Codex use case
确定药物靶点的优先级
综合多个证据维度对药物靶点进行排序。
Difficulty 高级
Time horizon 长时间运行
在 ChatGPT 中使用 Life Science Research 插件来标准化实体，并行检索遗传学、队列、临床、文献和表达方面的证据，对各证据维度评分，并生成最终排名和可复用的可视化图表。
最适合
- 涉及不止一类证据的靶点优先排序问题，例如遗传学、队列重复验证、疾病背景、临床先例、文献和表达证据。
- 希望 ChatGPT 围绕多个证据维度开展科学研究，再整合各项结果并形成一个结论的团队。
- 希望保留原始载荷、采用明确的评分标准，并获得可在下一次审查或决策备忘录中复用的可视化图表的科学家。
Contents
确定药物靶点的优先级
综合多个证据维度对药物靶点进行排序。
在 ChatGPT 中使用 Life Science Research 插件来标准化实体，并行检索遗传学、队列、临床、文献和表达方面的证据，对各证据维度评分，并生成最终排名和可复用的可视化图表。
高级
长时间运行
在 ChatGPT 中使用 Life Science Research 插件来标准化实体，并行检索遗传学、队列、临床、文献和表达方面的证据，对各证据维度评分，并生成最终排名和可复用的可视化图表。
高级
长时间运行
相关链接
最适合
- 涉及不止一类证据的靶点优先排序问题，例如遗传学、队列重复验证、疾病背景、临床先例、文献和表达证据。
- 希望 ChatGPT 围绕多个证据维度开展科学研究，再整合各项结果并形成一个结论的团队。
- 希望保留原始载荷、采用明确的评分标准，并获得可在下一次审查或决策备忘录中复用的可视化图表的科学家。
技能与插件
- 检索科学数据库和文献，为通路、转化潜力、成药性和竞争格局方面的证据提供事实依据。
| Skill | Why use it |
|---|---|
| Life Science Research | 检索科学数据库和文献，为通路、转化潜力、成药性和竞争格局方面的证据提供事实依据。 |
入门提示
使用 Life Science Research 插件，比较 TSLP、IL33 和 IL1RL1，以确定哮喘靶点的优先级。
让子智能体并行分析以下彼此独立的证据维度：
- 人类遗传学和 GWAS：gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- 队列重复验证和 PheWAS：finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- 靶点与疾病的关联证据及疾病背景：opentargets-skill, efo-ontology-skill
- 临床和监管先例：clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- 文献和公共数据集背景：ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- 表达和 tissue/cell-type 背景：human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
针对每个证据维度：
- 按 1–5 分制为 TSLP、IL33 和 IL1RL1 评分
- 将哮喘的直接证据与相近的 allergic/atopic 表型证据分开
- 在有助于分析时保存原始载荷
然后汇总生成：
- 按证据维度和靶点汇总的评分表
- TSLP、IL33 和 IL1RL1 的最终排名
- 置信度评估和主要注意事项
- 两项可视化结果：一张优先排序热图，以及一张 GWAS 汇总图，其中包含各靶点与哮喘相关的先导变异
使用 Life Science Research 插件，比较 TSLP、IL33 和 IL1RL1，以确定哮喘靶点的优先级。
让子智能体并行分析以下彼此独立的证据维度：
- 人类遗传学和 GWAS：gwas-catalog-skill, opentargets-skill, gnomad-graphql-skill
- 队列重复验证和 PheWAS：finngen-phewas-skill, ukb-topmed-phewas-skill, biobankjapan-phewas-skill, tpmi-phewas-skill
- 靶点与疾病的关联证据及疾病背景：opentargets-skill, efo-ontology-skill
- 临床和监管先例：clinicaltrials-skill, opentargets-skill, chembl-skill, pharmgkb-skill
- 文献和公共数据集背景：ncbi-entrez-skill, ncbi-pmc-skill, biorxiv-skill, ncbi-datasets-skill, biostudies-arrayexpress-skill
- 表达和 tissue/cell-type 背景：human-protein-atlas-skill, gtex-eqtl-skill, cellxgene-skill, bgee-skill
针对每个证据维度：
- 按 1–5 分制为 TSLP、IL33 和 IL1RL1 评分
- 将哮喘的直接证据与相近的 allergic/atopic 表型证据分开
- 在有助于分析时保存原始载荷
然后汇总生成：
- 按证据维度和靶点汇总的评分表
- TSLP、IL33 和 IL1RL1 的最终排名
- 置信度评估和主要注意事项
- 两项可视化结果：一张优先排序热图，以及一张 GWAS 汇总图，其中包含各靶点与哮喘相关的先导变异
利用技能
Life Science Research 插件 为每个证据维度提供了相应技能：
- 人类遗传学和 GWAS：
gwas-catalog-skill、opentargets-skill、gnomad-graphql-skill - 队列重复验证和 PheWAS：
finngen-phewas-skill、ukb-topmed-phewas-skill、biobankjapan-phewas-skill、tpmi-phewas-skill - 靶点与疾病的关联证据及疾病背景：
opentargets-skill、efo-ontology-skill - 临床和监管先例：
clinicaltrials-skill、opentargets-skill、chembl-skill、pharmgkb-skill - 文献和公共数据集背景：
ncbi-entrez-skill、ncbi-pmc-skill、biorxiv-skill、ncbi-datasets-skill、biostudies-arrayexpress-skill - 表达和组织/细胞类型背景：
human-protein-atlas-skill、gtex-eqtl-skill、cellxgene-skill、bgee-skill
您可以明确指定要使用的技能，也可以让 ChatGPT 决定何时使用它们。
分步指南
- 先提出一个具体的比较问题，并明确列出希望 ChatGPT 涵盖的靶点、疾病和证据维度。
- 调用
Life Science Research插件，并让 ChatGPT 使用子智能体并行分析各证据维度，确保每类证据都在明确限定的范围内处理。 - 让 ChatGPT 按固定的 1–5 分制为每个证据维度评分，并将该疾病的直接证据与相近表型的证据分开。
- 在同一聊天中审查已保存的原始载荷、按证据维度和靶点汇总的评分表，以及综合排名。
