Distribution des niveaux de preuve

Par source

Par confiance

Methodes de prediction

Methode du graphe de connaissances

uv run python scripts/run_kg_prediction.py

Methode d'apprentissage profond

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

Interpretation des scores

Le score TxGNN represente la confiance du modele dans une paire medicament-maladie, allant de 0 a 1.

Distribution des scores

Definitions des niveaux de preuve

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

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

Etape 6: Configurer l'environnement d'apprentissage profond

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

Etape 7: Executer la prediction par apprentissage profond

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

Ressources

TxGNN Noyau

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

Sources de donnees

Telechargements de modeles

Presentation du projet

Structure des repertoires

FRTxGNN/
├── README.md
├── CLAUDE.md
├── pyproject.toml
│
├── config/
│   └── fields.yaml
│
├── data/
│   ├── kg.csv
│   ├── node.csv
│   ├── edges.csv
│   ├── raw/
│   ├── external/
│   ├── processed/
│   │   ├── drug_mapping.csv
│   │   ├── repurposing_candidates.csv
│   │   ├── txgnn_dl_predictions.csv.gz
│   │   └── integration_stats.json
│   ├── bundles/
│   └── collected/
│
├── src/frtxgnn/
│   ├── data/
│   │   └── loader.py
│   ├── mapping/
│   │   ├── normalizer.py
│   │   ├── drugbank_mapper.py
│   │   └── disease_mapper.py
│   ├── predict/
│   │   ├── repurposing.py
│   │   └── txgnn_model.py
│   ├── collectors/
│   └── paths.py
│
├── scripts/
│   ├── process_fda_data.py
│   ├── prepare_external_data.py
│   ├── run_kg_prediction.py
│   └── integrate_predictions.py
│
├── docs/
│   ├── _drugs/
│   ├── fhir/
│   │   ├── MedicationKnowledge/
│   │   └── ClinicalUseDefinition/
│   └── smart/
│
├── model_ckpt/
└── tests/

Legende: 🔵 Developpement du projet | 🟢 Donnees locales | 🟡 Donnees TxGNN | 🟠 Pipeline de validation

Flux de donnees

flowchart TD
    FDA["ANSM Donnees"] --> proc["process_fda_data.py"]
    TxGNN["TxGNN Donnees"] --> prep["prepare_external_data.py"]

    proc --> json["fr_fda_drugs.json"]
    prep --> ext["data/external/"]

    json --> norm["normalizer.py"]
    ext --> norm

    norm --> drug_map["drug_mapping.csv"]
    drug_map --> ind_map["indication_mapping.csv"]

    ind_map --> KG["Graphe de connaissances"]
    ind_map --> DL["Apprentissage profond"]

    KG --> kg_out["repurposing_candidates.csv"]
    DL --> dl_out["txgnn_dl_predictions.csv"]

Citation

Si vous utilisez ce jeu de donnees ou ce logiciel, veuillez citer :

@software{frtxgnn2026,
  author       = {Yao.Care},
  title        = {FRTxGNN: Drug Repurposing Validation Reports for France ANSM Drugs},
  year         = 2026,
  publisher    = {GitHub},
  url          = {https://github.com/yao-care/FRTxGNN}
}

Citez egalement l'article original TxGNN :

@article{huang2023txgnn,
  title={A foundation model for clinician-centered drug repurposing},
  author={Huang, Kexin and Chandak, Payal and Wang, Qianwen and Haber, Shreyas and Zitnik, Marinka},
  journal={Nature Medicine},
  year={2024},
  doi={10.1038/s41591-024-03233-x}
}

維運：資料還原與許可證更新

完整還原

git 只放程式碼與網站頁面；許可證原始資料、證據包、藥師報告原稿、預測結果放在本 repo 的 Release。

git clone https://github.com/yao-care/frtxgnn.git && cd frtxgnn
uv sync                                  # Python 相依套件
bash scripts/restore_data.sh             # 取最新的 data-* Release，還原 data/（含校驗）
bash scripts/restore_data.sh --with-kg   # 另加共用知識圖譜與預測模型（只有重跑預測才需要）

需要 GitHub CLI（gh auth login）與 uv。

改頁工具鏈

事實層、checker、許可證狀態計算等放在 tools/txgnn/.claude/，是母 repo yao-care/txgnn 的 .claude/ 複本（版本見 tools/txgnn/VERSION）。 規則要改請改母 repo，再用 python3 .claude/sync_site_tools.py FRTxGNN 同步過來，不要直接改這裡的複本。 在本 repo 單獨使用時，先組工作目錄：

WS=$(bash scripts/txgnn_ws.sh)
cd "$WS"
python3 .claude/dump_license_facts_20261021.py FRTxGNN       # 依證據包算市場狀態（checker 要用）
python3 .claude/checker_trend.py --no-append FRTxGNN           # 全部藥物頁 checker，必須「非 0 0」

許可證排程更新（GitHub Actions）

.github/workflows/license-refresh.yml 每週一 UTC 03:17 自動執行，也可以在 Actions 頁手動觸發（可選只試跑）：

1. 從 Release 還原 data/（scripts/restore_data.sh）
2. 從主管機關下載最新許可證資料（scripts/license_adapter.py），檢查筆數與格式
3. 更新證據包的許可證狀態 → 重算市場狀態 → 同步許可證表 → 事實層改頁 → checker 全量必須 0 → 衍生檔 → gate
4. 全部通過才推上 main 並觸發部署；更新後的 data/ 另存成新的 data-YYYYMMDD Release

以下情況一律不推、自動開 issue（label license-refresh）：下載失敗或格式改變、狀態變動超過兩成、 改到的藥物頁超過 min(200, 5%)、checker／gate／h1 沒過、有人工查核紀錄的頁會被改到。全程不使用 AI。