Codex use case
排定藥物標的優先順序
綜合多個證據面向，為藥物標的排名。
Difficulty 進階
Time horizon 長時間執行
使用 ChatGPT 搭配 Life Science Research 外掛程式，將實體名稱標準化，平行擷取遺傳學、世代研究、臨床、文獻及表現量證據，為各證據面向評分，並產出最終排名及可重複使用的視覺化成果。
最適合
- 需要多類證據的標的優先排序問題，例如遺傳學、世代研究重現驗證、疾病脈絡、臨床先例、文獻與表現量資料。
- 希望 ChatGPT 針對多個證據面向進行科學研究，再整合結果以得出單一結論的團隊。
- 希望保留原始承載資料與明確評分準則，並可在下次審查或決策備忘錄中重複使用視覺化成果的科學家。
Contents
排定藥物標的優先順序
綜合多個證據面向，為藥物標的排名。
使用 ChatGPT 搭配 Life Science Research 外掛程式，將實體名稱標準化，平行擷取遺傳學、世代研究、臨床、文獻及表現量證據，為各證據面向評分，並產出最終排名及可重複使用的視覺化成果。
進階
長時間執行
使用 ChatGPT 搭配 Life Science Research 外掛程式，將實體名稱標準化，平行擷取遺傳學、世代研究、臨床、文獻及表現量證據，為各證據面向評分，並產出最終排名及可重複使用的視覺化成果。
進階
長時間執行
相關連結
最適合
- 需要多類證據的標的優先排序問題，例如遺傳學、世代研究重現驗證、疾病脈絡、臨床先例、文獻與表現量資料。
- 希望 ChatGPT 針對多個證據面向進行科學研究，再整合結果以得出單一結論的團隊。
- 希望保留原始承載資料與明確評分準則，並可在下次審查或決策備忘錄中重複使用視覺化成果的科學家。
技能與外掛程式
- 搜尋科學資料庫與文獻，為生物路徑、轉譯、可成藥性與競爭態勢等面向的證據提供依據。
| Skill | Why use it |
|---|---|
| Life Science Research | 搜尋科學資料庫與文獻，為生物路徑、轉譯、可成藥性與競爭態勢等面向的證據提供依據。 |
起始提示詞
使用 Life Science Research 外掛程式，比較 TSLP、IL33 與 IL1RL1，以排定氣喘標的的優先順序。
使用子代理程式平行執行下列彼此獨立的證據面向：
- 人類遺傳學與 GWAS：gwas-catalog-skill、opentargets-skill、gnomad-graphql-skill
- 世代研究重現驗證與 PheWAS：finngen-phewas-skill、ukb-topmed-phewas-skill、biobankjapan-phewas-skill、tpmi-phewas-skill
- 標的－疾病證據與疾病脈絡：opentargets-skill、efo-ontology-skill
- 臨床與法規先例：clinicaltrials-skill、opentargets-skill、chembl-skill、pharmgkb-skill
- 文獻與公開資料集脈絡：ncbi-entrez-skill、ncbi-pmc-skill、biorxiv-skill、ncbi-datasets-skill、biostudies-arrayexpress-skill
- 表現量與 tissue/cell-type 脈絡：human-protein-atlas-skill、gtex-eqtl-skill、cellxgene-skill、bgee-skill
針對每個證據面向：
- 依 1-5 分制為 TSLP、IL33 與 IL1RL1 評分
- 將氣喘的直接證據與相鄰的 allergic/atopic 表型分開處理
- 視需要儲存原始承載資料
接著統整產出：
- 一份證據面向 × 標的評分表
- TSLP、IL33 與 IL1RL1 的最終排名
- 信心評估與主要注意事項
- 兩項視覺化成果：優先排序熱圖，以及呈現每個標的之主要氣喘相關變異的 GWAS 摘要圖
使用 Life Science Research 外掛程式，比較 TSLP、IL33 與 IL1RL1，以排定氣喘標的的優先順序。
使用子代理程式平行執行下列彼此獨立的證據面向：
- 人類遺傳學與 GWAS：gwas-catalog-skill、opentargets-skill、gnomad-graphql-skill
- 世代研究重現驗證與 PheWAS：finngen-phewas-skill、ukb-topmed-phewas-skill、biobankjapan-phewas-skill、tpmi-phewas-skill
- 標的－疾病證據與疾病脈絡：opentargets-skill、efo-ontology-skill
- 臨床與法規先例：clinicaltrials-skill、opentargets-skill、chembl-skill、pharmgkb-skill
- 文獻與公開資料集脈絡：ncbi-entrez-skill、ncbi-pmc-skill、biorxiv-skill、ncbi-datasets-skill、biostudies-arrayexpress-skill
- 表現量與 tissue/cell-type 脈絡：human-protein-atlas-skill、gtex-eqtl-skill、cellxgene-skill、bgee-skill
針對每個證據面向：
- 依 1-5 分制為 TSLP、IL33 與 IL1RL1 評分
- 將氣喘的直接證據與相鄰的 allergic/atopic 表型分開處理
- 視需要儲存原始承載資料
接著統整產出：
- 一份證據面向 × 標的評分表
- TSLP、IL33 與 IL1RL1 的最終排名
- 信心評估與主要注意事項
- 兩項視覺化成果：優先排序熱圖，以及呈現每個標的之主要氣喘相關變異的 GWAS 摘要圖
善用技能
Life Science Research 外掛程式 包含各證據面向所需的技能：
- 人類遺傳學與 GWAS：
gwas-catalog-skill、opentargets-skill、gnomad-graphql-skill - 世代研究重現驗證與 PheWAS：
finngen-phewas-skill、ukb-topmed-phewas-skill、biobankjapan-phewas-skill、tpmi-phewas-skill - 標的－疾病證據與疾病脈絡：
opentargets-skill、efo-ontology-skill - 臨床與法規先例：
clinicaltrials-skill、opentargets-skill、chembl-skill、pharmgkb-skill - 文獻與公開資料集脈絡：
ncbi-entrez-skill、ncbi-pmc-skill、biorxiv-skill、ncbi-datasets-skill、biostudies-arrayexpress-skill - 表現量與組織／細胞類型脈絡：
human-protein-atlas-skill、gtex-eqtl-skill、cellxgene-skill、bgee-skill
你可以明確指定這些技能，也可以讓 ChatGPT 決定何時使用。
逐步指南
- 先從具體的比較問題開始，並明確列出希望 ChatGPT 涵蓋的標的、疾病與證據面向。
- 叫用
Life Science Research外掛程式，並要求 ChatGPT 使用子代理程式平行處理各證據面向，以明確限定每類證據的範圍。 - 要求 ChatGPT 按固定的 1-5 分制為每個證據面向評分，並將疾病的直接證據與相鄰表型分開處理。
- 在同一個對話中，審查已儲存的原始承載資料、證據面向 × 標的評分表，以及綜整後的排名。
