For the complete documentation index, see llms.txt. Markdown versions of documentation pages are available by appending .md to the page URL.
Navegação principal
Theme
Codex

Codex use case

Priorize alvos terapêuticos

Classifique alvos terapêuticos com base em diferentes tipos de evidência.

Difficulty Advanced
Time horizon Long-running

Use o ChatGPT com o plugin Life Science Research para normalizar as entidades e buscar, em paralelo, evidências de estudos genéticos, estudos de coorte, estudos clínicos, literatura científica e expressão gênica. Peça ao ChatGPT que atribua notas aos alvos em cada frente e gere uma classificação final com gráficos reutilizáveis.

Best for

  • Questões de priorização de alvos que exigem mais de um tipo de evidência, como genética, replicação em coortes, contexto da doença, precedentes clínicos, literatura e expressão gênica.
  • Equipes que querem usar o ChatGPT para conduzir pesquisas científicas em várias frentes e conciliar os resultados para chegar a uma conclusão.
  • Cientistas que querem salvar os dados brutos, usar critérios explícitos de pontuação e reaproveitar os gráficos na próxima revisão ou no próximo memorando de decisão.

Contents

    ← All use cases

    Priorize alvos terapêuticos

    Classifique alvos terapêuticos com base em diferentes tipos de evidência.

    Use o ChatGPT com o plugin Life Science Research para normalizar as entidades e buscar, em paralelo, evidências de estudos genéticos, estudos de coorte, estudos clínicos, literatura científica e expressão gênica. Peça ao ChatGPT que atribua notas aos alvos em cada frente e gere uma classificação final com gráficos reutilizáveis.

    Advanced
    Long-running

    Use o ChatGPT com o plugin Life Science Research para normalizar as entidades e buscar, em paralelo, evidências de estudos genéticos, estudos de coorte, estudos clínicos, literatura científica e expressão gênica. Peça ao ChatGPT que atribua notas aos alvos em cada frente e gere uma classificação final com gráficos reutilizáveis.

    Advanced
    Long-running

    Best for

    • Questões de priorização de alvos que exigem mais de um tipo de evidência, como genética, replicação em coortes, contexto da doença, precedentes clínicos, literatura e expressão gênica.
    • Equipes que querem usar o ChatGPT para conduzir pesquisas científicas em várias frentes e conciliar os resultados para chegar a uma conclusão.
    • Cientistas que querem salvar os dados brutos, usar critérios explícitos de pontuação e reaproveitar os gráficos na próxima revisão ou no próximo memorando de decisão.

    Skills & Plugins

    • Consulte bases de dados científicas e a literatura para embasar a análise de vias biológicas, do potencial translacional, da viabilidade de intervenção nos alvos e do cenário competitivo.
    Skill Why use it
    Life Science Research Consulte bases de dados científicas e a literatura para embasar a análise de vias biológicas, do potencial translacional, da viabilidade de intervenção nos alvos e do cenário competitivo.

    Starter prompt

    Use o plugin Life Science Research para comparar TSLP, IL33 e IL1RL1 e definir quais alvos priorizar no desenvolvimento de tratamentos para a asma. Use subagentes para investigar estas frentes independentes em paralelo: - 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 - Contexto da doença e evidências de associação com cada alvo: opentargets-skill, efo-ontology-skill - Precedentes clínicos e regulatórios: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill - Contexto fornecido pela literatura e por conjuntos de dados públicos: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill - Expressão gênica por tecido e tipo celular: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill Em cada frente: - Atribua uma nota de 1 a 5 a cada alvo (TSLP, IL33 e IL1RL1). - Separe as evidências diretas sobre a asma das evidências sobre fenótipos alérgicos ou atópicos relacionados. - Salve os dados brutos retornados quando for útil. Em seguida, apresente: - Uma tabela com as notas de cada alvo em cada frente. - A classificação final de TSLP, IL33 e IL1RL1 em ordem de prioridade. - Uma avaliação do grau de confiança na classificação e as principais ressalvas. - Dois gráficos: um mapa de calor que mostre a priorização e uma figura que resuma os resultados de GWAS e destaque, para cada alvo, as principais variantes associadas à asma.
    Use o plugin Life Science Research para comparar TSLP, IL33 e IL1RL1 e definir quais alvos priorizar no desenvolvimento de tratamentos para a asma. Use subagentes para investigar estas frentes independentes em paralelo: - 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 - Contexto da doença e evidências de associação com cada alvo: opentargets-skill, efo-ontology-skill - Precedentes clínicos e regulatórios: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill - Contexto fornecido pela literatura e por conjuntos de dados públicos: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill - Expressão gênica por tecido e tipo celular: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill Em cada frente: - Atribua uma nota de 1 a 5 a cada alvo (TSLP, IL33 e IL1RL1). - Separe as evidências diretas sobre a asma das evidências sobre fenótipos alérgicos ou atópicos relacionados. - Salve os dados brutos retornados quando for útil. Em seguida, apresente: - Uma tabela com as notas de cada alvo em cada frente. - A classificação final de TSLP, IL33 e IL1RL1 em ordem de prioridade. - Uma avaliação do grau de confiança na classificação e as principais ressalvas. - Dois gráficos: um mapa de calor que mostre a priorização e uma figura que resuma os resultados de GWAS e destaque, para cada alvo, as principais variantes associadas à asma.

    Use as habilidades

    O plugin Life Science Research oferece habilidades para analisar cada tipo 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 associação entre alvo e doença e contexto da doença: opentargets-skill, efo-ontology-skill
    • Precedentes clínicos e regulatórios: clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
    • Contexto obtido da literatura e de conjuntos de dados públicos: ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
    • Expressão gênica e contexto de tecidos e tipos celulares: human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill

    Mencione pelo nome as habilidades que você quer usar ou deixe o ChatGPT decidir quando usá-las.

    Guia passo a passo

    1. Comece com uma pergunta concreta sobre a comparação. Especifique os alvos, a doença e os tipos de evidência que você quer que o ChatGPT analise.
    2. Acione o plugin Life Science Research e peça ao ChatGPT que use subagentes para conduzir as análises em paralelo, limitando cada análise ao respectivo tipo de evidência.
    3. Peça ao ChatGPT que atribua uma pontuação a cada tipo de evidência em uma escala fixa de 1 a 5 e que separe as evidências diretas sobre a doença das evidências sobre fenótipos relacionados.
    4. No mesmo chat, revise os dados brutos salvos, a tabela de pontuações por tipo de evidência e por alvo e a classificação final dos alvos com base nessas evidências.

    Related use cases