Den vollständigen Index der Dokumentation findest du in llms.txt. Die Markdown-Version einer Dokumentationsseite erhältst du, indem du .md an die URL der Seite anhängst.
Hauptnavigation
Design
Codex

Anwendungsfall für Codex

Wirkstofftargets priorisieren

Bewerte Wirkstofftargets anhand verschiedener Evidenzquellen und erstelle eine Rangliste.

Schwierigkeitsgrad Advanced
Zeithorizont Long-running

Nutze ChatGPT mit dem Plugin „Life Science Research“, um die Bezeichnungen biologischer Entitäten zu vereinheitlichen und parallel Befunde aus Genetik, Kohortenstudien, klinischer Forschung, Fachliteratur und Genexpressionsanalysen abzurufen. Bewerte die Targets für jeden Bereich und erstelle eine Gesamtrangliste mit Grafiken, die du weiterverwenden kannst.

Besonders geeignet für

  • Fragestellungen, bei denen die Priorisierung von Wirkstofftargets mehrere Arten von Evidenz erfordert. Dazu zählen etwa genetische Befunde, die Bestätigung von Ergebnissen in weiteren Kohorten, der Krankheitskontext, klinische Erfahrungen, Fachliteratur und Genexpressionsdaten.
  • Teams, die ChatGPT mehrere Evidenzquellen untersuchen und die Ergebnisse gegeneinander abwägen lassen möchten, um zu einem Gesamturteil zu kommen.
  • Forschende, die gespeicherte Rohdaten, ein klar definiertes Bewertungsschema und Grafiken für die nächste Begutachtung oder Entscheidungsvorlage benötigen.

Inhalt

    ← Alle Anwendungsfälle

    Wirkstofftargets priorisieren

    Bewerte Wirkstofftargets anhand verschiedener Evidenzquellen und erstelle eine Rangliste.

    Nutze ChatGPT mit dem Plugin „Life Science Research“, um die Bezeichnungen biologischer Entitäten zu vereinheitlichen und parallel Befunde aus Genetik, Kohortenstudien, klinischer Forschung, Fachliteratur und Genexpressionsanalysen abzurufen. Bewerte die Targets für jeden Bereich und erstelle eine Gesamtrangliste mit Grafiken, die du weiterverwenden kannst.

    Advanced
    Long-running

    Nutze ChatGPT mit dem Plugin „Life Science Research“, um die Bezeichnungen biologischer Entitäten zu vereinheitlichen und parallel Befunde aus Genetik, Kohortenstudien, klinischer Forschung, Fachliteratur und Genexpressionsanalysen abzurufen. Bewerte die Targets für jeden Bereich und erstelle eine Gesamtrangliste mit Grafiken, die du weiterverwenden kannst.

    Advanced
    Long-running

    Besonders geeignet für

    • Fragestellungen, bei denen die Priorisierung von Wirkstofftargets mehrere Arten von Evidenz erfordert. Dazu zählen etwa genetische Befunde, die Bestätigung von Ergebnissen in weiteren Kohorten, der Krankheitskontext, klinische Erfahrungen, Fachliteratur und Genexpressionsdaten.
    • Teams, die ChatGPT mehrere Evidenzquellen untersuchen und die Ergebnisse gegeneinander abwägen lassen möchten, um zu einem Gesamturteil zu kommen.
    • Forschende, die gespeicherte Rohdaten, ein klar definiertes Bewertungsschema und Grafiken für die nächste Begutachtung oder Entscheidungsvorlage benötigen.

    Skills und Plug-ins

    • Durchsuche wissenschaftliche Datenbanken und Fachliteratur nach Befunden zu biologischen Signalwegen, zur Übertragbarkeit von Forschungsergebnissen auf die Klinik, zur pharmakologischen Beeinflussbarkeit der Targets und zu konkurrierenden Ansätzen.
    Skill Nutzen
    Life Science Research Durchsuche wissenschaftliche Datenbanken und Fachliteratur nach Befunden zu biologischen Signalwegen, zur Übertragbarkeit von Forschungsergebnissen auf die Klinik, zur pharmakologischen Beeinflussbarkeit der Targets und zu konkurrierenden Ansätzen.

