FITxGNN - Suomi: Laakkeiden uudelleenkaytto

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

Laakkeiden uudelleenkayton ennusteita EU:n keskitetyn myyntiluvan (EMA) saaneille laakkeille (Finland) TxGNN-mallilla.

Vastuuvapauslauseke

• Taemaen projektin tulokset ovat vain tutkimustarkoituksiin eivaetkae muodosta laeketieteen neuvontaa.
• Laaekkeiden uudelleenkaeytoeen ehdokkaat vaativat kliinisen validoinnin ennen soeveltamista.

Projektin yleiskatsaus

Raporttitilastot

Kohde	Maaerae
Laaekeraportteja	444
Ennusteita yhteensae	2,645,422
Ainutlaatuisia laaekkeitae	673
Ainutlaatuisia indikaatioita	17,041
DDI-tiedot	160,235
FHIR-resurssit	550 MK / 3,018 CUD

Naeytoetasojakauma

Naeytoetaso	Raporttien maaerae	Kuvaus
L1	8	Useita vaiheen 3 RCT:itae
L2	22	Yksittaeinen RCT tai useita vaiheen 2
L3	9	Havainnointitutkimuksia
L4	25	Prekliinisiaeresearchaanistisia tutkimuksia
L5	368	Vain laskennallinen ennuste
N/A	12	Vain tunnetut käytöt (ei uusia ennusteita)

Lahteen mukaan

Lahde	Ennusteita
DL	2,643,027
KG + DL	2,149
KG	246

Luottamuksen mukaan

Luottamus	Ennusteita
very_high	1,688
high	121,959
medium	243,715
low	2,278,060

---

Ennustemenetelmät

Menetelma	Nopeus	Tarkkuus	Vaatimukset
Tietograafi	Nopea (sekunteja)	Alempi	Ei erityisvaatimuksia
Syvaeopppiminen	Hidas (tunteja)	Ylempi	Conda + PyTorch + DGL

Tietograafimenetelma

uv run python scripts/run_kg_prediction.py

Mittari	Arvo
EMA (keskitetyt myyntiluvat) Laaekkeitae yhteensae	1,862
Kartoitettu DrugBankiin	1,397 (75.0%)
Uudelleenkaeytoeen ehdokkaat	2,395

Syvaoppimismenetelma

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

Mittari	Arvo
DL-ennusteita yhteensae	1,536,027
Ainutlaatuisia laaekkeitae	673
Ainutlaatuisia indikaatioita	17,041

Pistetulkinta

TxGNN-pistemaeaerae edustaa mallin luottamusta laake-sairauspariin, vaihteluvaeli 0-1.

Kynnysarvo	Merkitys
>= 0.9	Erittaein korkea luottamus
>= 0.7	Korkea luottamus
>= 0.5	Kohtalainen luottamus

Pistejakauma

Kynnysarvo	Merkitys
≥ 0.9999	Erittaein korkea luottamus, mallin varmimmat ennusteet
≥ 0.99	Hyvin korkea luottamus, kannattaa priorisoida validointiin
≥ 0.9	Korkea luottamus
≥ 0.5	Kohtalainen luottamus (sigmoid-paeaetoesraja)

Naeyttoetoasojen maeaeritelmae

Taso	Maeaeritelmae	Kliininen merkitys
L1	Vaiheen 3 RCT tai systemaattinen katsaus	Voi tukea kliinistae kaeyttoeae
L2	Vaiheen 2 RCT	Voidaan harkita kaeytoettaevaeksi
L3	Vaihe 1 tai havainnointitutkimus	Vaatii lisaeaarviointia
L4	Tapausraportti tai prekliininen tutkimus	Ei vielae suositeltu
L5	Vain laskennallinen ennuste, ei kliinistae naeyttoeae	Vaatii lisaetutkimusta

Taerkeaet muistutukset

1. Korkeat pisteet eivae takaa kliinistae tehoa: TxGNN-pisteet ovat tietograafipohjaisia ennusteita, jotka vaativat kliinisen validoinnin.
2. Matalat pisteet eivae tarkoita tehottomuutta: malli ei ehkae ole oppinut tiettyjae yhteyksia.
3. Suositellaan kaeytettaevaeksi validointiprosessin kanssa: kaeytae taemaen projektin tyoekaluja kliinisten tutkimusten, kirjallisuuden ja muun naeytoen tarkasteluun.

