如需完整的文件索引,請參閱 llms.txt。在文件頁面的網址末尾加上 .md ,即可取得該頁面的 Markdown 版本。
主要導覽
主題
Codex

Codex 應用案例

排定藥物標的優先順序

綜合多類證據,排定藥物標的優先順序。

難度 Advanced
任務時間跨度 Long-running

在 ChatGPT 中使用 Life Science Research 外掛程式,統一不同資料來源中同一實體的名稱與識別碼,再同步檢索遺傳學、世代研究、臨床、文獻及基因表現方面的證據。依各類證據分別為標的評分,再彙整出最終排名,並製作可重複使用的圖表。

最適合的對象

  • 需要綜合多類證據才能排定標的優先順序的研究問題,例如需考量遺傳學證據、在其他研究世代中驗證的結果、疾病背景、臨床先例、文獻及基因表現。
  • 希望 ChatGPT 同步研究多類證據,再比對各項結果並歸納出整體結論的團隊。
  • 希望保留原始回傳資料、採用明確的評分準則,並在下次審查或撰寫決策備忘錄時沿用圖表的科學家。

目錄

    ← 所有應用案例

    排定藥物標的優先順序

    綜合多類證據,排定藥物標的優先順序。

    在 ChatGPT 中使用 Life Science Research 外掛程式,統一不同資料來源中同一實體的名稱與識別碼,再同步檢索遺傳學、世代研究、臨床、文獻及基因表現方面的證據。依各類證據分別為標的評分,再彙整出最終排名,並製作可重複使用的圖表。

    Advanced
    Long-running

    在 ChatGPT 中使用 Life Science Research 外掛程式,統一不同資料來源中同一實體的名稱與識別碼,再同步檢索遺傳學、世代研究、臨床、文獻及基因表現方面的證據。依各類證據分別為標的評分,再彙整出最終排名,並製作可重複使用的圖表。

    Advanced
    Long-running

    最適合的對象

    • 需要綜合多類證據才能排定標的優先順序的研究問題,例如需考量遺傳學證據、在其他研究世代中驗證的結果、疾病背景、臨床先例、文獻及基因表現。
    • 希望 ChatGPT 同步研究多類證據,再比對各項結果並歸納出整體結論的團隊。
    • 希望保留原始回傳資料、採用明確的評分準則,並在下次審查或撰寫決策備忘錄時沿用圖表的科學家。

    技能與外掛程式

    • 搜尋科學資料庫與文獻,為生物路徑、轉譯研究、標的開發可行性及競爭態勢的評估提供依據。
    技能 使用理由
    Life Science Research 搜尋科學資料庫與文獻,為生物路徑、轉譯研究、標的開發可行性及競爭態勢的評估提供依據。

