MyTxGNN - Malaysia: Penggunaan Semula Ubat

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

Ramalan penggunaan semula ubat untuk ubat yang diluluskan NPRA (Malaysia) menggunakan model TxGNN.

Penafian

• Keputusan projek ini hanya untuk tujuan penyelidikan dan tidak merupakan nasihat perubatan.
• Calon penggunaan semula ubat memerlukan pengesahan klinikal sebelum penggunaan.

Gambaran keseluruhan projek

Statistik laporan

Item	Bilangan
Laporan ubat	606
Jumlah ramalan	19,982,488
Ubat unik	1,061
Petunjuk unik	17,041
Data DDI	160,235
Sumber FHIR	615 MK / 3,484 CUD

Taburan tahap bukti

Tahap bukti	Bilangan laporan	Penerangan
L1	10	Pelbagai RCT Fasa 3
L2	27	RCT tunggal atau pelbagai Fasa 2
L3	14	Kajian pemerhatian
L4	32	Kajian praklinikal / mekanistik
L5	494	Ramalan pengkomputeran sahaja
N/A	29	Kegunaan diketahui sahaja (tiada ramalan baharu)

Mengikut sumber

Sumber	Ramalan
DL	19,978,656
KG + DL	3,301
KG	531

Mengikut keyakinan

Keyakinan	Ramalan
very_high	2,433
high	1,092,872
medium	2,543,367
low	16,343,816

---

Kaedah ramalan

Kaedah	Kelajuan	Ketepatan	Keperluan
Graf pengetahuan	Cepat (saat)	Lebih rendah	Tiada keperluan khas
Pembelajaran mendalam	Perlahan (jam)	Lebih tinggi	Conda + PyTorch + DGL

Kaedah graf pengetahuan

uv run python scripts/run_kg_prediction.py

Metrik	Nilai
NPRA Jumlah ubat	13,600
Dipetakan ke DrugBank	10,276 (75.6%)
Calon penggunaan semula	3,832

Kaedah pembelajaran mendalam

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

Metrik	Nilai
Jumlah ramalan DL	2,106,034
Ubat unik	1,061
Petunjuk unik	17,041

Tafsiran skor

Skor TxGNN mewakili keyakinan model dalam pasangan ubat-penyakit, julat 0 hingga 1.

Ambang	Makna
>= 0.9	Keyakinan sangat tinggi
>= 0.7	Keyakinan tinggi
>= 0.5	Keyakinan sederhana

Taburan skor

Ambang	Maksud
≥ 0.9999	Keyakinan sangat tinggi, ramalan paling yakin model
≥ 0.99	Keyakinan sangat tinggi, patut diutamakan untuk pengesahan
≥ 0.9	Keyakinan tinggi
≥ 0.5	Keyakinan sederhana (sempadan keputusan sigmoid)

Definisi tahap bukti

Tahap	Definisi	Kepentingan klinikal
L1	RCT fasa 3 atau ulasan sistematik	Boleh menyokong penggunaan klinikal
L2	RCT fasa 2	Boleh dipertimbangkan untuk penggunaan
L3	Fasa 1 atau kajian pemerhatian	Memerlukan penilaian lanjut
L4	Laporan kes atau penyelidikan praklinikal	Belum disyorkan
L5	Ramalan pengkomputeran sahaja, tiada bukti klinikal	Memerlukan penyelidikan lanjut

Peringatan penting

1. Skor tinggi tidak menjamin keberkesanan klinikal: skor TxGNN adalah ramalan berasaskan graf pengetahuan yang memerlukan pengesahan ujian klinikal.
2. Skor rendah tidak bermakna tidak berkesan: model mungkin tidak mempelajari perkaitan tertentu.
3. Disyorkan untuk digunakan dengan saluran paip pengesahan: gunakan alat projek ini untuk menyemak ujian klinikal, kesusasteraan dan bukti lain.

Saluran paip pengesahan

flowchart TD
    A["Keputusan ramalan TxGNN"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Tahap ubat: NPRA, DDI, DrugBank"]
        B2["Tahap petunjuk: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Pemindahan data programatik (100%)"]
        C2["+ LLM Analisis (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

---

Mula pantas

Langkah 1: Muat turun data

Fail	Muat turun
NPRA Data	Sumber data
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Langkah 2: Pasang kebergantungan

uv sync

Langkah 3: Proses data ubat

uv run python scripts/process_fda_data.py

Langkah 4: Sediakan data perbendaharaan kata

uv run python scripts/prepare_external_data.py

Langkah 5: Jalankan ramalan graf pengetahuan

uv run python scripts/run_kg_prediction.py

Langkah 6: Sediakan persekitaran pembelajaran mendalam

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

Langkah 7: Jalankan ramalan pembelajaran mendalam

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

---

Sumber

TxGNN Teras

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

This is the beginning of the README. Read the rest at the original. Read the full README ↗