Codex use case
Wirkstoffziele priorisieren
Wirkstoffziele anhand mehrerer Evidenzstränge in eine Rangfolge bringen.
Difficulty Fortgeschritten
Time horizon Lang andauernd
Nutze ChatGPT mit dem Plug-in Life Science Research, um Entitäten zu normalisieren, Evidenz aus Genetik, Kohorten, klinischer Forschung, Literatur und Expressionsanalysen parallel abzurufen, jeden Evidenzstrang zu bewerten und eine abschließende Rangfolge mit wiederverwendbaren Visualisierungen zu erstellen.
Am besten geeignet für
- Fragen zur Priorisierung von Wirkstoffzielen, für die mehrere Evidenzkategorien erforderlich sind, etwa Genetik, Replikation in Kohorten, Krankheitskontext, klinische Präzedenzfälle, Literatur und Expression.
- Teams, die ChatGPT mehrere Evidenzstränge wissenschaftlich untersuchen und die Ergebnisse anschließend zu einer Gesamtschlussfolgerung zusammenführen lassen möchten.
- Forschende, die gespeicherte Roh-Payloads, ein klar definiertes Bewertungsschema und Visualisierungen benötigen, die sie beim nächsten Review oder für die nächste Entscheidungsvorlage wiederverwenden können.
Contents
Wirkstoffziele priorisieren
Wirkstoffziele anhand mehrerer Evidenzstränge in eine Rangfolge bringen.
Nutze ChatGPT mit dem Plug-in Life Science Research, um Entitäten zu normalisieren, Evidenz aus Genetik, Kohorten, klinischer Forschung, Literatur und Expressionsanalysen parallel abzurufen, jeden Evidenzstrang zu bewerten und eine abschließende Rangfolge mit wiederverwendbaren Visualisierungen zu erstellen.
Fortgeschritten
Lang andauernd
Nutze ChatGPT mit dem Plug-in Life Science Research, um Entitäten zu normalisieren, Evidenz aus Genetik, Kohorten, klinischer Forschung, Literatur und Expressionsanalysen parallel abzurufen, jeden Evidenzstrang zu bewerten und eine abschließende Rangfolge mit wiederverwendbaren Visualisierungen zu erstellen.
Fortgeschritten
Lang andauernd
Weiterführende Links
Am besten geeignet für
- Fragen zur Priorisierung von Wirkstoffzielen, für die mehrere Evidenzkategorien erforderlich sind, etwa Genetik, Replikation in Kohorten, Krankheitskontext, klinische Präzedenzfälle, Literatur und Expression.
- Teams, die ChatGPT mehrere Evidenzstränge wissenschaftlich untersuchen und die Ergebnisse anschließend zu einer Gesamtschlussfolgerung zusammenführen lassen möchten.
- Forschende, die gespeicherte Roh-Payloads, ein klar definiertes Bewertungsschema und Visualisierungen benötigen, die sie beim nächsten Review oder für die nächste Entscheidungsvorlage wiederverwenden können.
Skills und Plug-ins
- Durchsuche wissenschaftliche Datenbanken und die Fachliteratur, um belastbare Evidenz zu Signalwegen, zur translationalen Relevanz, zur pharmakologischen Adressierbarkeit und zur Wettbewerbslage zusammenzutragen.
| Skill | Why use it |
|---|---|
| Life Science Research | Durchsuche wissenschaftliche Datenbanken und die Fachliteratur, um belastbare Evidenz zu Signalwegen, zur translationalen Relevanz, zur pharmakologischen Adressierbarkeit und zur Wettbewerbslage zusammenzutragen. |
Einstiegs-Prompt
Nutze das Plug-in Life Science Research, um TSLP, IL33 und IL1RL1 für die Priorisierung von Wirkstoffzielen bei Asthma zu vergleichen.
Führe die folgenden unabhängigen Evidenzstränge mithilfe von Subagenten parallel aus:
- Humangenetik und GWAS: gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- Replikation in Kohorten und PheWAS: finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- Evidenz zum Zusammenhang zwischen Wirkstoffziel und Erkrankung sowie Krankheitskontext: opentargets-skill, efo-ontology-skill
- Klinische und regulatorische Präzedenzfälle: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- Literatur und Kontext öffentlicher Datensätze: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- Expression und tissue/cell-type als Kontext: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
Für jeden Evidenzstrang:
- bewerte TSLP, IL33 und IL1RL1 auf einer Skala von 1 bis 5
- trenne direkte Evidenz zu Asthma von Evidenz zu verwandten allergic/atopic Phänotypen
- speichere bei Bedarf die Roh-Payloads
Führe die Ergebnisse anschließend zusammen:
- eine Bewertungstabelle nach Evidenzstrang und Wirkstoffziel
- eine abschließende Rangfolge von TSLP, IL33 und IL1RL1
- eine Einschätzung der Ergebnissicherheit und die wichtigsten Einschränkungen
- zwei Visualisierungen: eine Heatmap zur Priorisierung und eine GWAS-Übersichtsgrafik mit den Asthma-assoziierten Lead-Varianten für jedes Wirkstoffziel
Nutze das Plug-in Life Science Research, um TSLP, IL33 und IL1RL1 für die Priorisierung von Wirkstoffzielen bei Asthma zu vergleichen.
