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

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