NOTxGNN - Norge: Legemiddelreposisjonering

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

Prediksjoner for legemiddelreposisjonering av legemidler med sentral markedsføringstillatelse i EU (EMA) (Norway) ved bruk av TxGNN-modellen.

Ansvarsfraskrivelse

• Resultatene av dette prosjektet er kun for forskningsformaal og utgjor ikke medisinsk raadgivning.
• Kandidater for legemiddelreposisjonering krever klinisk validering for bruk.

Prosjektoversikt

Rapportstatistikk

Element	Antall
Legemiddelrapporter	444
Totale prediksjoner	2,539,217
Unike legemidler	641
Unike indikasjoner	17,041
DDI-data	160,235
FHIR-ressurser	555 MK / 3,048 CUD

Fordeling av evidensnivaaer

Evidensnivaa	Antall rapporter	Beskrivelse
L1	7	Flere Fase 3 RCT-er
L2	19	Enkelt RCT eller flere Fase 2
L3	14	Observasjonelle studier
L4	24	Prekliniske / mekanistiske studier
L5	368	Kun beregningsbasert prediksjon
N/A	12	Kun kjente bruksområder (ingen nye prediksjoner)

Etter kilde

Kilde	Prediksjoner
DL	2,536,822
KG + DL	2,149
KG	246

Etter tillit

Tillit	Prediksjoner
very_high	1,688
high	117,105
medium	231,216
low	2,189,208

---

Prediksjonsmetoder

Metode	Hastighet	Noyaktighet	Krav
Kunnskapsgraf	Rask (sekunder)	Lavere	Ingen spesielle krav
Dyp laering	Langsom (timer)	Hoyere	Conda + PyTorch + DGL

Kunnskapsgraf-metode

uv run python scripts/run_kg_prediction.py

Metrikk	Verdi
EMA (sentrale markedsføringstillatelser) Totalt antall legemidler	1,862
Kartlagt til DrugBank	1,397 (75.0%)
Repositioneringskandidater	2,395

Dyp laering-metode

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

Metrikk	Verdi
Totale DL-prediksjoner	1,536,027
Unike legemidler	641
Unike indikasjoner	17,041

Scoretolkning

TxGNN-scoren representerer modellens tillit til et legemiddel-sykdomspar, med et intervall fra 0 til 1.

Terskelverdi	Betydning
>= 0.9	Svart hoy tillit
>= 0.7	Hoy tillit
>= 0.5	Moderat tillit

Poengfordeling

Terskelverdi	Betydning
≥ 0.9999	Ekstremt hoey tillit, modellens mest sikre prediksjoner
≥ 0.99	Svart hoey tillit, verdt aa prioritere for validering
≥ 0.9	Hoey tillit
≥ 0.5	Moderat tillit (sigmoid-beslutningsgrense)

Definisjoner av evidensnivaaer

Nivaa	Definisjon	Klinisk betydning
L1	Fase 3 RCT eller systematisk gjennomgang	Kan stoette klinisk bruk
L2	Fase 2 RCT	Kan vurderes for bruk
L3	Fase 1 eller observasjonsstudie	Krever videre evaluering
L4	Kasusrapport eller preklinisk forskning	Ennaa ikke anbefalt
L5	Kun beregningsbasert prediksjon, ingen klinisk evidens	Krever videre forskning

Viktige paaminnelser

1. Hoeye poeng garanterer ikke klinisk effektivitet: TxGNN-poeng er kunnskapsgrafbaserte prediksjoner som krever klinisk validering.
2. Lave poeng betyr ikke ineffektivt: modellen har kanskje ikke laert visse assosiasjoner.
3. Anbefales aa bruke med valideringspipeline: bruk dette prosjektets verktoey for aa gjennomgaa kliniske studier, litteratur og annen evidens.

Valideringspipeline

flowchart TD
    A["TxGNN-prediksjonsresultater"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Legemiddelnivaa: EMA, DDI, DrugBank"]
        B2["Indikasjonsnivaa: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Programmatisk dataoverforing (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

---

Hurtigstart

Trinn 1: Last ned data

Fil	Nedlasting
EMA Data	EMA Medicines Report (sentrale markedsføringstillatelser i EU)
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Trinn 2: Installer avhengigheter

uv sync

Trinn 3: Behandle legemiddeldata

uv run python scripts/process_fda_data.py

Trinn 4: Forbered vokabulardata

uv run python scripts/prepare_external_data.py

Trinn 5: Kjoer kunnskapsgraf-prediksjon

uv run python scripts/run_kg_prediction.py

Trinn 6: Sett opp dyp laering-miljoe

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

Trinn 7: Kjoer dyp laering-prediksjon

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

---

Ressurser

TxGNN Kjerne

• 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 ↗