跳到主要内容
检索

University of Modena and Reggio Emilia

2 篇关联报道

订阅更新
  1. CALHippo 用 1 微米/像素 BigBrain 切片构建覆盖 CA1–CA4 的三类细胞标注库,并训练 UNet 密度模型推断全 CA 复合体细胞密度

    该工作基于新发布的 1 微米/像素右海马 BigBrain 切片,构建了 CALHippo——一个覆盖全部 Cornu Ammonis(CA1–CA4)亚区、带兴奋性神经元、抑制性中间神经元和胶质细胞三类显式标签的专家校验细胞级标注数据集,并配套一个低分辨率介观细胞点云图;高分辨率细胞实例通过结合基础模型分割、迭代专家修正与模型集成的人机协同流程获得,随后被投影到 20 微米/像素的低分辨率 BigBrain 空间生成类别特异监督图,用于训练基于 UNet 的密度估计模型,从而支持对整个 CA 复合体逐切片推断并采样生成类别分辨的介观细胞点云。

  2. bioRxiv

    LLMsFold:将大语言模型与生物物理模拟结合用于从头药物设计

    该工作提出 LLMsFold 计算框架,用几何方法识别靶蛋白结合口袋,由 Llama-3.3-70B 以 SMILES 字符串生成候选小分子,再用 Boltz-2 共折叠模型预测结合构象与亲和力并通过反馈循环迭代优化,在 ACVR1 与 CD19 两个靶点上得到通过成药性、合成可及性与新颖性筛选的候选分子,其中 ACVR1 候选预测亲和力概率达 0.953、预测 pIC50 约 10.72,CD19 Pocket 1 候选预测 pIC50 约 7.73。

已读完全部报道