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
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
相關連結
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
- 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。
- 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。 - 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。
- 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
註解 scRNA-seq 資料
在 ChatGPT 中使用 NGS Analysis 外掛程式處理一組 10x 格式的矩陣檔案,取得經過品管篩選的單細胞資料、載明門檻選擇依據的篩選摘要、細胞註解與 UMAP...
Sciences Data
驗證 bulk RNA-seq 輸入資料
在 ChatGPT 中使用 NGS Analysis 外掛程式驗證樣本表、FASTQ 檔案和參考資料,並在差異表現分析前取得 MultiQC 報告、Salmon...
Sciences Data
探索蛋白質折疊模型
使用 Codex 的目標模式,研究並實作 AlphaFold2 架構的新改良方案,以提升蛋白質折疊預測效能。
Sciences Engineering