Codex use case
Prioriza blancos terapéuticos
Clasifica blancos terapéuticos a partir de múltiples líneas de evidencia.
Difficulty Avanzado
Time horizon De larga duración
Usa ChatGPT con el complemento Life Science Research para normalizar entidades, obtener en paralelo evidencia genética, de cohortes, clínica, bibliográfica y de expresión, puntuar cada línea y generar una clasificación final con visualizaciones reutilizables.
Ideal para
- Preguntas sobre priorización de blancos terapéuticos que requieren más de una familia de evidencia, como genética, replicación en cohortes, contexto de la enfermedad, precedentes clínicos, publicaciones científicas y expresión.
- Equipos que quieren que ChatGPT realice investigación científica en múltiples líneas de evidencia y luego concilie los resultados en una sola conclusión.
- Científicos que quieren conservar las cargas útiles sin procesar, usar una rúbrica de puntuación explícita y contar con visualizaciones que puedan reutilizar en la siguiente revisión o en el próximo memorando para la toma de decisiones.
Contents
Prioriza blancos terapéuticos
Clasifica blancos terapéuticos a partir de múltiples líneas de evidencia.
Usa ChatGPT con el complemento Life Science Research para normalizar entidades, obtener en paralelo evidencia genética, de cohortes, clínica, bibliográfica y de expresión, puntuar cada línea y generar una clasificación final con visualizaciones reutilizables.
Avanzado
De larga duración
Usa ChatGPT con el complemento Life Science Research para normalizar entidades, obtener en paralelo evidencia genética, de cohortes, clínica, bibliográfica y de expresión, puntuar cada línea y generar una clasificación final con visualizaciones reutilizables.
Avanzado
De larga duración
Enlaces relacionados
Ideal para
- Preguntas sobre priorización de blancos terapéuticos que requieren más de una familia de evidencia, como genética, replicación en cohortes, contexto de la enfermedad, precedentes clínicos, publicaciones científicas y expresión.
- Equipos que quieren que ChatGPT realice investigación científica en múltiples líneas de evidencia y luego concilie los resultados en una sola conclusión.
- Científicos que quieren conservar las cargas útiles sin procesar, usar una rúbrica de puntuación explícita y contar con visualizaciones que puedan reutilizar en la siguiente revisión o en el próximo memorando para la toma de decisiones.
Habilidades y complementos
- Busca en bases de datos y publicaciones científicas para fundamentar la evidencia sobre las vías biológicas, el potencial traslacional, la tractabilidad y el panorama competitivo.
| Skill | Why use it |
|---|---|
| Life Science Research | Busca en bases de datos y publicaciones científicas para fundamentar la evidencia sobre las vías biológicas, el potencial traslacional, la tractabilidad y el panorama competitivo. |
Prompt inicial
Usa el complemento Life Science Research para comparar TSLP, IL33 e IL1RL1 a fin de priorizar blancos terapéuticos para el asma.
Ejecuta estas líneas independientes en paralelo con subagentes:
- Genética humana y GWAS: gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- Replicación en cohortes y PheWAS: finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- Evidencia sobre la relación entre el blanco terapéutico y la enfermedad, y contexto de la enfermedad: opentargets-skill, efo-ontology-skill
- Precedentes clínicos y regulatorios: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- Contexto de publicaciones y conjuntos de datos públicos: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- Expresión y contexto de tissue/cell-type: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
Para cada línea:
- asigna a TSLP, IL33 e IL1RL1 una puntuación en una escala del 1 al 5
- mantén separada la evidencia directa sobre el asma de los fenotipos allergic/atopic relacionados
- guarda las cargas útiles sin procesar cuando resulte útil
Luego, sintetiza lo siguiente:
- una tabla de puntuaciones por línea y blanco terapéutico
- una clasificación final de TSLP, IL33 e IL1RL1
- una evaluación del grado de confianza y las principales salvedades
- dos visualizaciones: un mapa de calor de priorización y una figura de resumen de GWAS con las principales variantes asociadas con el asma para cada blanco terapéutico
Usa el complemento Life Science Research para comparar TSLP, IL33 e IL1RL1 a fin de priorizar blancos terapéuticos para el asma.
Ejecuta estas líneas independientes en paralelo con subagentes:
- Genética humana y GWAS: gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- Replicación en cohortes y PheWAS: finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- Evidencia sobre la relación entre el blanco terapéutico y la enfermedad, y contexto de la enfermedad: opentargets-skill, efo-ontology-skill
- Precedentes clínicos y regulatorios: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- Contexto de publicaciones y conjuntos de datos públicos: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- Expresión y contexto de tissue/cell-type: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
Para cada línea:
- asigna a TSLP, IL33 e IL1RL1 una puntuación en una escala del 1 al 5
- mantén separada la evidencia directa sobre el asma de los fenotipos allergic/atopic relacionados
- guarda las cargas útiles sin procesar cuando resulte útil
Luego, sintetiza lo siguiente:
- una tabla de puntuaciones por línea y blanco terapéutico
- una clasificación final de TSLP, IL33 e IL1RL1
- una evaluación del grado de confianza y las principales salvedades
- dos visualizaciones: un mapa de calor de priorización y una figura de resumen de GWAS con las principales variantes asociadas con el asma para cada blanco terapéutico
Aprovecha las habilidades
El complemento Life Science Research incluye habilidades para cada línea de evidencia:
- Genética humana y GWAS:
gwas-catalog-skill,opentargets-skill,gnomad-graphql-skill - Replicación en cohortes y PheWAS:
finngen-phewas-skill,ukb-topmed-phewas-skill,biobankjapan-phewas-skill,tpmi-phewas-skill - Evidencia sobre la relación entre el blanco terapéutico y la enfermedad, y contexto de la enfermedad:
opentargets-skill,efo-ontology-skill - Precedentes clínicos y regulatorios:
clinicaltrials-skill,opentargets-skill,chembl-skill,pharmgkb-skill - Contexto de publicaciones y conjuntos de datos públicos:
ncbi-entrez-skill,ncbi-pmc-skill,biorxiv-skill,ncbi-datasets-skill,biostudies-arrayexpress-skill - Expresión y contexto del tejido o tipo celular:
human-protein-atlas-skill,gtex-eqtl-skill,cellxgene-skill,bgee-skill
Usa estas habilidades mencionándolas explícitamente o deja que ChatGPT decida cuándo usarlas.
Guía paso a paso
- Comienza con una pregunta concreta de comparación e indica exactamente qué blancos terapéuticos, qué enfermedad y qué líneas de evidencia quieres que ChatGPT abarque.
- Invoca el complemento
Life Science Researchy pídele a ChatGPT que ejecute las líneas en paralelo con subagentes para mantener bien delimitada cada familia de evidencia. - Pídele a ChatGPT que puntúe cada línea en una escala fija del 1 al 5 y mantenga separada la evidencia directa sobre la enfermedad de los fenotipos relacionados.
- Revisa en el mismo chat las cargas útiles sin procesar guardadas, la tabla de puntuaciones por línea y blanco terapéutico y la clasificación final.
Casos de uso relacionados
Anota datos de scRNA-seq
Usa ChatGPT con el complemento NGS Analysis para convertir un paquete de matrices con...
Ciencias Datos
Valida los datos de entrada de RNA-seq bulk
Usa ChatGPT con el complemento NGS Analysis para validar hojas de muestras, archivos FASTQ y...
Ciencias Datos
Descubrir modelos de plegamiento de proteínas
Usa Codex con el modo Objetivo para investigar e implementar modificaciones novedosas en la...
Ciencias Ingeniería