    Prompt für den Einstieg

    Vergleiche TSLP, IL33 und IL1RL1 mit dem Plugin „Life Science Research“, um die drei Wirkstofftargets für Asthma zu priorisieren. Lass Subagenten die folgenden Bereiche unabhängig voneinander und parallel untersuchen: - Humangenetik und GWAS: gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill - Replikation in weiteren Kohorten und PheWAS: finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill - Befunde zum Zusammenhang zwischen Target und Erkrankung sowie zum Krankheitskontext: opentargets-skill, efo-ontology-skill - Klinische und regulatorische Präzedenzfälle: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill - Einordnung anhand von Fachliteratur und öffentlichen Datensätzen: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill - Genexpression und Einordnung nach Gewebe und Zelltyp: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill Für jeden Bereich: - Bewerte TSLP, IL33 und IL1RL1 auf einer Skala von 1 bis 5. - Unterscheide direkte Befunde zu Asthma von Befunden zu verwandten allergischen oder atopischen Phänotypen. - Speichere die Rohdaten, wenn sie für die Auswertung hilfreich sind. Fasse die Ergebnisse anschließend zusammen: - Erstelle eine Tabelle mit den Bewertungen für jedes Target in jedem Bereich. - Erstelle eine Gesamtrangliste für TSLP, IL33 und IL1RL1. - Schätze ein, wie belastbar die Priorisierung ist, und nenne die wichtigsten Einschränkungen. - Erstelle zwei Grafiken: eine Heatmap zur Priorisierung und eine GWAS-Übersicht, die für jedes Target die am stärksten mit Asthma assoziierten Varianten zeigt.
    AstraHigh
    Vergleiche TSLP, IL33 und IL1RL1 mit dem Plugin „Life Science Research“, um die drei Wirkstofftargets für Asthma zu priorisieren. Lass Subagenten die folgenden Bereiche unabhängig voneinander und parallel untersuchen: - Humangenetik und GWAS: gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill - Replikation in weiteren Kohorten und PheWAS: finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill - Befunde zum Zusammenhang zwischen Target und Erkrankung sowie zum Krankheitskontext: opentargets-skill, efo-ontology-skill - Klinische und regulatorische Präzedenzfälle: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill - Einordnung anhand von Fachliteratur und öffentlichen Datensätzen: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill - Genexpression und Einordnung nach Gewebe und Zelltyp: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill Für jeden Bereich: - Bewerte TSLP, IL33 und IL1RL1 auf einer Skala von 1 bis 5. - Unterscheide direkte Befunde zu Asthma von Befunden zu verwandten allergischen oder atopischen Phänotypen. - Speichere die Rohdaten, wenn sie für die Auswertung hilfreich sind. Fasse die Ergebnisse anschließend zusammen: - Erstelle eine Tabelle mit den Bewertungen für jedes Target in jedem Bereich. - Erstelle eine Gesamtrangliste für TSLP, IL33 und IL1RL1. - Schätze ein, wie belastbar die Priorisierung ist, und nenne die wichtigsten Einschränkungen. - Erstelle zwei Grafiken: eine Heatmap zur Priorisierung und eine GWAS-Übersicht, die für jedes Target die am stärksten mit Asthma assoziierten Varianten zeigt.
    AstraHigh

    Skills nutzen

    Das Plugin Life Science Research enthält Skills für jeden Evidenzbereich:

    • Humangenetik und GWAS: gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
    • Replikation in weiteren Kohorten und PheWAS: finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
    • Evidenz für den Zusammenhang zwischen Target und Erkrankung sowie Informationen zum Krankheitsbild: opentargets-skill, efo-ontology-skill
    • Klinische und regulatorische Präzedenzfälle: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
    • Hintergrundinformationen aus der Fachliteratur und aus öffentlichen Datensätzen: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
    • Genexpression und Einordnung nach Gewebe und Zelltyp: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill

    Nenne die Skills, die du nutzen möchtest, ausdrücklich oder überlasse ChatGPT die Entscheidung, wann es sie einsetzt.

    Schritt-für-Schritt-Anleitung

    1. Formuliere eine konkrete Vergleichsfrage. Gib genau an, welche Targets du vergleichen möchtest, um welche Erkrankung es geht und welche Evidenzbereiche ChatGPT untersuchen soll.
    2. Rufe das Plugin Life Science Research auf. Weise ChatGPT an, die Evidenzbereiche parallel von Subagenten untersuchen zu lassen, damit jeder Bereich separat bearbeitet wird.
    3. Bitte ChatGPT, jeden Evidenzbereich auf einer festen Skala von 1 bis 5 zu bewerten. Dabei soll es direkte Evidenz für die Erkrankung getrennt von Befunden zu verwandten Phänotypen betrachten.
    4. Prüfe im selben Chat die gespeicherten Rohdaten, die Tabelle mit den Bewertungen für jeden Evidenzbereich und jedes Target sowie die daraus abgeleitete Gesamtrangfolge.

    Verwandte Anwendungsfälle