FRTxGNN - France: Repositionnement de Medicaments

本專案由 藥提醒科技有限公司（yao.care）開發與維運。 FRTxGNN 站台：https://frtxgnn.yao.care/｜產品總覽：https://www.yao.care/medical/txgnn/

Predictions de repositionnement de medicaments pour les medicaments approuves par ANSM (France) utilisant le modele TxGNN.

Avertissement

• Les resultats de ce projet sont uniquement a des fins de recherche et ne constituent pas un avis medical.
• Les candidats au repositionnement de medicaments necessitent une validation clinique avant application.

Apercu du projet

Statistiques des rapports

Element	Nombre
Rapports de medicaments	813
Predictions totales	19,482,538
Medicaments uniques	1,141
Indications uniques	17,041
Donnees DDI	160,235
Ressources FHIR	888 MK / 4,898 CUD

Distribution des niveaux de preuve

Niveau de preuve	Nombre de rapports	Description
L1	10	Plusieurs ECR de Phase 3
L2	31	ECR unique ou plusieurs Phase 2
L3	31	Etudes observationnelles
L4	57	Etudes precliniques / mecanistiques
L5	660	Prediction computationnelle uniquement
N/A	24	Usages connus uniquement (aucune nouvelle prédiction)

Par source

Source	Predictions
DL	19,480,610
KG + DL	1,698
KG	230

Par confiance

Confiance	Predictions
very_high	1,307
high	1,005,592
medium	1,969,413
low	16,506,226

---

Methodes de prediction

Methode	Vitesse	Precision	Exigences
Graphe de connaissances	Rapide (secondes)	Inferieure	Aucune exigence particuliere
Apprentissage profond	Lent (heures)	Superieure	Conda + PyTorch + DGL

Methode du graphe de connaissances

uv run python scripts/run_kg_prediction.py

Metrique	Valeur
ANSM Total des medicaments	20,856
Mappes a DrugBank	11,826 (56.7%)
Candidats au repositionnement	1,928

Methode d'apprentissage profond

conda activate txgnn
PYTHONPATH=src python -m frtxgnn.predict.txgnn_model

Metrique	Valeur
Predictions DL totales	2,391,153
Medicaments uniques	1,141
Indications uniques	17,041

Interpretation des scores

Le score TxGNN represente la confiance du modele dans une paire medicament-maladie, allant de 0 a 1.

Seuil	Signification
>= 0.9	Confiance tres elevee
>= 0.7	Confiance elevee
>= 0.5	Confiance moderee

Distribution des scores

Seuil	Signification
≥ 0.9999	Confiance extremement elevee, predictions les plus confiantes du modele
≥ 0.99	Confiance tres elevee, a prioriser pour la validation
≥ 0.9	Confiance elevee
≥ 0.5	Confiance moderee (frontiere de decision sigmoide)

Definitions des niveaux de preuve

Niveau	Definition	Signification clinique
L1	ECR de phase 3 ou revue systematique	Peut soutenir l'utilisation clinique
L2	ECR de phase 2	Peut etre envisage pour utilisation
L3	Phase 1 ou etude observationnelle	Necessite une evaluation supplementaire
L4	Rapport de cas ou recherche preclinique	Pas encore recommande
L5	Prediction informatique uniquement, aucune preuve clinique	Necessite des recherches supplementaires

Rappels importants

1. Des scores eleves ne garantissent pas l'efficacite clinique : les scores TxGNN sont des predictions basees sur des graphes de connaissances necessitant une validation par essais cliniques.
2. Des scores faibles ne signifient pas inefficace : le modele n'a peut-etre pas appris certaines associations.
3. Recommande d'utiliser avec le pipeline de validation : utilisez les outils de ce projet pour examiner les essais cliniques, la litterature et d'autres preuves.

Pipeline de validation

flowchart TD
    A["Resultats de prediction TxGNN"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Niveau medicament: ANSM, DDI, DrugBank"]
        B2["Niveau indication: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Transfert de donnees programmatique (100%)"]
        C2["+ LLM Analyse (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

---

Demarrage rapide

Etape 1: Telecharger les donnees

Fichier	Telechargement
ANSM Donnees	Base de données publique des médicaments (BDPM)
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Etape 2: Installer les dependances

uv sync

Etape 3: Traiter les donnees medicamenteuses

uv run python scripts/process_fda_data.py

Etape 4: Preparer les donnees de vocabulaire

uv run python scripts/prepare_external_data.py

Etape 5: Executer la prediction par graphe de connaissances

uv run python scripts/run_kg_prediction.py

Etape 6: Configurer l'environnement d'apprentissage profond

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

Etape 7: Executer la prediction par apprentissage profond

conda activate txgnn
PYTHONPATH=src python -m frtxgnn.predict.txgnn_model

---

Ressources

TxGNN Noyau

• TxGNN Paper - Nature Medicine, 2024
• TxGNN GitHub
• TxGNN Explorer

Sources de donnees

Categorie	Donnees	Source	Note
Donnees medicamenteuses	ANSM	Base de données publique des médicaments (BDPM)	France
Graphe de connaissances	TxGNN KG	Harvard Dataverse	17,080 diseases, 7,957 drugs
Base de donnees de medicaments	DrugBank	DrugBank	Mappage d'ingredients medicamenteux
Interactions medicamenteuses	DDInter	DDInter	Paires DDI
Interactions medicamenteuses	Guide to PHARMACOLOGY	IUPHAR/BPS	Donnees medicament-cible des medicaments approuves (pas des interactions)
Essais cliniques	ClinicalTrials.gov	CT.gov API v2	Registre d'essais cliniques
Essais cliniques	WHO ICTRP	ICTRP API	Plateforme internationale d'essais cliniques
Litterature	PubMed	NCBI E-utilities	Recherche de litterature medicale
Mappage de noms	RxNorm	RxNav API

Telechargements de modeles

Fichier	Telechargement	Note
Modele pre-entraine	Google Drive	model_ckpt.zip
node.csv	Harvard Dataverse	Donnees de noeuds
kg.csv	Harvard Dataverse	Donnees du graphe de connaissances
edges.csv	Harvard Dataverse	Donnees d'aretes (DL)

Presentation du projet

Structure des repertoires

FRTxGNN/
├── 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/frtxgnn/
│   ├── 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/

Legende: 🔵 Developpement du projet | 🟢 Donnees locales | 🟡 Donnees TxGNN | 🟠 Pipeline de validation

Flux de donnees

flowchart TD
    FDA["ANSM Donnees"] --> proc["process_fda_data.py"]
    TxGNN["TxGNN Donnees"] --> prep["prepare_external_data.py"]

    proc --> json["fr_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["Graphe de connaissances"]
    ind_map --> DL["Apprentissage profond"]

    KG --> kg_out["repurposing_candidates.csv"]
    DL --> dl_out["txgnn_dl_predictions.csv"]

---

Citation

Si vous utilisez ce jeu de donnees ou ce logiciel, veuillez citer :

@software{frtxgnn2026,
  author       = {Yao.Care},
  title        = {FRTxGNN: Drug Repurposing Validation Reports for France ANSM Drugs},
  year         = 2026,
  publisher    = {GitHub},
  url          = {https://github.com/yao-care/FRTxGNN}
}

Citez egalement l'article original TxGNN :

@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/frtxgnn.git && cd frtxgnn
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 FRTxGNN 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 FRTxGNN       # 依證據包算市場狀態（checker 要用）
python3 .claude/checker_trend.py --no-append FRTxGNN           # 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）：

1. 從 Release 還原 data/（scripts/restore_data.sh）
2. 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
3. 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
4. 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。