    入門提示詞

    請使用 Life Science Research 外掛程式比較 TSLP、IL33 和 IL1RL1,排定這三個氣喘藥物標的的優先順序。 請讓子代理程式同步進行以下各項獨立分析: - 人類遺傳學與 GWAS:gwas-catalog-skill、opentargets-skill、gnomad-graphql-skill - 跨研究世代的重複驗證與 PheWAS:finngen-phewas-skill、ukb-topmed-phewas-skill、biobankjapan-phewas-skill、tpmi-phewas-skill - 標的與疾病的關聯證據及疾病背景:opentargets-skill、efo-ontology-skill - 臨床與法規審查先例:clinicaltrials-skill、opentargets-skill、chembl-skill、pharmgkb-skill - 文獻與公開資料集提供的背景資訊:ncbi-entrez-skill、ncbi-pmc-skill、biorxiv-skill、ncbi-datasets-skill、biostudies-arrayexpress-skill - 基因表現及其對應的組織與細胞類型:human-protein-atlas-skill、gtex-eqtl-skill、cellxgene-skill、bgee-skill 每項分析都請依下列方式進行: - 採用 1 至 5 分的量表,分別為 TSLP、IL33 和 IL1RL1 評分 - 區分氣喘的直接證據與相關過敏性或異位性表型的證據 - 視需要儲存原始回傳資料 最後請彙整以下結果: - 一份評分表,列出各標的在每類證據上的得分 - TSLP、IL33 和 IL1RL1 的最終排名 - 對排名的信心程度及解讀時應注意的主要限制 - 兩張圖:以熱圖呈現標的優先順序,並在 GWAS 摘要圖中為每個標的標示與氣喘關聯最強的遺傳變異
    AstraHigh
    請使用 Life Science Research 外掛程式比較 TSLP、IL33 和 IL1RL1,排定這三個氣喘藥物標的的優先順序。 請讓子代理程式同步進行以下各項獨立分析: - 人類遺傳學與 GWAS:gwas-catalog-skill、opentargets-skill、gnomad-graphql-skill - 跨研究世代的重複驗證與 PheWAS:finngen-phewas-skill、ukb-topmed-phewas-skill、biobankjapan-phewas-skill、tpmi-phewas-skill - 標的與疾病的關聯證據及疾病背景:opentargets-skill、efo-ontology-skill - 臨床與法規審查先例:clinicaltrials-skill、opentargets-skill、chembl-skill、pharmgkb-skill - 文獻與公開資料集提供的背景資訊:ncbi-entrez-skill、ncbi-pmc-skill、biorxiv-skill、ncbi-datasets-skill、biostudies-arrayexpress-skill - 基因表現及其對應的組織與細胞類型:human-protein-atlas-skill、gtex-eqtl-skill、cellxgene-skill、bgee-skill 每項分析都請依下列方式進行: - 採用 1 至 5 分的量表,分別為 TSLP、IL33 和 IL1RL1 評分 - 區分氣喘的直接證據與相關過敏性或異位性表型的證據 - 視需要儲存原始回傳資料 最後請彙整以下結果: - 一份評分表,列出各標的在每類證據上的得分 - TSLP、IL33 和 IL1RL1 的最終排名 - 對排名的信心程度及解讀時應注意的主要限制 - 兩張圖:以熱圖呈現標的優先順序,並在 GWAS 摘要圖中為每個標的標示與氣喘關聯最強的遺傳變異
    AstraHigh

    運用技能

    生命科學研究外掛程式針對各類證據提供以下技能:

    • 人類遺傳學與全基因體關聯研究(GWAS):gwas-catalog-skill、opentargets-skill、gnomad-graphql-skill
    • 在其他世代中驗證研究結果與全表型關聯研究(PheWAS):finngen-phewas-skill、ukb-topmed-phewas-skill、biobankjapan-phewas-skill、tpmi-phewas-skill
    • 標的與疾病的關聯證據及疾病背景:opentargets-skill、efo-ontology-skill
    • 臨床與監管先例:clinicaltrials-skill、opentargets-skill、chembl-skill、pharmgkb-skill
    • 文獻與公開資料集提供的背景資訊:ncbi-entrez-skill、ncbi-pmc-skill、biorxiv-skill、ncbi-datasets-skill、biostudies-arrayexpress-skill
    • 基因表現及其在不同組織與細胞類型中的情形:human-protein-atlas-skill、gtex-eqtl-skill、cellxgene-skill、bgee-skill

    你可以直接指名要使用的技能,也可以讓 ChatGPT 決定何時使用。

    操作步驟

    1. 先提出具體的比較問題,並明確列出要請 ChatGPT 分析的標的、疾病及證據類別。
    2. 呼叫 Life Science Research 外掛程式,請 ChatGPT 使用子代理程式平行分析各類證據,讓每個子代理程式只處理指定的證據類別。
    3. 請 ChatGPT 統一按 1 到 5 分的量尺為各類證據評分,並區分直接與該疾病有關的證據和僅與相近表型有關的證據。
    4. 在同一個對話中檢視已儲存的原始回傳資料、列出各標的在各類證據中得分的表格,以及綜合各類證據得出的排名。

    相關應用案例