Einheiten richten. Die apikalen Dendriten kortikaler Neurone scheinen neuronspezifische Informationen über Belohnungs‑ und Fehleränderungen zu tragen, und das Stören dieses Kanals blockiert das Lernen. Für Nicht‑Spezialisten lautet die Kernbotschaft: Lernen im Gehirn hängt möglicherweise nicht nur davon ab, welche Neuronen aktiv sind, sondern auch davon, wie ihre verborgenen Verzweigungen Rückmeldungen aus dem übrigen Netzwerk integrieren — und liefert damit eine biologische Blaupause für einige Kernideen des modernen maschinellen Lernens.

Zitation: Francioni, V., Tang, V.D., Toloza, E.H.S. et al. Vectorized instructive signals in cortical dendrites. Nature 652, 1254–1263 (2026). https://doi.org/10.1038/s41586-026-10190-7

Schlüsselwörter: dendritale Berechnung, Credit Assignment, Hirn‑Computer‑Schnittstelle, kortikales Lernen, Neurofeedback