ITTxGNN - Italia: Riposizionamento dei Farmaci

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

Previsioni di riposizionamento di farmaci per i farmaci di classe A e H delle liste AIFA (Italy) utilizzando il modello TxGNN.

Avvertenza

• I risultati di questo progetto sono solo a scopo di ricerca e non costituiscono consulenza medica.
• I candidati al riposizionamento dei farmaci richiedono una validazione clinica prima dell'applicazione.

Panoramica del progetto

Statistiche dei rapporti

Elemento	Quantita
Rapporti sui farmaci	436
Previsioni totali	14,239,352
Farmaci unici	596
Indicazioni uniche	16,996
Dati DDI	160,235
Risorse FHIR	505 MK / 2,725 CUD

Distribuzione dei livelli di evidenza

Livello di evidenza	Numero di rapporti	Descrizione
L1	7	Multipli RCT di Fase 3
L2	12	RCT singolo o multipli Fase 2
L3	17	Studi osservazionali
L4	24	Studi preclinici / meccanicistici
L5	358	Solo previsione computazionale
N/A	18	Solo usi noti (nessuna nuova previsione)

Per fonte

Fonte	Previsioni
DL	14,237,492
KG + DL	1,617
KG	243

Per fiducia

Fiducia	Previsioni
very_high	1,263
high	652,195
medium	1,154,187
low	12,431,707

---

Metodi di previsione

Metodo	Velocita	Precisione	Requisiti
Grafo di conoscenza	Veloce (secondi)	Inferiore	Nessun requisito speciale
Deep Learning	Lento (ore)	Superiore	Conda + PyTorch + DGL

Metodo del grafo di conoscenza

uv run python scripts/run_kg_prediction.py

Metrica	Valore
Liste AIFA classe A e H Totale farmaci	11,639
Mappati a DrugBank	10,558 (90.7%)
Candidati al riposizionamento	1,860

Metodo di deep learning

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

Metrica	Valore
Previsioni DL totali	1,023,414
Farmaci unici	596
Indicazioni uniche	16,996

Interpretazione dei punteggi

Il punteggio TxGNN rappresenta la fiducia del modello in una coppia farmaco-malattia, con un range da 0 a 1.

Soglia	Significato
>= 0.9	Fiducia molto alta
>= 0.7	Fiducia alta
>= 0.5	Fiducia moderata

Distribuzione dei punteggi

Soglia	Significato
≥ 0.9999	Confidenza estremamente alta, previsioni piu sicure del modello
≥ 0.99	Confidenza molto alta, da prioritizzare per la validazione
≥ 0.9	Confidenza alta
≥ 0.5	Confidenza moderata (confine decisionale sigmoide)

Definizioni dei livelli di evidenza

Livello	Definizione	Significato clinico
L1	RCT di fase 3 o revisione sistematica	Puo supportare l'uso clinico
L2	RCT di fase 2	Puo essere considerato per l'uso
L3	Fase 1 o studio osservazionale	Richiede ulteriore valutazione
L4	Report di caso o ricerca preclinica	Non ancora raccomandato
L5	Solo previsione computazionale, nessuna evidenza clinica	Richiede ulteriore ricerca

Promemoria importanti

1. Punteggi alti non garantiscono efficacia clinica: i punteggi TxGNN sono previsioni basate su grafi di conoscenza che richiedono validazione tramite studi clinici.
2. Punteggi bassi non significano inefficacia: il modello potrebbe non aver appreso certe associazioni.
3. Si consiglia l'uso con la pipeline di validazione: utilizzare gli strumenti di questo progetto per esaminare studi clinici, letteratura e altre prove.

Pipeline di validazione

flowchart TD
    A["Risultati di previsione TxGNN"] --> B
    subgraph B["Step 1: DrugBundle Collector"]
        B1["Livello farmaco: AIFA, DDI, DrugBank"]
        B2["Livello indicazione: ClinicalTrials, PubMed, ICTRP"]
    end
    B --> |"drug_bundle.json"| C
    subgraph C["Step 2: Evidence Pack Generator"]
        C1["Trasferimento dati programmatico (100%)"]
        C2["+ LLM Analisi (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

---

Avvio rapido

Passo 1: Scaricare i dati

File	Download
AIFA Dati	AIFA - Liste Farmaci Classe A e H
node.csv	Harvard Dataverse
kg.csv	Harvard Dataverse
edges.csv	Harvard Dataverse
model_ckpt.zip	Google Drive

Passo 2: Installare le dipendenze

uv sync

Passo 3: Elaborare i dati sui farmaci

uv run python scripts/process_fda_data.py

Passo 4: Preparare i dati del vocabolario

uv run python scripts/prepare_external_data.py

Passo 5: Eseguire la previsione del grafo di conoscenza

uv run python scripts/run_kg_prediction.py

Passo 6: Configurare l'ambiente di deep learning

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

Passo 7: Eseguire la previsione di deep learning

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

---

Risorse

TxGNN Nucleo

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

Fonti di dati

Categoria	Dati	Fonte	Nota
Dati sui farmaci	AIFA	AIFA - Liste Farmaci Classe A e H	Italy
Grafo di conoscenza	TxGNN KG	Harvard Dataverse	17,080 diseases, 7,957 drugs
Database dei farmaci	DrugBank	DrugBank	Mappatura ingredienti farmaci
Interazioni farmacologiche	DDInter	DDInter	Coppie DDI
Interazioni farmacologiche	Guide to PHARMACOLOGY	IUPHAR/BPS	Dati farmaco-bersaglio dei farmaci approvati (non interazioni)
Sperimentazioni cliniche	ClinicalTrials.gov	CT.gov API v2	Registro sperimentazioni cliniche
Sperimentazioni cliniche	WHO ICTRP	ICTRP API	Piattaforma internazionale sperimentazioni cliniche
Letteratura	PubMed	NCBI E-utilities	Ricerca letteratura medica
Mappatura dei nomi	RxNorm	RxNav API

Download dei modelli

File	Download	Nota
Modello pre-addestrato	Google Drive	model_ckpt.zip
node.csv	Harvard Dataverse	Dati nodi
kg.csv	Harvard Dataverse	Dati grafo di conoscenza
edges.csv	Harvard Dataverse	Dati archi (DL)

Introduzione al progetto

Struttura delle directory

ITTxGNN/
├── 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/ittxgnn/
│   ├── 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/

Legenda: 🔵 Sviluppo progetto | 🟢 Dati locali | 🟡 Dati TxGNN | 🟠 Pipeline di validazione

Flusso di dati

flowchart TD
    FDA["AIFA Dati"] --> proc["process_fda_data.py"]
    TxGNN["TxGNN Dati"] --> prep["prepare_external_data.py"]

    proc --> json["it_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["Grafo di conoscenza"]
    ind_map --> DL["Deep Learning"]

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

---

Citazione

Se si utilizza questo set di dati o software, si prega di citare:

@software{ittxgnn2026,
  author       = {Yao.Care},
  title        = {ITTxGNN: Drug Repurposing Validation Reports for Italy AIFA Drugs},
  year         = 2026,
  publisher    = {GitHub},
  url          = {https://github.com/yao-care/ITTxGNN}
}

Citare anche l'articolo originale 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/ittxgnn.git && cd ittxgnn
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 ITTxGNN 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 ITTxGNN       # 依證據包算市場狀態（checker 要用）
python3 .claude/checker_trend.py --no-append ITTxGNN           # 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。