NlTxGNN - Nederland: Herpositionering van Geneesmiddelen

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

Voorspellingen voor herpositionering van geneesmiddelen voor door CBG-MEB (Netherlands) goedgekeurde geneesmiddelen met het TxGNN-model.

Disclaimer

• De resultaten van dit project zijn uitsluitend voor onderzoeksdoeleinden en vormen geen medisch advies.
• Kandidaten voor herpositionering van geneesmiddelen vereisen klinische validatie voor toepassing.

Projectoverzicht

Rapportstatistieken

Item	Aantal
Geneesmiddelrapporten	334
Totale voorspellingen	3,189,049
Unieke geneesmiddelen	430
Unieke indicaties	17,081
DDI-gegevens	160,235
FHIR-bronnen	367 MK / 2,469 CUD

Verdeling bewijsniveaus

Bewijsniveau	Aantal rapporten	Beschrijving
L1	3	Meerdere Fase 3 RCT's
L2	20	Enkele RCT of meerdere Fase 2
L3	15	Observationele studies
L4	25	Preklinische / mechanistische studies
L5	259	Alleen computationele voorspelling
N/A	12	Alleen bekend gebruik (geen nieuwe voorspellingen)

Per bron

Bron	Voorspellingen
KG	2,231,733
DL	716,068
KG + DL	241,248

Per vertrouwen

Vertrouwen	Voorspellingen
very_high	10,405
high	270,371
medium	2,294,414
low	613,859

---

Voorspellingsmethoden

Methode	Snelheid	Nauwkeurigheid	Vereisten
Kennisgrafiek	Snel (seconden)	Lager	Geen speciale vereisten
Deep Learning	Langzaam (uren)	Hoger	Conda + PyTorch + DGL

Kennisgrafiek-methode

uv run python scripts/run_kg_prediction.py

Metriek	Waarde
CBG-MEB Totaal geneesmiddelen	1,262
Herpositioneringskandidaten	2,472,981

Deep Learning-methode

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

Metriek	Waarde
Totale DL-voorspellingen	703,375
Unieke geneesmiddelen	430
Unieke indicaties	17,081

Score-interpretatie

De TxGNN-score vertegenwoordigt het vertrouwen van het model in een geneesmiddel-ziektepaar, varierend van 0 tot 1.

Drempelwaarde	Betekenis
>= 0.9	Zeer hoog vertrouwen
>= 0.7	Hoog vertrouwen
>= 0.5	Matig vertrouwen

Scoreverdeling

Drempelwaarde	Betekenis
≥ 0.9999	Extreem hoog vertrouwen, meest betrouwbare voorspellingen van het model
≥ 0.99	Zeer hoog vertrouwen, prioriteit geven aan validatie
≥ 0.9	Hoog vertrouwen
≥ 0.5	Matig vertrouwen (sigmoide beslissingsgrens)

Definities van bewijsniveaus

Niveau	Definitie	Klinische betekenis
L1	Fase 3 RCT of systematische review	Kan klinisch gebruik ondersteunen
L2	Fase 2 RCT	Kan overwogen worden voor gebruik
L3	Fase 1 of observationele studie	Vereist verdere evaluatie
L4	Casusrapport of preklinisch onderzoek	Nog niet aanbevolen
L5	Alleen computationele voorspelling, geen klinisch bewijs	Vereist verder onderzoek

Belangrijke herinneringen

1. Hoge scores garanderen geen klinische werkzaamheid: TxGNN-scores zijn op kennisgrafiek gebaseerde voorspellingen die klinische validatie vereisen.
2. Lage scores betekenen niet ineffectief: het model heeft mogelijk bepaalde associaties niet geleerd.
3. Aanbevolen om te gebruiken met validatiepijplijn: gebruik de hulpmiddelen van dit project om klinische studies, literatuur en ander bewijs te beoordelen.

Validatiepijplijn

flowchart TD
    A["TxGNN-voorspellingsresultaten"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Geneesmiddelniveau: CBG-MEB, DDI, DrugBank"]
        B2["Indicatieniveau: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Programmatische gegevensoverdracht (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

---

Snelstart

Stap 1: Gegevens downloaden

Bestand	Download
CBG-MEB Gegevens	Gegevensbron
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Stap 2: Afhankelijkheden installeren

uv sync

Stap 3: Geneesmiddelgegevens verwerken

uv run python scripts/process_fda_data.py

Stap 4: Vocabulairegegevens voorbereiden

uv run python scripts/prepare_external_data.py

Stap 5: Kennisgrafiek-voorspelling uitvoeren

uv run python scripts/run_kg_prediction.py

Stap 6: Deep Learning-omgeving instellen

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

Stap 7: Deep Learning-voorspelling uitvoeren

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

---

Bronnen

TxGNN Kern

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

Gegevensbronnen

Categorie	Gegevens	Bron	Opmerking
Geneesmiddelgegevens	CBG-MEB	-	Netherlands
Kennisgrafiek	TxGNN KG	Harvard Dataverse	17,080 diseases, 7,957 drugs
Geneesmiddeldatabase	DrugBank	DrugBank	Ingredientkoppeling geneesmiddelen
Geneesmiddelinteracties	DDInter	DDInter	DDI-paren
Geneesmiddelinteracties	Guide to PHARMACOLOGY	IUPHAR/BPS	Geneesmiddel-doelwitgegevens van goedgekeurde middelen (geen interacties)
Klinische studies	ClinicalTrials.gov	CT.gov API v2	Register klinische studies
Klinische studies	WHO ICTRP	ICTRP API	Internationaal platform klinische studies
Literatuur	PubMed	NCBI E-utilities	Medische literatuurzoekopdracht
Naamkoppeling	RxNorm	RxNav API	Standaardisatie geneesmiddelnamen
Naamkoppeling	PubChem

Modeldownloads

Bestand	Download	Opmerking
Voorgetraind model	Google Drive	model_ckpt.zip
node.csv	Harvard Dataverse	Knooppuntgegevens
kg.csv	Harvard Dataverse	Kennisgrafikgegevens
edges.csv	Harvard Dataverse	Randgegevens (DL)

Projectintroductie

Mapstructuur

NlTxGNN/
├── 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/nltxgnn/
│   ├── 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/

Legenda: 🔵 Projectontwikkeling | 🟢 Lokale gegevens | 🟡 TxGNN-gegevens | 🟠 Validatiepijplijn

Gegevensstroom

flowchart TD
    FDA["CBG-MEB Gegevens"] --> proc["process_fda_data.py"]
    TxGNN["TxGNN Gegevens"] --> prep["prepare_external_data.py"]

    proc --> json["nl_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["Kennisgrafiek"]
    ind_map --> DL["Deep Learning"]

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

---

Citering

Als u deze dataset of software gebruikt, citeer dan:

@software{nltxgnn2026,
  author       = {Yao.Care},
  title        = {NlTxGNN: Drug Repurposing Validation Reports for Netherlands CBG-MEB Drugs},
  year         = 2026,
  publisher    = {GitHub},
  url          = {https://github.com/yao-care/NlTxGNN}
}

Citeer ook het oorspronkelijke TxGNN-artikel:

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