Validointiprosessi

flowchart TD
    A["TxGNN-ennustetulokset"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Laaeketaso: EMA, DDI, DrugBank"]
        B2["Indikaatiotaso: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Ohjelmallinen tiedonsiirto (100%)"]
        C2["+ LLM Analyysi (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

---

Pikaopas

Vaihe 1: Lataa tiedot

Tiedosto	Lataus
EMA Tiedot	EMA Medicines Report (EU:n keskitetyt myyntiluvat)
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Vaihe 2: Asenna riippuvuudet

uv sync

Vaihe 3: Kaesittele laaeketiedot

uv run python scripts/process_fda_data.py

Vaihe 4: Valmistele sanastotiedot

uv run python scripts/prepare_external_data.py

Vaihe 5: Suorita tietograafiennuste

uv run python scripts/run_kg_prediction.py

Vaihe 6: Maaeritae syvaoppimisympaeristo

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

Vaihe 7: Suorita syvaoppimisennuste

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

---

Resurssit

TxGNN Ydin

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

Tietolahteet

Kategoria	Tiedot	Lahde	Huomautus
Laaeketiedot	EMA	EMA Medicines Report (EU:n keskitetyt myyntiluvat)	Finland
Tietograafi	TxGNN KG	Harvard Dataverse	17,080 diseases, 7,957 drugs
Laaeketietokanta	DrugBank	DrugBank	Laakeainekartoitus
Laakeinteraktiot	DDInter	DDInter	DDI-parit
Laakeinteraktiot	Guide to PHARMACOLOGY	IUPHAR/BPS	Hyvaksyttyjen laakkeiden laake-kohde-tiedot (ei yhteisvaikutuksia)
Kliiniset tutkimukset	ClinicalTrials.gov	CT.gov API v2	Kliinisten tutkimusten rekisteri
Kliiniset tutkimukset	WHO ICTRP	ICTRP API	Kansainvaelinen kliinisten tutkimusten alusta
Kirjallisuus	PubMed	NCBI E-utilities	Laaketieteellinen kirjallisuushaku
Nimikartoitus	RxNorm	RxNav API

Mallien lataukset

Tiedosto	Lataus	Huomautus
Esikoulutettu malli	Google Drive	model_ckpt.zip
node.csv	Harvard Dataverse	Solmutiedot
kg.csv	Harvard Dataverse	Tietograafitiedot
edges.csv	Harvard Dataverse	Reunatiedot (DL)

Projektin esittely

Hakemistorakenne

FITxGNN/
├── 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/fitxgnn/
│   ├── 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/

Selite: 🔵 Projektikehitys | 🟢 Paikalliset tiedot | 🟡 TxGNN-tiedot | 🟠 Validointiprosessi

Tietovirta

flowchart TD
    FDA["EMA Tiedot"] --> proc["process_fda_data.py"]
    TxGNN["TxGNN Tiedot"] --> prep["prepare_external_data.py"]

    proc --> json["fi_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["Tietograafi"]
    ind_map --> DL["Syvaeopppiminen"]

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

---

Viittaus

Jos kaytat tata tietoaineistoa tai ohjelmistoa, viittaa:

@software{fitxgnn2026,
  author       = {Yao.Care},
  title        = {FITxGNN: Drug Repurposing Validation Reports for Finland Fimea Drugs},
  year         = 2026,
  publisher    = {GitHub},
  url          = {https://github.com/yao-care/FITxGNN}
}

Viittaa myos alkuperaiseen TxGNN-artikkeliin:

@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/fitxgnn.git && cd fitxgnn
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 FITxGNN 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 FITxGNN       # 依證據包算市場狀態（checker 要用）
python3 .claude/checker_trend.py --no-append FITxGNN           # 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。