NOTxGNN - Norge: Legemiddelreposisjonering

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

Prediksjoner for legemiddelreposisjonering av legemidler med sentral markedsføringstillatelse i EU (EMA) (Norway) ved bruk av TxGNN-modellen.

Ansvarsfraskrivelse

• Resultatene av dette prosjektet er kun for forskningsformaal og utgjor ikke medisinsk raadgivning.
• Kandidater for legemiddelreposisjonering krever klinisk validering for bruk.

Prosjektoversikt

Rapportstatistikk

Element	Antall
Legemiddelrapporter	444
Totale prediksjoner	2,539,217
Unike legemidler	641
Unike indikasjoner	17,041
DDI-data	160,235
FHIR-ressurser	555 MK / 3,048 CUD

Fordeling av evidensnivaaer

Evidensnivaa	Antall rapporter	Beskrivelse
L1	7	Flere Fase 3 RCT-er
L2	19	Enkelt RCT eller flere Fase 2
L3	14	Observasjonelle studier
L4	24	Prekliniske / mekanistiske studier
L5	368	Kun beregningsbasert prediksjon
N/A	12	Kun kjente bruksområder (ingen nye prediksjoner)

Etter kilde

Kilde	Prediksjoner
DL	2,536,822
KG + DL	2,149
KG	246

Etter tillit

Tillit	Prediksjoner
very_high	1,688
high	117,105
medium	231,216
low	2,189,208

---

Prediksjonsmetoder

Metode	Hastighet	Noyaktighet	Krav
Kunnskapsgraf	Rask (sekunder)	Lavere	Ingen spesielle krav
Dyp laering	Langsom (timer)	Hoyere	Conda + PyTorch + DGL

Kunnskapsgraf-metode

uv run python scripts/run_kg_prediction.py

Metrikk	Verdi
EMA (sentrale markedsføringstillatelser) Totalt antall legemidler	1,862
Kartlagt til DrugBank	1,397 (75.0%)
Repositioneringskandidater	2,395

Dyp laering-metode

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

Metrikk	Verdi
Totale DL-prediksjoner	1,536,027
Unike legemidler	641
Unike indikasjoner	17,041

Scoretolkning

TxGNN-scoren representerer modellens tillit til et legemiddel-sykdomspar, med et intervall fra 0 til 1.

Terskelverdi	Betydning
>= 0.9	Svart hoy tillit
>= 0.7	Hoy tillit
>= 0.5	Moderat tillit

Poengfordeling

Terskelverdi	Betydning
≥ 0.9999	Ekstremt hoey tillit, modellens mest sikre prediksjoner
≥ 0.99	Svart hoey tillit, verdt aa prioritere for validering
≥ 0.9	Hoey tillit
≥ 0.5	Moderat tillit (sigmoid-beslutningsgrense)

Definisjoner av evidensnivaaer

Nivaa	Definisjon	Klinisk betydning
L1	Fase 3 RCT eller systematisk gjennomgang	Kan stoette klinisk bruk
L2	Fase 2 RCT	Kan vurderes for bruk
L3	Fase 1 eller observasjonsstudie	Krever videre evaluering
L4	Kasusrapport eller preklinisk forskning	Ennaa ikke anbefalt
L5	Kun beregningsbasert prediksjon, ingen klinisk evidens	Krever videre forskning

Viktige paaminnelser

1. Hoeye poeng garanterer ikke klinisk effektivitet: TxGNN-poeng er kunnskapsgrafbaserte prediksjoner som krever klinisk validering.
2. Lave poeng betyr ikke ineffektivt: modellen har kanskje ikke laert visse assosiasjoner.
3. Anbefales aa bruke med valideringspipeline: bruk dette prosjektets verktoey for aa gjennomgaa kliniske studier, litteratur og annen evidens.

Valideringspipeline

flowchart TD
    A["TxGNN-prediksjonsresultater"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Legemiddelnivaa: EMA, DDI, DrugBank"]
        B2["Indikasjonsnivaa: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Programmatisk dataoverforing (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

---

Hurtigstart

Trinn 1: Last ned data

Fil	Nedlasting
EMA Data	EMA Medicines Report (sentrale markedsføringstillatelser i EU)
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Trinn 2: Installer avhengigheter

uv sync

Trinn 3: Behandle legemiddeldata

uv run python scripts/process_fda_data.py

Trinn 4: Forbered vokabulardata

uv run python scripts/prepare_external_data.py

Trinn 5: Kjoer kunnskapsgraf-prediksjon

uv run python scripts/run_kg_prediction.py

Trinn 6: Sett opp dyp laering-miljoe

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

Trinn 7: Kjoer dyp laering-prediksjon

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

---

Ressurser

TxGNN Kjerne

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

Datakilder

Kategori	Data	Kilde	Merknad
Legemiddeldata	EMA	EMA Medicines Report (sentrale markedsføringstillatelser i EU)	Norway
Kunnskapsgraf	TxGNN KG	Harvard Dataverse	17,080 diseases, 7,957 drugs
Legemiddeldatabase	DrugBank	DrugBank	Kartlegging av legemiddelingredienser
Legemiddelinteraksjoner	DDInter	DDInter	DDI-par
Legemiddelinteraksjoner	Guide to PHARMACOLOGY	IUPHAR/BPS	Legemiddel-target-data for godkjente legemidler (ikke interaksjoner)
Kliniske studier	ClinicalTrials.gov	CT.gov API v2	Register for kliniske studier
Kliniske studier	WHO ICTRP	ICTRP API	Internasjonal plattform for kliniske studier
Litteratur	PubMed	NCBI E-utilities	Medisinsk litteratursok
Navnekartlegging	RxNorm	RxNav API

Modellnedlastinger

Fil	Nedlasting	Merknad
Fortrent modell	Google Drive	model_ckpt.zip
node.csv	Harvard Dataverse	Nodedata
kg.csv	Harvard Dataverse	Kunnskapsgrafdata
edges.csv	Harvard Dataverse	Kantdata (DL)

Prosjektintroduksjon

Katalogstruktur

NOTxGNN/
├── 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/notxgnn/
│   ├── 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/

Forklaring: 🔵 Prosjektutvikling | 🟢 Lokale data | 🟡 TxGNN-data | 🟠 Valideringspipeline

Dataflyt

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

    proc --> json["no_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["Kunnskapsgraf"]
    ind_map --> DL["Dyp laering"]

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

---

Sitering

Hvis du bruker dette datasettet eller programvaren, vennligst siter:

@software{notxgnn2026,
  author       = {Yao.Care},
  title        = {NOTxGNN: Drug Repurposing Validation Reports for Norway DMP Drugs},
  year         = 2026,
  publisher    = {GitHub},
  url          = {https://github.com/yao-care/NOTxGNN}
}

Siter ogsaa den originale TxGNN-artikkelen:

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