FITxGNN - Suomi: Laakkeiden uudelleenkaytto
本專案由 藥提醒科技有限公司（yao.care）開發與維運。
FITxGNN 站台：https://fitxgnn.yao.care/｜產品總覽：https://www.yao.care/medical/txgnn/
Laakkeiden uudelleenkayton ennusteita EU:n keskitetyn myyntiluvan (EMA) saaneille laakkeille (Finland) TxGNN-mallilla.
Vastuuvapauslauseke
- Taemaen projektin tulokset ovat vain tutkimustarkoituksiin eivaetkae muodosta laeketieteen neuvontaa.
- Laaekkeiden uudelleenkaeytoeen ehdokkaat vaativat kliinisen validoinnin ennen soeveltamista.
Projektin yleiskatsaus
Raporttitilastot
| Kohde | Maaerae |
|---|
| Laaekeraportteja | 444 |
| Ennusteita yhteensae | 2,645,422 |
| Ainutlaatuisia laaekkeitae | 673 |
| Ainutlaatuisia indikaatioita | 17,041 |
| DDI-tiedot | 160,235 |
| FHIR-resurssit | 550 MK / 3,018 CUD |
Naeytoetasojakauma
| Naeytoetaso | Raporttien maaerae | Kuvaus |
|---|
| L1 | 8 | Useita vaiheen 3 RCT:itae |
| L2 | 22 | Yksittaeinen RCT tai useita vaiheen 2 |
| L3 | 9 | Havainnointitutkimuksia |
| L4 | 25 | Prekliinisiaeresearchaanistisia tutkimuksia |
| L5 | 368 | Vain laskennallinen ennuste |
| N/A | 12 | Vain tunnetut käytöt (ei uusia ennusteita) |
Lahteen mukaan
| Lahde | Ennusteita |
|---|
| DL | 2,643,027 |
| KG + DL | 2,149 |
| KG | 246 |
Luottamuksen mukaan
| Luottamus | Ennusteita |
|---|
| very_high | 1,688 |
| high | 121,959 |
| medium | 243,715 |
| low | 2,278,060 |
Ennustemenetelmät
| Menetelma | Nopeus | Tarkkuus | Vaatimukset |
|---|
| Tietograafi | Nopea (sekunteja) | Alempi | Ei erityisvaatimuksia |
| Syvaeopppiminen | Hidas (tunteja) | Ylempi | Conda + PyTorch + DGL |
Tietograafimenetelma
uv run python scripts/run_kg_prediction.py
| Mittari | Arvo |
|---|
| EMA (keskitetyt myyntiluvat) Laaekkeitae yhteensae | 1,862 |
| Kartoitettu DrugBankiin | 1,397 (75.0%) |
| Uudelleenkaeytoeen ehdokkaat | 2,395 |
Syvaoppimismenetelma
conda activate txgnn
PYTHONPATH=src python -m fitxgnn.predict.txgnn_model
| Mittari | Arvo |
|---|
| DL-ennusteita yhteensae | 1,536,027 |
| Ainutlaatuisia laaekkeitae | 673 |
| Ainutlaatuisia indikaatioita | 17,041 |
Pistetulkinta
TxGNN-pistemaeaerae edustaa mallin luottamusta laake-sairauspariin, vaihteluvaeli 0-1.
