Codex use case
Prioriser les cibles thérapeutiques
Classer les cibles thérapeutiques en croisant plusieurs catégories de données.
Difficulty Avancé
Time horizon Longue durée
Utilisez ChatGPT avec le plugin Life Science Research pour normaliser les entités, récupérer en parallèle les données issues de la génétique, des cohortes, des études cliniques, de la littérature et de l’expression, attribuer un score à chaque axe d’analyse et produire un classement final accompagné de visualisations réutilisables.
Idéal pour
- Questions de priorisation des cibles qui nécessitent plusieurs catégories de données, comme la génétique, la réplication dans des cohortes, le contexte pathologique, les précédents cliniques, la littérature et l’expression.
- Équipes qui souhaitent que ChatGPT mène des recherches scientifiques sur plusieurs axes d’analyse, puis rapproche les résultats pour en tirer une conclusion unique.
- Scientifiques qui souhaitent conserver les charges utiles brutes, disposer d’une grille de notation explicite et obtenir des visualisations réutilisables pour leur prochaine revue ou note de décision.
Contents
Prioriser les cibles thérapeutiques
Classer les cibles thérapeutiques en croisant plusieurs catégories de données.
Utilisez ChatGPT avec le plugin Life Science Research pour normaliser les entités, récupérer en parallèle les données issues de la génétique, des cohortes, des études cliniques, de la littérature et de l’expression, attribuer un score à chaque axe d’analyse et produire un classement final accompagné de visualisations réutilisables.
Avancé
Longue durée
Utilisez ChatGPT avec le plugin Life Science Research pour normaliser les entités, récupérer en parallèle les données issues de la génétique, des cohortes, des études cliniques, de la littérature et de l’expression, attribuer un score à chaque axe d’analyse et produire un classement final accompagné de visualisations réutilisables.
Avancé
Longue durée
Liens connexes
Idéal pour
- Questions de priorisation des cibles qui nécessitent plusieurs catégories de données, comme la génétique, la réplication dans des cohortes, le contexte pathologique, les précédents cliniques, la littérature et l’expression.
- Équipes qui souhaitent que ChatGPT mène des recherches scientifiques sur plusieurs axes d’analyse, puis rapproche les résultats pour en tirer une conclusion unique.
- Scientifiques qui souhaitent conserver les charges utiles brutes, disposer d’une grille de notation explicite et obtenir des visualisations réutilisables pour leur prochaine revue ou note de décision.
Skills et plugins
- Recherchez dans les bases de données scientifiques et la littérature pour étayer les données relatives aux voies biologiques, au potentiel translationnel, à la tractabilité et au paysage concurrentiel.
| Skill | Why use it |
|---|---|
| Life Science Research | Recherchez dans les bases de données scientifiques et la littérature pour étayer les données relatives aux voies biologiques, au potentiel translationnel, à la tractabilité et au paysage concurrentiel. |
Prompt de démarrage
Utilisez le plugin Life Science Research pour comparer TSLP, IL33 et IL1RL1 afin de prioriser les cibles thérapeutiques pour l’asthme.
Traitez en parallèle les axes d’analyse indépendants suivants à l’aide de Sous-agents :
- Génétique humaine et GWAS : gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- Réplication dans des cohortes et PheWAS : finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- Données sur l’association cible-maladie et contexte pathologique : opentargets-skill, efo-ontology-skill
- Précédents cliniques et réglementaires : clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- Contexte tiré de la littérature et des jeux de données publics : ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- Expression et contexte tissue/cell-type : human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
Pour chaque axe :
- attribuez à TSLP, IL33 et IL1RL1 un score de 1 à 5
- séparez les données directement liées à l’asthme de celles qui concernent des phénotypes allergic/atopic apparentés
- enregistrez les charges utiles brutes lorsqu’elles sont utiles
Produisez ensuite une synthèse comprenant :
- un tableau des scores par axe d’analyse et par cible
- un classement final de TSLP, IL33 et IL1RL1
- une évaluation du niveau de confiance et les principales réserves
- deux visualisations : une carte thermique de priorisation et une figure récapitulative des GWAS indiquant, pour chaque cible, les principaux variants associés à l’asthme
Utilisez le plugin Life Science Research pour comparer TSLP, IL33 et IL1RL1 afin de prioriser les cibles thérapeutiques pour l’asthme.
