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

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