Codex use case
Hiérarchisez les cibles thérapeutiques
Classez les cibles thérapeutiques en croisant plusieurs types de données.
Difficulty Advanced
Time horizon Long-running
Utilisez ChatGPT avec le plugin Life Science Research pour harmoniser les identifiants des entités étudiées. Recueillez en parallèle des données issues de la génétique, de cohortes, d’études cliniques, de la littérature et d’analyses d’expression génique. Attribuez un score à chaque cible pour chaque axe d’analyse, puis établissez un classement final accompagné de figures réutilisables.
Best for
- Les questions qui nécessitent de croiser plusieurs types de données pour hiérarchiser les cibles : génétique, réplication des résultats dans d’autres cohortes, contexte de la maladie, précédents cliniques, littérature ou expression génique.
- Les équipes qui souhaitent confier à ChatGPT plusieurs axes de recherche scientifique, puis lui demander de confronter les résultats pour en tirer une conclusion d’ensemble.
- Les scientifiques qui souhaitent conserver les données brutes, disposer d’un barème de notation explicite et réutiliser les figures lors de la prochaine revue ou dans une note d’aide à la décision.
Contents
Hiérarchisez les cibles thérapeutiques
Classez les cibles thérapeutiques en croisant plusieurs types de données.
Utilisez ChatGPT avec le plugin Life Science Research pour harmoniser les identifiants des entités étudiées. Recueillez en parallèle des données issues de la génétique, de cohortes, d’études cliniques, de la littérature et d’analyses d’expression génique. Attribuez un score à chaque cible pour chaque axe d’analyse, puis établissez un classement final accompagné de figures réutilisables.
Advanced
Long-running
Utilisez ChatGPT avec le plugin Life Science Research pour harmoniser les identifiants des entités étudiées. Recueillez en parallèle des données issues de la génétique, de cohortes, d’études cliniques, de la littérature et d’analyses d’expression génique. Attribuez un score à chaque cible pour chaque axe d’analyse, puis établissez un classement final accompagné de figures réutilisables.
Advanced
Long-running
Related links
Best for
- Les questions qui nécessitent de croiser plusieurs types de données pour hiérarchiser les cibles : génétique, réplication des résultats dans d’autres cohortes, contexte de la maladie, précédents cliniques, littérature ou expression génique.
- Les équipes qui souhaitent confier à ChatGPT plusieurs axes de recherche scientifique, puis lui demander de confronter les résultats pour en tirer une conclusion d’ensemble.
- Les scientifiques qui souhaitent conserver les données brutes, disposer d’un barème de notation explicite et réutiliser les figures lors de la prochaine revue ou dans une note d’aide à la décision.
Skills & Plugins
- Consultez les bases de données scientifiques et la littérature pour étayer l’analyse des voies biologiques, du potentiel de transposition clinique, de la faisabilité du ciblage thérapeutique et des approches concurrentes.
| Skill | Why use it |
|---|---|
| Life Science Research | Consultez les bases de données scientifiques et la littérature pour étayer l’analyse des voies biologiques, du potentiel de transposition clinique, de la faisabilité du ciblage thérapeutique et des approches concurrentes. |
Starter prompt
Utilisez le plugin Life Science Research pour comparer TSLP, IL33 et IL1RL1 et déterminer quelles cibles privilégier pour le traitement de l’asthme.
Confiez ces analyses indépendantes à des sous-agents pour les mener en parallèle :
- Génétique humaine et études d’association pangénomique (GWAS) : gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- Réplication des résultats dans d’autres cohortes et études d’association à l’échelle du phénome (PheWAS) : finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- Contexte de l’asthme et données sur les liens entre chaque cible et la maladie : opentargets-skill, efo-ontology-skill
- Précédents cliniques et réglementaires : clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- Éléments de contexte issus de la littérature et des jeux de données publics : ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- Expression génique selon les tissus et les types cellulaires : human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
Pour chaque axe d’analyse :
- Attribuez à chacune des cibles TSLP, IL33 et IL1RL1 un score de 1 à 5.
- Distinguez les données portant directement sur l’asthme de celles qui concernent des phénotypes allergiques ou atopiques apparentés.
- Enregistrez les données brutes lorsque c’est utile.
Présentez ensuite les résultats sous forme de synthèse :
- Un tableau des scores par axe d’analyse et par cible.
