皮質樹状突におけるベクトル化された指導信号

脳は自分のニューロンからどう学ぶか

現代の人工知能は、何百万もの微細な結合を慎重に調整することで、ネットワーク内の各ニューロンに個別の教師信号を与えて学習します。生物学的な脳が学習中に個々のニューロンにどう変化すべきかを伝える同様の仕組みを持つかどうかは、神経科学者の長年の疑問でした。本研究は答えが「ある」と示しています：マウスは脳細胞の細い枝（樹状突起）にある特別な信号を学習の指針として使っているようで、これは機械学習の核心概念に対応する生物学的な仕組みを示唆します。

思考を動く映像に変える

学習過程を可視化するため、研究者たちはマウス用の脳—コンピュータ・インターフェースを作りました。マウスが小さなトレッドミルを走る間、顕微鏡でナビゲーションや記憶に関わる脳の領域を観察しました。研究者はその領域から2つの小さなニューロングループを選び、それらの活動を画面上の流れる縞模様に結びつけました。あるグループの活動がもう一方より高まると、模様は特定の「目標」方向へ回転し、マウスには甘い報酬が与えられました。このようにして実験者は、各ニューロンの活動を成功か失敗かに結びつける明確な規則を定義しました。

二つの集団、反対の役割

二つのニューロングループは同じ皮質の領域に混在していましたが、刺激に対して反対の効果を持っていました：一方は模様を報酬角度へ押し、もう一方はそれを遠ざけました。約2週間の訓練で、マウスは1分あたりの報酬を増やし、試行成功率も高めました。同時に「助ける」ニューロンは強く発火し続ける傾向があり、「助けない」ニューロンは徐々に発火が減少しました。この変化は単なる覚醒度や走行速度の全体変化を反映するものではなく、各ニューロンの活動が課題遂行にどう寄与するかに一致しており、脳が微細なクレジット割り当て問題を解いていることを示唆しています。

ニューロンの見えない末端に耳を澄ます

重要な点は、研究チームがこれらのニューロンの細胞体だけでなく、樹のように枝分かれした長い突起である頂端樹状突起（アピカル樹状突起）も調べたことです。これらの枝は脳表面に近く、細胞体とは異なる入力を受け取ります。深部と表層の観察面を素早く切り替えることで、研究者たちは同一ニューロンの両部位からの活動を記録しました。ニューロンが発火したとき、樹状突起の信号強度は細胞体からの信号に比べて期待より大きくなることも小さくなることもあり、これらの不一致は近傍ニューロンの活動パターンから部分的に予測できました。つまり、樹状突起は単に細胞体を受け流しているのではなく、周囲のネットワークから別個の情報を受け取っていたのです。

樹状突起は報酬と誤差信号を運ぶ

次の問いは、それらの樹状突起信号が何を意味しているかでした。報酬の提供や試行結果との時間関係を解析することで、著者らは多くのニューロンにわたる樹状突起増幅のパターンが、報酬を受けた試行と受けなかった試行、成功と失敗を、結果が生じる前にも判別できることを示しました。言い換えれば、樹状突起信号は報酬と進行中の課題誤差の両方に関する情報を含んでおり、理論上は教師信号として機能し得ます。注目すべきは、これらの信号の符号がニューロンの因果的役割に依存していたことです：誤差を減らすのに寄与するニューロンの樹状突起は誤差が減少したときに強化され、模様を間違った方向へ押すニューロンの樹状突起は誤差が増加したときに強化されました。この「ベクトル化」されたパターンは、人工ネットワークが異なるユニットに異なる誤差信号を送る仕組みを反映しています。

指導チャネルを遮断する

これらの樹状突起パターンが学習に重要かどうかを確かめるため、研究者たちは光感受性タンパク質を用いて皮質の最外層に位置しアピカル樹状突起を標的とする特定の抑制性細胞クラスを活性化しました。これらの抑制細胞をオンにすると、樹状突起と細胞体の活動の不一致が大幅に弱まりました。この条件下では、樹状突起集団はもはや確実に報酬や試行結果を示さなくなり、マウスは脳—コンピュータ課題で改善できなくなりました（基本的な設定自体は変えていないにもかかわらず）。同様の効果は、トップダウン入力が抑制されることが知られている麻酔下でも観察され、これらの樹状突起信号が特殊なフィードバック経路に依存しているという考えをさらに支持しました。

学習理解にとっての意義

総合すると、これらの発見は脳が単一ニューロン内の別個の電気的区画を使って指導信号を振り分けていることを示唆しています。これは人工ネットワークが誤差信号を特定のユニットへ導くのと似ています。皮質ニューロンのアピカル樹状突起は、報酬や誤差変化についてニューロン個別の情報を運んでいるように見え、この経路を妨げると学習が阻害されます。専門外の読者にとっての要点は、脳の学習はどのニューロンが活動するかだけで決まるのではなく、それらの「見えない枝」がネットワークからのフィードバックをどう統合するかに依存している可能性があり—これは現代の機械学習の核心的考え方の生物学的設計図を提供する、ということです。

引用: 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

キーワード: 樹状突起の計算, クレジット割り当て, 脳—コンピュータ・インターフェース, 皮質学習, ニューロフィードバック