| Kynnysarvo | Merkitys |
|---|
| >= 0.9 | Erittaein korkea luottamus |
| >= 0.7 | Korkea luottamus |
| >= 0.5 | Kohtalainen luottamus |
Pistejakauma
| Kynnysarvo | Merkitys |
|---|
| ≥ 0.9999 | Erittaein korkea luottamus, mallin varmimmat ennusteet |
| ≥ 0.99 | Hyvin korkea luottamus, kannattaa priorisoida validointiin |
| ≥ 0.9 | Korkea luottamus |
| ≥ 0.5 | Kohtalainen luottamus (sigmoid-paeaetoesraja) |
Naeyttoetoasojen maeaeritelmae
| Taso | Maeaeritelmae | Kliininen merkitys |
|---|
| L1 | Vaiheen 3 RCT tai systemaattinen katsaus | Voi tukea kliinistae kaeyttoeae |
| L2 | Vaiheen 2 RCT | Voidaan harkita kaeytoettaevaeksi |
| L3 | Vaihe 1 tai havainnointitutkimus | Vaatii lisaeaarviointia |
| L4 | Tapausraportti tai prekliininen tutkimus | Ei vielae suositeltu |
| L5 | Vain laskennallinen ennuste, ei kliinistae naeyttoeae | Vaatii lisaetutkimusta |
Taerkeaet muistutukset
- Korkeat pisteet eivae takaa kliinistae tehoa: TxGNN-pisteet ovat tietograafipohjaisia ennusteita, jotka vaativat kliinisen validoinnin.
- Matalat pisteet eivae tarkoita tehottomuutta: malli ei ehkae ole oppinut tiettyjae yhteyksia.
- Suositellaan kaeytettaevaeksi validointiprosessin kanssa: kaeytae taemaen projektin tyoekaluja kliinisten tutkimusten, kirjallisuuden ja muun naeytoen tarkasteluun.
Validointiprosessi
flowchart TD
A["TxGNN-ennustetulokset"] --> B
subgraph B["Step 1: DrugBundle Collector"]
B1["Laaeketaso: EMA, DDI, DrugBank"]
B2["Indikaatiotaso: ClinicalTrials, PubMed, ICTRP"]
end
B --> |"drug_bundle.json"| C
subgraph C["Step 2: Evidence Pack Generator"]
C1["Ohjelmallinen tiedonsiirto (100%)"]
C2["+ LLM Analyysi (L1-L5)"]
end
C --> |"drug_evidence_pack.json/md"| D
subgraph D["Step 3: Notes Writer"]
D1["drug_pharmacist_notes.md"]
D2["drug_sponsor_notes.md"]
end
Pikaopas
Vaihe 1: Lataa tiedot
Vaihe 2: Asenna riippuvuudet
uv sync
Vaihe 3: Kaesittele laaeketiedot
uv run python scripts/process_fda_data.py
Vaihe 4: Valmistele sanastotiedot
uv run python scripts/prepare_external_data.py
Vaihe 5: Suorita tietograafiennuste
uv run python scripts/run_kg_prediction.py
Vaihe 6: Maaeritae syvaoppimisympaeristo
conda create -n txgnn python=3.11 -y
conda activate txgnn
pip install torch==2.2.2 torchvision==0.17.2
pip install dgl==1.1.3
pip install git+https://github.com/mims-harvard/TxGNN.git
pip install pandas tqdm pyyaml pydantic ogb
Vaihe 7: Suorita syvaoppimisennuste
conda activate txgnn
PYTHONPATH=src python -m fitxgnn.predict.txgnn_model
Resurssit
TxGNN Ydin
Tietolahteet
Mallien lataukset
Projektin esittely
Hakemistorakenne
FITxGNN/
├── README.md
├── CLAUDE.md
├── pyproject.toml
│
├── config/
│ └── fields.yaml
│
├── data/
│ ├── kg.csv
│ ├── node.csv
│ ├── edges.csv
│ ├── raw/
│ ├── external/
│ ├── processed/
│ │ ├── drug_mapping.csv
│ │ ├── repurposing_candidates.csv
│ │ ├── txgnn_dl_predictions.csv.gz
│ │ └── integration_stats.json
│ ├── bundles/