- Le classement final de TSLP, IL33 et IL1RL1.
- Le degré de confiance que vous accordez à ce classement et les principales réserves.
- Deux figures : une carte de chaleur des scores de priorisation et une figure de synthèse des GWAS indiquant, pour chaque cible, les variants les plus fortement associés à l’asthme.
Utilisez le plugin Life Science Research pour comparer TSLP, IL33 et IL1RL1 et déterminer quelles cibles privilégier pour le traitement de l’asthme.
Confiez ces analyses indépendantes à des sous-agents pour les mener en parallèle :
- Génétique humaine et études d’association pangénomique (GWAS) : gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- Réplication des résultats dans d’autres cohortes et études d’association à l’échelle du phénome (PheWAS) : finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- Contexte de l’asthme et données sur les liens entre chaque cible et la maladie : opentargets-skill, efo-ontology-skill
- Précédents cliniques et réglementaires : clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- Éléments de contexte issus de la littérature et des jeux de données publics : ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- Expression génique selon les tissus et les types cellulaires : human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
Pour chaque axe d’analyse :
- Attribuez à chacune des cibles TSLP, IL33 et IL1RL1 un score de 1 à 5.
- Distinguez les données portant directement sur l’asthme de celles qui concernent des phénotypes allergiques ou atopiques apparentés.
- Enregistrez les données brutes lorsque c’est utile.
Présentez ensuite les résultats sous forme de synthèse :
- Un tableau des scores par axe d’analyse et par cible.
- Le classement final de TSLP, IL33 et IL1RL1.
- Le degré de confiance que vous accordez à ce classement et les principales réserves.
- Deux figures : une carte de chaleur des scores de priorisation et une figure de synthèse des GWAS indiquant, pour chaque cible, les variants les plus fortement associés à l’asthme.
Utilisez les skills
Le plugin Life Science Research propose des skills pour chaque axe d’analyse :
- Génétique humaine et études d’association pangénomique (GWAS) :
gwas-catalog-skill,opentargets-skill,gnomad-graphql-skill - Réplication des résultats dans d’autres cohortes et études PheWAS :
finngen-phewas-skill,ukb-topmed-phewas-skill,biobankjapan-phewas-skill,tpmi-phewas-skill - Données sur le lien entre la cible et la maladie et sur le contexte de la maladie :
opentargets-skill,efo-ontology-skill - Précédents cliniques et réglementaires :
clinicaltrials-skill,opentargets-skill,chembl-skill,pharmgkb-skill - Éléments de contexte tirés de la littérature scientifique et des jeux de données publics :
ncbi-entrez-skill,ncbi-pmc-skill,biorxiv-skill,ncbi-datasets-skill,biostudies-arrayexpress-skill - Expression des gènes selon les tissus et les types cellulaires :
human-protein-atlas-skill,gtex-eqtl-skill,cellxgene-skill,bgee-skill
Mentionnez les skills par leur nom pour les utiliser, ou laissez ChatGPT décider quand y faire appel.
Guide étape par étape
- Formulez une question de comparaison concrète. Précisez les cibles à comparer, la maladie concernée et les axes d’analyse que ChatGPT doit traiter.
- Faites appel au plugin
Life Science Researchet demandez à ChatGPT de confier chaque axe à un sous-agent distinct. Les sous-agents travailleront en parallèle, chacun sur le type de données qui lui est attribué. - Demandez à ChatGPT d’attribuer à chaque axe une note sur une échelle fixe de 1 à 5 et de distinguer les données portant directement sur la maladie de celles qui concernent des phénotypes apparentés.
- Dans la même discussion, examinez les données brutes enregistrées, le tableau des notes par axe et par cible, puis le classement global des cibles.
Related use cases
Annoter des données de scRNA-seq
Utilisez ChatGPT avec le plugin NGS Analysis pour analyser les fichiers d’une matrice de...
Sciences Data
Validez les données d’entrée de bulk RNA-seq
Utilisez ChatGPT avec le plugin NGS Analysis pour valider les fiches d’échantillons, les...
Sciences Data
Explorez des modèles de repliement des protéines
Utilisez le mode Objectif de Codex pour explorer et mettre en œuvre de nouvelles variantes...
Sciences Engineering