DETxGNN - Deutschland: Arzneimittel-Repositionierung

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

Vorhersagen zur Arzneimittel-Repositionierung fuer zentral in der EU (EMA) zugelassene Arzneimittel (gelten auch in Germany) mit dem TxGNN-Modell.

Haftungsausschluss

• Die Ergebnisse dieses Projekts dienen ausschliesslich zu Forschungszwecken und stellen keine medizinische Beratung dar.
• Kandidaten fuer die Arzneimittel-Repositionierung erfordern eine klinische Validierung vor der Anwendung.

Projektuebersicht

Berichtsstatistiken

Element	Anzahl
Arzneimittelberichte	468
Gesamtvorhersagen	2,923,566
Einzigartige Arzneimittel	724
Einzigartige Indikationen	17,041
DDI-Daten	160,235
FHIR-Ressourcen	578 MK / 3,205 CUD

Verteilung der Evidenzstufen

Evidenzstufe	Berichtsanzahl	Beschreibung
L1	10	Mehrere Phase-3-RCTs
L2	19	Einzelne RCT oder mehrere Phase-2-Studien
L3	18	Beobachtungsstudien
L4	24	Praeklinische / mechanistische Studien
L5	385	Nur computationale Vorhersage
N/A	12	Nur bekannte Anwendungen (keine neuen Vorhersagen)

Nach Quelle

Quelle	Vorhersagen
DL	2,920,803
KG + DL	2,474
KG	289

Nach Vertrauen

Vertrauen	Vorhersagen
very_high	1,920
high	133,774
medium	270,761
low	2,517,111

---

Vorhersagemethoden

Methode	Geschwindigkeit	Genauigkeit	Anforderungen
Wissensgraph	Schnell (Sekunden)	Niedriger	Keine besonderen Anforderungen
Deep Learning	Langsam (Stunden)	Hoeher	Conda + PyTorch + DGL

Wissensgraph-Methode

uv run python scripts/run_kg_prediction.py

Metrik	Wert
EMA (zentrale EU-Zulassungen) Gesamtarzneimittel	2,321
DrugBank-Zuordnung	1,525 (65.7%)
Repositionierungskandidaten	2,763

Deep-Learning-Methode

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

Metrik	Wert
DL-Gesamtvorhersagen	1,664,758
Einzigartige Arzneimittel	724
Einzigartige Indikationen	17,041

Score-Interpretation

Der TxGNN-Score repraesentiert das Vertrauen des Modells in ein Arzneimittel-Krankheits-Paar im Bereich von 0 bis 1.

Schwellenwert	Bedeutung
>= 0.9	Sehr hohes Vertrauen
>= 0.7	Hohes Vertrauen
>= 0.5	Mittleres Vertrauen

Score-Verteilung

Schwellenwert	Bedeutung
≥ 0.9999	Extrem hohes Vertrauen, sicherste Vorhersagen des Modells
≥ 0.99	Sehr hohes Vertrauen, Priorisierung fuer Validierung empfohlen
≥ 0.9	Hohes Vertrauen
≥ 0.5	Moderates Vertrauen (Sigmoid-Entscheidungsgrenze)

Definitionen der Evidenzstufen

Stufe	Definition	Klinische Bedeutung
L1	Phase-3-RCT oder systematische Uebersicht	Kann klinische Anwendung unterstuetzen
L2	Phase-2-RCT	Kann fuer die Anwendung in Betracht gezogen werden
L3	Phase-1- oder Beobachtungsstudie	Erfordert weitere Bewertung
L4	Fallbericht oder praeklinische Forschung	Noch nicht empfohlen
L5	Nur computergestuetzte Vorhersage, keine klinische Evidenz	Erfordert weitere Forschung

Wichtige Hinweise

1. Hohe Scores garantieren keine klinische Wirksamkeit: TxGNN-Scores sind wissensgrafikbasierte Vorhersagen, die eine klinische Validierung erfordern.
2. Niedrige Scores bedeuten nicht unwirksam: Das Modell hat moeglicherweise bestimmte Zusammenhaenge nicht gelernt.
3. Empfohlen mit Validierungspipeline zu verwenden: Nutzen Sie die Werkzeuge dieses Projekts zur Ueberpruefung klinischer Studien, Literatur und anderer Evidenz.

Validierungspipeline

flowchart TD
    A["TxGNN-Vorhersageergebnisse"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Arzneimittel-Ebene: EMA, DDI, DrugBank"]
        B2["Indikations-Ebene: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Programmatischer Datentransfer (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

---

Schnellstart

Schritt 1: Daten herunterladen

Datei	Download
EMA Daten	EMA Medicines Report (zentrale EU-Zulassungen)
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Schritt 2: Abhaengigkeiten installieren

uv sync

Schritt 3: Arzneimitteldaten verarbeiten

uv run python scripts/process_fda_data.py

Schritt 4: Vokabeldaten vorbereiten

uv run python scripts/prepare_external_data.py

Schritt 5: Wissensgraph-Vorhersage ausfuehren

uv run python scripts/run_kg_prediction.py

Schritt 6: Deep-Learning-Umgebung einrichten

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

Schritt 7: Deep-Learning-Vorhersage ausfuehren

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

---

Ressourcen

TxGNN Kern

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

Datenquellen

Kategorie	Daten	Quelle	Hinweis
Arzneimitteldaten	EMA	EMA Medicines Report (zentrale EU-Zulassungen)	Germany
Wissensgraph	TxGNN KG	Harvard Dataverse	17,080 diseases, 7,957 drugs
Arzneimitteldatenbank	DrugBank	DrugBank	Wirkstoffzuordnung
Arzneimittelinteraktionen	DDInter	DDInter	DDI-Paare
Arzneimittelinteraktionen	Guide to PHARMACOLOGY	IUPHAR/BPS	Arzneimittel-Target-Daten zugelassener Wirkstoffe (keine Interaktionen)
Klinische Studien	ClinicalTrials.gov	CT.gov API v2	Register klinischer Studien
Klinische Studien	WHO ICTRP	ICTRP API	Internationale Plattform klinischer Studien
Literatur	PubMed	NCBI E-utilities	Medizinische Literatursuche
Namenszuordnung	RxNorm	RxNav API

Modell-Downloads

Datei	Download	Hinweis
Vortrainiertes Modell	Google Drive	model_ckpt.zip
node.csv	Harvard Dataverse	Knotendaten
kg.csv	Harvard Dataverse	Wissensgraph-Daten
edges.csv	Harvard Dataverse	Kantendaten (DL)

Projektvorstellung

Verzeichnisstruktur

DETxGNN/
├── 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/detxgnn/
│   ├── 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: 🔵 Projektentwicklung | 🟢 Lokale Daten | 🟡 TxGNN-Daten | 🟠 Validierungspipeline

Datenfluss

flowchart TD
    FDA["EMA Daten"] --> proc["process_fda_data.py"]
    TxGNN["TxGNN Daten"] --> prep["prepare_external_data.py"]

    proc --> json["de_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["Wissensgraph"]
    ind_map --> DL["Deep Learning"]

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

---

Zitierung

Wenn Sie diesen Datensatz oder diese Software verwenden, zitieren Sie bitte:

@software{detxgnn2026,
  author       = {Yao.Care},
  title        = {DETxGNN: Drug Repurposing Validation Reports for Germany BfArM Drugs},
  year         = 2026,
  publisher    = {GitHub},
  url          = {https://github.com/yao-care/DETxGNN}
}

Zitieren Sie auch die urspruengliche TxGNN-Publikation:

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