│ └── collected/
│
├── src/fitxgnn/
│ ├── data/
│ │ └── loader.py
│ ├── mapping/
│ │ ├── normalizer.py
│ │ ├── drugbank_mapper.py
│ │ └── disease_mapper.py
│ ├── predict/
│ │ ├── repurposing.py
│ │ └── txgnn_model.py
│ ├── collectors/
│ └── paths.py
│
├── scripts/
│ ├── process_fda_data.py
│ ├── prepare_external_data.py
│ ├── run_kg_prediction.py
│ └── integrate_predictions.py
│
├── docs/
│ ├── _drugs/
│ ├── fhir/
│ │ ├── MedicationKnowledge/
│ │ └── ClinicalUseDefinition/
│ └── smart/
│
├── model_ckpt/
└── tests/
Selite: 🔵 Projektikehitys | 🟢 Paikalliset tiedot | 🟡 TxGNN-tiedot | 🟠 Validointiprosessi
Tietovirta
flowchart TD
FDA["EMA Tiedot"] --> proc["process_fda_data.py"]
TxGNN["TxGNN Tiedot"] --> prep["prepare_external_data.py"]
proc --> json["fi_fda_drugs.json"]
prep --> ext["data/external/"]
json --> norm["normalizer.py"]
ext --> norm
norm --> drug_map["drug_mapping.csv"]
drug_map --> ind_map["indication_mapping.csv"]
ind_map --> KG["Tietograafi"]
ind_map --> DL["Syvaeopppiminen"]
KG --> kg_out["repurposing_candidates.csv"]
DL --> dl_out["txgnn_dl_predictions.csv"]
Viittaus
Jos kaytat tata tietoaineistoa tai ohjelmistoa, viittaa:
@software{fitxgnn2026,
author = {Yao.Care},
title = {FITxGNN: Drug Repurposing Validation Reports for Finland Fimea Drugs},
year = 2026,
publisher = {GitHub},
url = {https://github.com/yao-care/FITxGNN}
}
Viittaa myos alkuperaiseen TxGNN-artikkeliin:
@article{huang2023txgnn,
title={A foundation model for clinician-centered drug repurposing},
author={Huang, Kexin and Chandak, Payal and Wang, Qianwen and Haber, Shreyas and Zitnik, Marinka},
journal={Nature Medicine},
year={2024},
doi={10.1038/s41591-024-03233-x}
}
維運：資料還原與許可證更新
完整還原
git 只放程式碼與網站頁面；許可證原始資料、證據包、藥師報告原稿、預測結果放在本 repo 的 Release。
git clone https://github.com/yao-care/fitxgnn.git && cd fitxgnn
uv sync # Python 相依套件
bash scripts/restore_data.sh # 取最新的 data-* Release，還原 data/（含校驗）
bash scripts/restore_data.sh --with-kg # 另加共用知識圖譜與預測模型（只有重跑預測才需要）
需要 GitHub CLI（gh auth login）與 uv。
改頁工具鏈
事實層、checker、許可證狀態計算等放在 tools/txgnn/.claude/，是母 repo yao-care/txgnn 的 .claude/ 複本（版本見 tools/txgnn/VERSION）。
規則要改請改母 repo，再用 python3 .claude/sync_site_tools.py FITxGNN 同步過來，不要直接改這裡的複本。
在本 repo 單獨使用時，先組工作目錄：
WS=$(bash scripts/txgnn_ws.sh)
cd "$WS"
python3 .claude/dump_license_facts_20261021.py FITxGNN # 依證據包算市場狀態（checker 要用）
python3 .claude/checker_trend.py --no-append FITxGNN # 全部藥物頁 checker，必須「非 0 0」
許可證排程更新（GitHub Actions）
.github/workflows/license-refresh.yml 每週一 UTC 03:17 自動執行，也可以在 Actions 頁手動觸發（可選只試跑）：
- 從 Release 還原
data/（scripts/restore_data.sh）
- 從主管機關下載最新許可證資料（
scripts/license_adapter.py），檢查筆數與格式
- 更新證據包的許可證狀態 → 重算市場狀態 → 同步許可證表 → 事實層改頁 → checker 全量必須 0 → 衍生檔 → gate
- 全部通過才推上
main 並觸發部署；更新後的 data/ 另存成新的 data-YYYYMMDD Release
以下情況一律不推、自動開 issue（label license-refresh）：下載失敗或格式改變、狀態變動超過兩成、
改到的藥物頁超過 min(200, 5%)、checker／gate／h1 沒過、有人工查核紀錄的頁會被改到。全程不使用 AI。
