Codex use case
Priorize alvos terapêuticos
Classifique alvos terapêuticos com base em várias frentes de evidência.
Difficulty Avançado
Time horizon Longa duração
Use o ChatGPT com o plug-in Life Science Research para normalizar entidades, obter em paralelo evidências genéticas, de coortes, clínicas, da literatura e de expressão, atribuir uma pontuação a cada frente e gerar uma classificação final com recursos visuais reutilizáveis.
Ideal para
- Questões de priorização de alvos terapêuticos que exigem mais de uma categoria de evidência, como genética, replicação em coortes, contexto da doença, precedentes clínicos, literatura e expressão.
- Equipes que querem que o ChatGPT faça pesquisas científicas em várias frentes de evidência e depois concilie os resultados em uma única conclusão.
- Cientistas que querem payloads brutos salvos, uma rubrica explícita de pontuação e recursos visuais que possam reutilizar na próxima revisão ou no próximo memorando de decisão.
Contents
Priorize alvos terapêuticos
Classifique alvos terapêuticos com base em várias frentes de evidência.
Use o ChatGPT com o plug-in Life Science Research para normalizar entidades, obter em paralelo evidências genéticas, de coortes, clínicas, da literatura e de expressão, atribuir uma pontuação a cada frente e gerar uma classificação final com recursos visuais reutilizáveis.
Avançado
Longa duração
Use o ChatGPT com o plug-in Life Science Research para normalizar entidades, obter em paralelo evidências genéticas, de coortes, clínicas, da literatura e de expressão, atribuir uma pontuação a cada frente e gerar uma classificação final com recursos visuais reutilizáveis.
Avançado
Longa duração
Links relacionados
Ideal para
- Questões de priorização de alvos terapêuticos que exigem mais de uma categoria de evidência, como genética, replicação em coortes, contexto da doença, precedentes clínicos, literatura e expressão.
- Equipes que querem que o ChatGPT faça pesquisas científicas em várias frentes de evidência e depois concilie os resultados em uma única conclusão.
- Cientistas que querem payloads brutos salvos, uma rubrica explícita de pontuação e recursos visuais que possam reutilizar na próxima revisão ou no próximo memorando de decisão.
Habilidades e Plug-ins
- Pesquise em bases de dados científicas e na literatura para fundamentar evidências sobre vias biológicas, potencial translacional, tratabilidade e cenário competitivo.
| Skill | Why use it |
|---|---|
| Life Science Research | Pesquise em bases de dados científicas e na literatura para fundamentar evidências sobre vias biológicas, potencial translacional, tratabilidade e cenário competitivo. |
Prompt inicial
Use o plug-in Life Science Research para comparar TSLP, IL33 e IL1RL1 na priorização de alvos terapêuticos para asma.
Execute estas frentes independentes em paralelo com subagentes:
- Genética humana e GWAS: gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- Replicação em coortes e PheWAS: finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- Evidências da relação alvo-doença e contexto da doença: opentargets-skill, efo-ontology-skill
- Precedentes clínicos e regulatórios: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- Contexto da literatura e de conjuntos de dados públicos: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- Expressão e contexto de tissue/cell-type: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
Para cada frente:
- atribua a TSLP, IL33 e IL1RL1 uma pontuação de 1 a 5
- mantenha as evidências diretas de asma separadas das evidências de fenótipos allergic/atopic relacionados
- salve payloads brutos quando for útil
Depois, sintetize:
- uma tabela de pontuações por frente e por alvo
- uma classificação final de TSLP, IL33 e IL1RL1
- uma avaliação do nível de confiança e as principais ressalvas
- dois recursos visuais: um mapa de calor da priorização e uma figura-resumo de GWAS com as principais variantes associadas à asma para cada alvo
Use o plug-in Life Science Research para comparar TSLP, IL33 e IL1RL1 na priorização de alvos terapêuticos para asma.
Execute estas frentes independentes em paralelo com subagentes:
- Genética humana e GWAS: gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- Replicação em coortes e PheWAS: finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- Evidências da relação alvo-doença e contexto da doença: opentargets-skill, efo-ontology-skill
- Precedentes clínicos e regulatórios: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- Contexto da literatura e de conjuntos de dados públicos: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- Expressão e contexto de tissue/cell-type: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
Para cada frente:
- atribua a TSLP, IL33 e IL1RL1 uma pontuação de 1 a 5
- mantenha as evidências diretas de asma separadas das evidências de fenótipos allergic/atopic relacionados
- salve payloads brutos quando for útil
Depois, sintetize:
- uma tabela de pontuações por frente e por alvo
- uma classificação final de TSLP, IL33 e IL1RL1
- uma avaliação do nível de confiança e as principais ressalvas
- dois recursos visuais: um mapa de calor da priorização e uma figura-resumo de GWAS com as principais variantes associadas à asma para cada alvo
Aproveite as Habilidades
O plug-in Life Science Research inclui Habilidades para cada frente de evidência:
- Genética humana e GWAS:
gwas-catalog-skill,opentargets-skill,gnomad-graphql-skill - Replicação em coortes e PheWAS:
finngen-phewas-skill,ukb-topmed-phewas-skill,biobankjapan-phewas-skill,tpmi-phewas-skill - Evidências da relação alvo-doença e contexto da doença:
opentargets-skill,efo-ontology-skill - Precedentes clínicos e regulatórios:
clinicaltrials-skill,opentargets-skill,chembl-skill,pharmgkb-skill - Contexto da literatura e de conjuntos de dados públicos:
ncbi-entrez-skill,ncbi-pmc-skill,biorxiv-skill,ncbi-datasets-skill,biostudies-arrayexpress-skill - Expressão e contexto por tecido/tipo celular:
human-protein-atlas-skill,gtex-eqtl-skill,cellxgene-skill,bgee-skill
Use essas Habilidades mencionando-as especificamente ou deixe que o ChatGPT decida quando usá-las.
Guia passo a passo
- Comece com uma pergunta concreta de comparação e indique exatamente quais alvos, qual doença e quais frentes de evidência você quer que o ChatGPT aborde.
- Acione o plug-in
Life Science Researche peça ao ChatGPT que execute as frentes em paralelo com subagentes, para manter delimitado o escopo de cada categoria de evidência. - Peça ao ChatGPT que atribua uma pontuação a cada frente em uma escala fixa de 1 a 5 e mantenha as evidências diretas da doença separadas das evidências de fenótipos relacionados.
- Revise, no mesmo Chat, os payloads brutos salvos, a tabela de pontuações por frente e por alvo e a classificação consolidada.
Casos de uso relacionados
Anotar dados de scRNA-seq
Use o ChatGPT com o plug-in NGS Analysis para transformar um conjunto de arquivos de matriz...
Ciências Dados
Valide as entradas de bulk RNA-seq
Use o ChatGPT com o plug-in NGS Analysis para validar planilhas de amostras, FASTQs e...
Ciências Dados
Descubra modelos de dobramento de proteínas
Use o Codex com o modo Meta para pesquisar e implementar novas modificações arquiteturais no...
Ciências Engenharia