Führe die folgenden unabhängigen Evidenzstränge mithilfe von Subagenten parallel aus:
- Humangenetik und GWAS: gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- Replikation in Kohorten und PheWAS: finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- Evidenz zum Zusammenhang zwischen Wirkstoffziel und Erkrankung sowie Krankheitskontext: opentargets-skill, efo-ontology-skill
- Klinische und regulatorische Präzedenzfälle: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- Literatur und Kontext öffentlicher Datensätze: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- Expression und tissue/cell-type als Kontext: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
Für jeden Evidenzstrang:
- bewerte TSLP, IL33 und IL1RL1 auf einer Skala von 1 bis 5
- trenne direkte Evidenz zu Asthma von Evidenz zu verwandten allergic/atopic Phänotypen
- speichere bei Bedarf die Roh-Payloads
Führe die Ergebnisse anschließend zusammen:
- eine Bewertungstabelle nach Evidenzstrang und Wirkstoffziel
- eine abschließende Rangfolge von TSLP, IL33 und IL1RL1
- eine Einschätzung der Ergebnissicherheit und die wichtigsten Einschränkungen
- zwei Visualisierungen: eine Heatmap zur Priorisierung und eine GWAS-Übersichtsgrafik mit den Asthma-assoziierten Lead-Varianten für jedes Wirkstoffziel
Skills nutzen
Das Plug-in Life Science Research enthält Skills für jeden Evidenzstrang:
- Humangenetik und GWAS:
gwas-catalog-skill,opentargets-skill,gnomad-graphql-skill - Replikation in Kohorten und PheWAS:
finngen-phewas-skill,ukb-topmed-phewas-skill,biobankjapan-phewas-skill,tpmi-phewas-skill - Evidenz zum Zusammenhang zwischen Wirkstoffziel und Erkrankung sowie Krankheitskontext:
opentargets-skill,efo-ontology-skill - Klinische und regulatorische Präzedenzfälle:
clinicaltrials-skill,opentargets-skill,chembl-skill,pharmgkb-skill - Literatur und Kontext öffentlicher Datensätze:
ncbi-entrez-skill,ncbi-pmc-skill,biorxiv-skill,ncbi-datasets-skill,biostudies-arrayexpress-skill - Expression sowie Kontext zu Gewebe und Zelltyp:
human-protein-atlas-skill,gtex-eqtl-skill,cellxgene-skill,bgee-skill
Nutze diese Skills, indem du sie ausdrücklich nennst, oder überlasse ChatGPT die Entscheidung, wann sie eingesetzt werden.
Schritt-für-Schritt-Anleitung
- Beginne mit einer konkreten Vergleichsfrage und nenne genau, welche Wirkstoffziele, welche Krankheit und welche Evidenzstränge ChatGPT untersuchen soll.
- Rufe das Plug-in
Life Science Researchauf und weise ChatGPT an, die Evidenzstränge mithilfe von Subagenten parallel zu bearbeiten, damit die einzelnen Evidenzarten klar voneinander abgegrenzt bleiben. - Bitte ChatGPT, jeden Evidenzstrang anhand einer festen Skala von 1 bis 5 zu bewerten und direkte Evidenz für die Erkrankung von Evidenz zu verwandten Phänotypen getrennt zu halten.
- Prüfe im selben Chat die gespeicherten Roh-Payloads, die Bewertungstabelle nach Evidenzstrang und Wirkstoffziel sowie die daraus abgeleitete Gesamtrangfolge.
Verwandte Anwendungsfälle
scRNA-seq-Daten annotieren
Nutze ChatGPT mit dem NGS Analysis-Plug-in, um aus einem Matrixpaket im 10x-Stil...
Wissenschaft Daten
Eingabedaten für bulk RNA-seq validieren
Nutze ChatGPT mit dem NGS Analysis-Plug-in, um Probenblätter, FASTQs und Referenzdaten zu...
Wissenschaft Daten
Modelle zur Proteinfaltung entdecken
Erforsche und implementiere mit Codex im Zielmodus neuartige Änderungen an der Architektur...
Wissenschaft Entwicklung