JpTxGNN - Japan: Drug Repurposing Predictions

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

Japan PMDA承認医薬品のTxGNNモデルによるドラッグリポジショニング予測。

免責事項

• 本プロジェクトの結果は研究目的のみであり、医療アドバイスを構成するものではありません。
• ドラッグリポジショニング候補は、適用前に臨床検証が必要です。

プロジェクト概要

レポート統計

項目	数量
医薬品レポート	385
予測総数	13,479,854
ユニーク医薬品数	470
ユニーク適応症数	17,041
DDIデータ	160,235
FHIRリソース	529 MK / 2,400 CUD

エビデンスレベル分布

エビデンスレベル	レポート数	説明
L1	2	複数のPhase 3 RCT
L2	15	単一RCTまたは複数のPhase 2
L3	10	観察研究
L4	14	前臨床/メカニズム研究
L5	255	計算予測のみ
N/A	89	既知の用途のみ（新規予測なし）

ソース別

ソース	予測数
DL	13,476,908
KG + DL	2,555
KG	391

信頼度別

信頼度	予測数
very_high	1,940
high	647,079
medium	1,203,776
low	11,627,059

---

予測方法

方法	速度	精度	要件
知識グラフ	高速（秒単位）	低い	特別な要件なし
ディープラーニング	低速（時間単位）	高い	Conda + PyTorch + DGL

知識グラフ方法

uv run python scripts/run_kg_prediction.py

指標	値
PMDA 医薬品総数	19,148
リポジショニング候補	2,946

ディープラーニング方法

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

指標	値
DL予測総数	836,080
ユニーク医薬品数	470
ユニーク適応症数	17,041

スコア解釈

TxGNNスコアは、医薬品-疾患ペアに対するモデルの信頼度を表し、0から1の範囲です。

閾値	意味
>= 0.9	非常に高い信頼度
>= 0.7	高い信頼度
>= 0.5	中程度の信頼度

スコア分布

閾値	意味
≥ 0.9999	極めて高い信頼度、モデルの最も確信のある予測
≥ 0.99	非常に高い信頼度、検証の優先順位付けに値する
≥ 0.9	高い信頼度
≥ 0.5	中程度の信頼度（シグモイド決定境界）

エビデンスレベルの定義

レベル	定義	臨床的意義
L1	第3相RCTまたはシステマティックレビュー	臨床使用を支持できる
L2	第2相RCT	使用を検討できる
L3	第1相または観察研究	更なる評価が必要
L4	症例報告または前臨床研究	まだ推奨されない
L5	計算予測のみ、臨床エビデンスなし	更なる研究が必要

重要な注意事項

1. 高スコアは臨床的有効性を保証しません：TxGNNスコアは知識グラフベースの予測であり、臨床試験による検証が必要です。
2. 低スコアは無効を意味しません：モデルが特定の関連性を学習していない可能性があります。
3. 検証パイプラインとの併用を推奨：本プロジェクトのツールを使用して、臨床試験、文献、その他のエビデンスを確認してください。

検証パイプライン

flowchart TD
    A["TxGNN予測結果"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["医薬品レベル: PMDA, DDI, DrugBank"]
        B2["適応症レベル: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["プログラマティックデータ転送 (100%)"]
        C2["+ LLM 分析 (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

---

クイックスタート

ステップ 1: データのダウンロード

ファイル	ダウンロード
PMDA データ	データソース
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

ステップ 2: 依存関係のインストール

uv sync

ステップ 3: 医薬品データの処理

uv run python scripts/process_fda_data.py

ステップ 4: 語彙データの準備

uv run python scripts/prepare_external_data.py

ステップ 5: 知識グラフ予測の実行

uv run python scripts/run_kg_prediction.py

ステップ 6: ディープラーニング環境のセットアップ

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

ステップ 7: ディープラーニング予測の実行

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

---

リソース

TxGNN コア

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

データソース

カテゴリ	データ	ソース	備考
医薬品データ	PMDA	-	Japan
知識グラフ	TxGNN KG	Harvard Dataverse	17,080 diseases, 7,957 drugs
医薬品データベース	DrugBank	DrugBank	医薬品成分マッピング
薬物相互作用	DDInter	DDInter	DDIペア
薬物相互作用	Guide to PHARMACOLOGY	IUPHAR/BPS	承認薬の薬物–標的データ（相互作用ではない）
臨床試験	ClinicalTrials.gov	CT.gov API v2	臨床試験登録
臨床試験	WHO ICTRP	ICTRP API	国際臨床試験プラットフォーム
文献	PubMed	NCBI E-utilities	医学文献検索
名称マッピング	RxNorm	RxNav API	医薬品名標準化ブリッジ
名称マッピング	PubChem	PUG-REST API	化学物質同義語検索
名称マッピング	ChEMBL	ChEMBL API	生物活性データベース
標準規格	FHIR R4	HL7 FHIR	MedicationKnowledge, ClinicalUseDefinition
標準規格	SMART on FHIR

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