Large Language Model‐Assisted Genotoxic Metal‐Phenolic Nanoplatform for Osteosarcoma Therapy
Notice bibliographique
Résumé
Abstract Osteosarcoma, a leading primary bone malignancy in children and adolescents, is associated with a poor prognosis and a low global fertility rate. A large language model‐assisted phenolic network (LLMPN) platform is demonstrated that integrates the large language model (LLM) GPT‐4 into the design of multifunctional metal‐phenolic network materials. Fine‐tuned GPT‐4 identified gossypol as a phenolic compound with superior efficacy against osteosarcoma after evaluating across a library of 60 polyphenols based on the correlation between experimental anti‐osteosarcoma activity and multiplexed chemical properties of polyphenols. Subsequently, gossypol is then self‐assembled into Cu 2+ ‐gossypol nanocomplexes with a hyaluronic acid surface modification (CuGOS NPs). CuGOS NPs has demonstrated the ability to induce genetic alterations and cell death in osteosarcoma cells, offering significant therapeutic benefits for primary osteosarcoma tumors and reducing metastasis without adverse effects on major organs or the genital system. This work presents an LLM‐driven approach for engineering metal‐organic nanoplatform and broadening applications by harnessing the capabilities of LLMs, thereby improving the feasibility and efficiency of research activities.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».