Traitez en parallèle les axes d’analyse indépendants suivants à l’aide de Sous-agents :
- Génétique humaine et GWAS : gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- Réplication dans des cohortes et PheWAS : finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- Données sur l’association cible-maladie et contexte pathologique : opentargets-skill, efo-ontology-skill
- Précédents cliniques et réglementaires : clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- Contexte tiré de la littérature et des jeux de données publics : ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- Expression et contexte tissue/cell-type : human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
Pour chaque axe :
- attribuez à TSLP, IL33 et IL1RL1 un score de 1 à 5
- séparez les données directement liées à l’asthme de celles qui concernent des phénotypes allergic/atopic apparentés
- enregistrez les charges utiles brutes lorsqu’elles sont utiles
Produisez ensuite une synthèse comprenant :
- un tableau des scores par axe d’analyse et par cible
- un classement final de TSLP, IL33 et IL1RL1
- une évaluation du niveau de confiance et les principales réserves
- deux visualisations : une carte thermique de priorisation et une figure récapitulative des GWAS indiquant, pour chaque cible, les principaux variants associés à l’asthme
Tirez parti des Skills
Le plugin Life Science Research comprend des Skills pour chaque axe d’analyse :
- Génétique humaine et GWAS :
gwas-catalog-skill,opentargets-skill,gnomad-graphql-skill - Réplication dans des cohortes et PheWAS :
finngen-phewas-skill,ukb-topmed-phewas-skill,biobankjapan-phewas-skill,tpmi-phewas-skill - Données sur l’association cible-maladie et contexte pathologique :
opentargets-skill,efo-ontology-skill - Précédents cliniques et réglementaires :
clinicaltrials-skill,opentargets-skill,chembl-skill,pharmgkb-skill - Contexte tiré de la littérature et des jeux de données publics :
ncbi-entrez-skill,ncbi-pmc-skill,biorxiv-skill,ncbi-datasets-skill,biostudies-arrayexpress-skill - Expression et contexte tissulaire/cellulaire :
human-protein-atlas-skill,gtex-eqtl-skill,cellxgene-skill,bgee-skill
Utilisez ces Skills en les mentionnant explicitement, ou laissez ChatGPT décider quand y recourir.
Guide étape par étape
- Commencez par une question comparative concrète et précisez les cibles, la maladie et les axes d’analyse que ChatGPT doit couvrir.
- Faites appel au plugin
Life Science Researchet demandez à ChatGPT de traiter les axes d’analyse en parallèle à l’aide de Sous-agents afin de maintenir un périmètre bien délimité pour chaque catégorie de données. - Demandez à ChatGPT d’attribuer à chaque axe un score sur une échelle fixe de 1 à 5 et de distinguer les données directement liées à la maladie de celles portant sur des phénotypes apparentés.
- Dans la même discussion, examinez les charges utiles brutes enregistrées, le tableau des scores par axe et par cible, ainsi que le classement de synthèse.
Cas d’utilisation associés
Annoter des données scRNA-seq
Utilisez ChatGPT avec le plugin NGS Analysis pour transformer un ensemble de fichiers...
Sciences Données
Valider les données d’entrée bulk RNA-seq
Utilisez ChatGPT avec le plugin NGS Analysis pour valider les feuilles d’échantillons, les...
Sciences Données
Découvrez des modèles de repliement des protéines
Utilisez Codex avec le mode Objectif pour étudier et implémenter de nouvelles modifications...
Sciences Ingénierie