如需查看完整的文档索引,请参阅 llms.txt。在文档页面的 URL 末尾加上 .md 即可查看该页面的 Markdown 版本。
主导航
主题
Codex

Codex 使用场景

确定药物靶点的优先级

综合多类证据,对药物靶点进行排序。

难度 Advanced
时间跨度 Long-running

在 ChatGPT 中使用 Life Science Research 插件,统一研究实体的名称和标识,并行检索遗传学、队列研究、临床研究、文献和表达数据中的证据。按证据类别分别为各靶点评分,再汇总得出最终排名,并生成可复用的图表。

最适合

  • 需要综合多类证据来确定靶点优先级的研究,例如结合遗传学证据、独立队列验证结果、疾病背景、临床先例、文献和表达数据来评估候选靶点。
  • 希望 ChatGPT 分别研究各类证据,再比对各项结果并得出综合结论的团队。
  • 希望保留原始返回数据、采用明确的评分标准,并在下次评审或撰写决策备忘录时复用图表的科研人员。

目录

    ← 所有使用场景

    确定药物靶点的优先级

    综合多类证据,对药物靶点进行排序。

    在 ChatGPT 中使用 Life Science Research 插件,统一研究实体的名称和标识,并行检索遗传学、队列研究、临床研究、文献和表达数据中的证据。按证据类别分别为各靶点评分,再汇总得出最终排名,并生成可复用的图表。

    Advanced
    Long-running

    在 ChatGPT 中使用 Life Science Research 插件,统一研究实体的名称和标识,并行检索遗传学、队列研究、临床研究、文献和表达数据中的证据。按证据类别分别为各靶点评分,再汇总得出最终排名,并生成可复用的图表。

    Advanced
    Long-running

    最适合

    • 需要综合多类证据来确定靶点优先级的研究,例如结合遗传学证据、独立队列验证结果、疾病背景、临床先例、文献和表达数据来评估候选靶点。
    • 希望 ChatGPT 分别研究各类证据,再比对各项结果并得出综合结论的团队。
    • 希望保留原始返回数据、采用明确的评分标准,并在下次评审或撰写决策备忘录时复用图表的科研人员。

    技能与插件

    • 检索科学数据库和文献,为评估生物学通路、转化潜力、靶点的可干预性和竞争格局提供依据。
    技能 使用理由
    Life Science Research 检索科学数据库和文献,为评估生物学通路、转化潜力、靶点的可干预性和竞争格局提供依据。

    起始提示词

    使用 Life Science Research 插件,比较 TSLP、IL33 和 IL1RL1,确定这三个哮喘候选药物靶点的优先级。 让子智能体并行开展以下相互独立的分析: - 人类遗传学与全基因组关联研究(GWAS):gwas-catalog-skill、opentargets-skill、gnomad-graphql-skill - 独立队列验证与全表型组关联研究(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 - 临床与监管先例:clinicaltrials-skill、opentargets-skill、chembl-skill、pharmgkb-skill - 文献和公开数据集提供的背景信息:ncbi-entrez-skill、ncbi-pmc-skill、biorxiv-skill、ncbi-datasets-skill、biostudies-arrayexpress-skill - 基因表达及其涉及的组织和细胞类型:human-protein-atlas-skill、gtex-eqtl-skill、cellxgene-skill、bgee-skill 每项分析均按以下要求进行: - 采用 1 至 5 分的量表,分别为 TSLP、IL33 和 IL1RL1 评分 - 将直接针对哮喘的证据与涉及相关过敏性或特应性表型的证据分开列出 - 视需要保存原始返回数据 最后汇总分析结果,给出以下内容: - 一张评分表,按证据类别列出各靶点的得分 - TSLP、IL33 和 IL1RL1 的最终排名 - 对排名可信度的评估及主要局限 - 一张靶点优先级热图和一张 GWAS 汇总图,并在汇总图中标出各靶点与哮喘关联最显著的变异
    AstraHigh
    使用 Life Science Research 插件,比较 TSLP、IL33 和 IL1RL1,确定这三个哮喘候选药物靶点的优先级。 让子智能体并行开展以下相互独立的分析: - 人类遗传学与全基因组关联研究(GWAS):gwas-catalog-skill、opentargets-skill、gnomad-graphql-skill - 独立队列验证与全表型组关联研究(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 - 临床与监管先例:clinicaltrials-skill、opentargets-skill、chembl-skill、pharmgkb-skill - 文献和公开数据集提供的背景信息:ncbi-entrez-skill、ncbi-pmc-skill、biorxiv-skill、ncbi-datasets-skill、biostudies-arrayexpress-skill - 基因表达及其涉及的组织和细胞类型:human-protein-atlas-skill、gtex-eqtl-skill、cellxgene-skill、bgee-skill 每项分析均按以下要求进行: - 采用 1 至 5 分的量表,分别为 TSLP、IL33 和 IL1RL1 评分 - 将直接针对哮喘的证据与涉及相关过敏性或特应性表型的证据分开列出 - 视需要保存原始返回数据 最后汇总分析结果,给出以下内容: - 一张评分表,按证据类别列出各靶点的得分 - TSLP、IL33 和 IL1RL1 的最终排名 - 对排名可信度的评估及主要局限 - 一张靶点优先级热图和一张 GWAS 汇总图,并在汇总图中标出各靶点与哮喘关联最显著的变异
    AstraHigh

    使用技能

    生命科学研究插件为以下每类证据都提供了相应的技能:

    • 人类遗传学与全基因组关联研究(GWAS):gwas-catalog-skill、opentargets-skill、gnomad-graphql-skill
    • 队列重复验证与全表型组关联研究(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
    • 临床与监管先例:clinicaltrials-skill、opentargets-skill、chembl-skill、pharmgkb-skill
    • 文献与公开数据集提供的背景信息:ncbi-entrez-skill、ncbi-pmc-skill、biorxiv-skill、ncbi-datasets-skill、biostudies-arrayexpress-skill
    • 基因表达及相关组织和细胞类型:human-protein-atlas-skill、gtex-eqtl-skill、cellxgene-skill、bgee-skill

    您可以直接指定要使用的技能,也可以让 ChatGPT 决定何时使用这些技能。

    操作步骤

    1. 先提出一个具体的比较问题,明确列出您希望 ChatGPT 分析的靶点、疾病和证据类别。
    2. 调用 Life Science Research 插件,让 ChatGPT 使用子智能体并行分析各类证据,每个子智能体只负责其中一类。
    3. 请 ChatGPT 对每类证据统一按 1 至 5 分评分,并将直接针对该疾病的证据与涉及相关表型的证据分开。
    4. 在同一聊天中查看已保存的原始数据、列出各靶点在每类证据上得分的评分表,以及综合排名。

    相关使用场景