MyTxGNN - Malaysia: Penggunaan Semula Ubat

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

Ramalan penggunaan semula ubat untuk ubat yang diluluskan NPRA (Malaysia) menggunakan model TxGNN.

Penafian

• Keputusan projek ini hanya untuk tujuan penyelidikan dan tidak merupakan nasihat perubatan.
• Calon penggunaan semula ubat memerlukan pengesahan klinikal sebelum penggunaan.

Gambaran keseluruhan projek

Statistik laporan

Item	Bilangan
Laporan ubat	606
Jumlah ramalan	18,287,982
Ubat unik	1,000
Petunjuk unik	17,041
Data DDI	160,235
Sumber FHIR	508 MK / 3,832 CUD

Taburan tahap bukti

Tahap bukti	Bilangan laporan	Penerangan
L1	0	Pelbagai RCT Fasa 3
L2	0	RCT tunggal atau pelbagai Fasa 2
L3	0	Kajian pemerhatian
L4	0	Kajian praklinikal / mekanistik
L5	508	Ramalan pengkomputeran sahaja

Mengikut sumber

Sumber	Ramalan
DL	18,284,150
KG + DL	3,301
KG	531

Mengikut keyakinan

Keyakinan	Ramalan
very_high	2,433
high	999,893
medium	2,378,077
low	14,907,579

---

Kaedah ramalan

Kaedah	Kelajuan	Ketepatan	Keperluan
Graf pengetahuan	Cepat (saat)	Lebih rendah	Tiada keperluan khas
Pembelajaran mendalam	Perlahan (jam)	Lebih tinggi	Conda + PyTorch + DGL

Kaedah graf pengetahuan

uv run python scripts/run_kg_prediction.py

Metrik	Nilai
NPRA Jumlah ubat	13,554
Dipetakan ke DrugBank	9,326 (68.8%)
Calon penggunaan semula	3,832

Kaedah pembelajaran mendalam

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

Metrik	Nilai
Jumlah ramalan DL	1,981,986
Ubat unik	1,000
Petunjuk unik	17,041

Tafsiran skor

Skor TxGNN mewakili keyakinan model dalam pasangan ubat-penyakit, julat 0 hingga 1.

Ambang	Makna
>= 0.9	Keyakinan sangat tinggi
>= 0.7	Keyakinan tinggi
>= 0.5	Keyakinan sederhana

Taburan skor

Ambang	Maksud
≥ 0.9999	Keyakinan sangat tinggi, ramalan paling yakin model
≥ 0.99	Keyakinan sangat tinggi, patut diutamakan untuk pengesahan
≥ 0.9	Keyakinan tinggi
≥ 0.5	Keyakinan sederhana (sempadan keputusan sigmoid)

Definisi tahap bukti

Tahap	Definisi	Kepentingan klinikal
L1	RCT fasa 3 atau ulasan sistematik	Boleh menyokong penggunaan klinikal
L2	RCT fasa 2	Boleh dipertimbangkan untuk penggunaan
L3	Fasa 1 atau kajian pemerhatian	Memerlukan penilaian lanjut
L4	Laporan kes atau penyelidikan praklinikal	Belum disyorkan
L5	Ramalan pengkomputeran sahaja, tiada bukti klinikal	Memerlukan penyelidikan lanjut

Peringatan penting

1. Skor tinggi tidak menjamin keberkesanan klinikal: skor TxGNN adalah ramalan berasaskan graf pengetahuan yang memerlukan pengesahan ujian klinikal.
2. Skor rendah tidak bermakna tidak berkesan: model mungkin tidak mempelajari perkaitan tertentu.
3. Disyorkan untuk digunakan dengan saluran paip pengesahan: gunakan alat projek ini untuk menyemak ujian klinikal, kesusasteraan dan bukti lain.

Saluran paip pengesahan

flowchart TD
    A["Keputusan ramalan TxGNN"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Tahap ubat: NPRA, DDI, DrugBank"]
        B2["Tahap petunjuk: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Pemindahan data programatik (100%)"]
        C2["+ LLM Analisis (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

---

Mula pantas

Langkah 1: Muat turun data

Fail	Muat turun
NPRA Data	Sumber data
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Langkah 2: Pasang kebergantungan

uv sync

Langkah 3: Proses data ubat

uv run python scripts/process_fda_data.py

Langkah 4: Sediakan data perbendaharaan kata

uv run python scripts/prepare_external_data.py

Langkah 5: Jalankan ramalan graf pengetahuan

uv run python scripts/run_kg_prediction.py

Langkah 6: Sediakan persekitaran pembelajaran mendalam

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

Langkah 7: Jalankan ramalan pembelajaran mendalam

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

---

Sumber

TxGNN Teras

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

Sumber data

Kategori	Data	Sumber	Nota
Data ubat	NPRA	NPRA	Malaysia
Graf pengetahuan	TxGNN KG	Harvard Dataverse	17,080 diseases, 7,957 drugs
Pangkalan data ubat	DrugBank	DrugBank	Pemetaan ramuan ubat
Interaksi ubat	DDInter 2.0	DDInter	Pasangan DDI
Interaksi ubat	Guide to PHARMACOLOGY	IUPHAR/BPS	Interaksi ubat yang diluluskan
Percubaan klinikal	ClinicalTrials.gov	CT.gov API v2	Pendaftaran percubaan klinikal
Percubaan klinikal	WHO ICTRP	ICTRP API	Platform percubaan klinikal antarabangsa
Sastera	PubMed	NCBI E-utilities	Carian sastera perubatan
Pemetaan nama	RxNorm	RxNav API	Penyeragaman nama ubat
Pemetaan nama

Muat turun model

Fail	Muat turun	Nota
Model pra-latih	Google Drive	model_ckpt.zip
node.csv	Harvard Dataverse	Data nod
kg.csv	Harvard Dataverse	Data graf pengetahuan
edges.csv	Harvard Dataverse	Data tepi (DL)

Pengenalan projek

Struktur direktori

MyTxGNN/
├── 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/mytxgnn/
│   ├── 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/

Petunjuk: 🔵 Pembangunan projek | 🟢 Data tempatan | 🟡 Data TxGNN | 🟠 Saluran paip pengesahan

Aliran data

flowchart TD
    FDA["NPRA Data"] --> proc["process_fda_data.py"]
    TxGNN["TxGNN Data"] --> prep["prepare_external_data.py"]

    proc --> json["my_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["Graf pengetahuan"]
    ind_map --> DL["Pembelajaran mendalam"]

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

---

Petikan

Jika anda menggunakan set data atau perisian ini, sila petik:

@software{mytxgnn2026,
  author       = {Yao.Care},
  title        = {MyTxGNN: Drug Repurposing Validation Reports for Malaysia NPRA Drugs},
  year         = 2026,
  publisher    = {GitHub},
  url          = {https://github.com/yao-care/MyTxGNN}
}

Petik juga artikel asal 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/mytxgnn.git && cd mytxgnn
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 MyTxGNN 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 MyTxGNN       # 依證據包算市場狀態（checker 要用）
python3 .claude/checker_trend.py --no-append MyTxGNN           # 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。