树突信号整合

树突信号整合是指神经元树突接收来自成千上万个兴奋性和抑制性突触的输入信号，并通过被动和主动机制在时空维度上对这些信号进行处理、计算，最终决定是否在轴突起始段触发动作电位的全过程。它超越了简单的线性总和，是单个神经元实现复杂非线性计算的物理基础，被誉为神经元的“微处理器”。

整合过程涉及三个相互关联的层面： ADSFAEQWER353423413434

• 空间整合：来自不同树突分支和位置的突触输入如何相互影响。
• 时间整合：在不同时间点到达的输入如何相互作用。
• 非线性转换：树突自身的主动电特性如何改变输入信号的线性叠加。

1. 被动电缆特性与线性整合

在传统的电缆理论框架下，树突被视为被动电缆，其整合主要受以下因素影响： ADSFAEQWER353423413434

• 电紧张性衰减：突触电位在向胞体传播过程中，其幅度会随距离指数衰减。
• 空间总和：空间上接近的EPSP在传播路径上会线性叠加。
• 时间总和：短时间内相继到达的EPSP会线性叠加。
• 分流抑制：抑制性突触（特别是位于胞体或树突主干近端的分路抑制）通过降低输入阻抗，分流和削弱EPSP的幅度。

2. 主动树突特性与非线性整合

现代研究证实，树突富含电压门控离子通道，能主动处理信号，实现非线性整合： ADSFAEQWER353423413434

• 树突锋电位：强簇状突触输入可激活树突上的电压门控钠通道和钙通道，在局部树突产生全或无的树突钙锋电位或纳锋电位。这些锋电位可被看作局部的“决策”事件，并能增强向胞体的信号传播。
• 阈下非线性：阈下通道（如A型钾通道、HCN通道）调节输入阻抗和膜电位，使EPSP的叠加呈现非线性。例如，A型钾通道会抑制小幅度的EPSP，但对强去极化失活，从而允许强输入有效通过。
• 分支点非线性：树突分支点的几何结构及其通道分布可对输入信号产生非线性调制。

3. 抑制性输入的空间特异性

抑制性突触并非等效。其作用取决于相对于兴奋性突触的位置：

• 分路抑制：位于兴奋性突触与胞体之间的抑制，能有效分流EPSP。
• 前馈抑制：抑制位于兴奋性突触上游，主要控制输入。
• 树突特异性抑制：精确靶向特定树突分支的抑制，可实现精细的计算分区。

树突的整合能力赋予了神经元远超简单线性求和器的计算能力： ADSFAEQWER353423413434

1. 逻辑运算：可实现类似“与”、“或”、“非”的逻辑运算。例如，某个树突分支可能仅当两个特定输入（“与”门）同时到达时才会产生树突锋电位。
2. 方向选择性与特征检测：如视网膜双极细胞和视皮层简单细胞的方向选择性，依赖于兴奋性和抑制性输入在树突上的精确时空排列。
3. 增益控制与适应性：通过调节主动通道（如A型钾通道）的活性，动态改变树突对输入的整体响应灵敏度。
4. 学习和记忆的存储单元：突触可塑性（LTP/LTD）的规则和表达高度依赖于树突局部的整合事件（如动作电位反向传播与EPSP的时空配对），使单个树突分支可独立存储信息。
5. 能量效率：在远端树突进行初步处理和过滤，只将重要的综合信号传递至胞体，节省能量。

树突整合特性是动态可调的： ADSFAEQWER353423413434

• 神经调质：乙酰胆碱、去甲肾上腺素等可调节树突离子通道（如抑制A型钾通道），瞬时改变整合模式。
• 内在可塑性：经验或活动可长期改变树突通道的表达和功能。
• 结构可塑性：树突棘的形态变化、树突分支的修剪或生长，直接改变电缆属性和突触连接的效力。

• 双膜片钳记录：同时在胞体和树突记录，直接观察整合过程。
• 双光子谷氨酸解笼锁：在树突任意位置精确地、重复地模拟突触输入。
• 双光子钙成像：可视化树突局部钙信号，间接反映树突锋电位和整合结果。
• 计算建模：建立包含详细几何形态和多种离子通道的房室模型，是理解和预测树突整合的强大工具。

树突整合功能障碍是多种神经系统疾病的早期和核心病理环节：

• 阿尔茨海默病：Aβ寡聚体和Tau蛋白病理早期损害树突棘、破坏离子通道功能（如增强A型钾通道），导致信号整合和突触可塑性严重受损，是认知障碍的直接原因。
• 精神分裂症与自闭症：与树突发育异常、树突棘密度改变及特定通道病相关，可能导致信息处理异常。
• 癫痫：树突兴奋性异常增高（如钠通道功能增强）或抑制性控制减弱，导致整合失衡和爆发性放电。
• 智力障碍与神经发育疾病：许多相关基因编码树突结构或通道蛋白。

• Häusser, M., & Mel, B. (2003). Dendrites: bug or feature? Current Opinion in Neurobiology, 13(3), 372-383.
• Spruston, N. (2008). Pyramidal neurons: dendritic structure and synaptic integration. Nature Reviews Neuroscience, 9(3), 206-221.
• London, M., & Häusser, M. (2005). Dendritic computation. Annual Review of Neuroscience, 28, 503-532.
• Magee, J. C. (2000). Dendritic integration of excitatory synaptic input. Nature Reviews Neuroscience, 1(3), 181-190.
• Stuart, G. J., & Spruston, N. (2015). Dendritic integration: 60 years of progress. Nature Neuroscience, 18(12), 1713-1721.
• Poirazi, P., & Mel, B. W. (2001). Impact of active dendrites on neuronal output: a computational study. Journal of Neurophysiology, 86(2), 734-749.
• Sjöström, P. J., Rancz, E. A., Roth, A., & Häusser, M. (2008). Dendritic excitability and synaptic plasticity. Physiological Reviews, 88(2), 769-840.
• 李葆明. (2006). 树突的主动电特性及其在信息处理中的作用. 生理科学进展, 37(1), 5-10.
• 张遐, & 陈忠. (2010). 树突信号整合与神经可塑性. 中国科学: 生命科学, 40(5), 409-416.