Méthodologie
Chaîne de traitement globale
La plateforme utilise une chaîne de traitement en quatre étapes : le modèle de graphe de connaissances TxGNN prédit les associations potentielles médicament–maladie, des preuves sont ensuite collectées automatiquement pour chaque paire prédite, ces preuves sont graduées de L1 à L5, et enfin une recommandation de décision est émise.
- Prédiction TxGNN : relations médicament–maladie prédites à l'aide d'un graphe de connaissances combiné à des réseaux de neurones sur graphes.
- Collecte des preuves : pour chaque paire prédite, les preuves sont rassemblées à partir de ClinicalTrials.gov, PubMed, DrugBank et l'ANSM.
- Gradation des preuves : graduées de L1 à L5, L1 étant le niveau le plus fort (plusieurs ECR de phase 3) et L5 la simple prédiction du modèle.
- Recommandation de décision : Go, Proceed, Consider, Explore ou Hold, selon le niveau de preuve.
Critères de gradation des preuves
| Niveau | Définition | Signification clinique |
|---|---|---|
| L1 | Plusieurs ECR de phase 3 / revues systématiques | Appui solide ; un usage clinique peut être envisagé |
| L2 | Un seul ECR ou plusieurs essais de phase 2 | Appui modéré ; des essais de validation peuvent être conçus |
| L3 | Études observationnelles / grandes séries de cas | Appui préliminaire ; nécessite une validation complémentaire |
| L4 | Études précliniques / mécanistiques | Appui théorique ; encore loin d'un usage clinique |
| L5 | Prédiction du modèle uniquement | Stade d'hypothèse ; aucune preuve chez l'humain à ce jour |
Prédiction à double moteur
Deux méthodes s'exécutent en parallèle, et une étiquette de confiance indique si elles concordent :
| Méthode | Vitesse | Précision | Description |
|---|---|---|---|
| Graphe de connaissances (KG) | Rapide | Plus faible | Inférence à partir des relations DrugBank et de la structure du graphe |
| Apprentissage profond (DL) | Lent | Plus élevée | Modèle de réseau de neurones sur graphes TxGNN |
| Confiance | Source | Signification |
|---|---|---|
| very_high | KG + DL | Les deux méthodes concordent |
| high | DL seul | Appui de l'apprentissage profond avec score élevé |
| medium | KG seul | Appui du graphe de connaissances |
Intégration des données réglementaires
Les données d'autorisation des médicaments pour la France proviennent de l'ANSM. Les noms de substances sont mis en correspondance avec le vocabulaire DrugBank ; les substances qui ne peuvent être appariées — extraits de plantes, vaccins, excipients et autres éléments non répertoriés par DrugBank — sont exclues de la prédiction.
Limites
- Les prédictions sont des associations statistiques et n'impliquent ni causalité ni efficacité clinique.
- Une notation L5 signifie une simple prédiction du modèle, sans preuve chez l'humain à l'appui.
- La collecte des preuves dépend de bases de données publiques ; les études non publiées ou non indexées ne sont pas prises en compte.
- La mise en correspondance des substances peut omettre des éléments en raison de différences de dénomination.
À propos du développeur
Cette plateforme est développée et exploitée par 藥提醒科技有限公司 (yao.care, numéro d'enregistrement de société 83620786, 12F, No. 220, Sec. 2, Taiwan Blvd., West Dist., Taichung City, Taiwan).
FRTxGNN est le site France de la gamme de produits « TxGNN Drug Repurposing » de la société.
Le même système est déployé dans 30 pays et régions, chacun nommé {CC}TxGNN
(JpTxGNN, UsTxGNN, DETxGNN, etc.) à l'adresse {cc}txgnn.yao.care.
Présentation du produit : https://www.yao.care/medical/txgnn/.
Le modèle TxGNN lui-même a été développé par le Zitnik Lab de Harvard Medical School et publié dans Nature Medicine. Cette plateforme est le système de production que 藥提醒科技有限公司 a bâti sur ce modèle : intégration des données nationales d'enregistrement des médicaments, double prédiction par graphe de connaissances et apprentissage profond, gradation des preuves PubMed / ClinicalTrials, et intégration au dossier médical électronique via SMART on FHIR.
Ce rapport est destiné uniquement à la recherche académique et ne constitue pas un avis médical. Suivez toujours les instructions de votre médecin ; ne modifiez jamais votre traitement de votre propre initiative. Toute décision de repositionnement de médicament nécessite une validation clinique complète et un examen réglementaire.
Relu par : 藥提醒科技有限公司 (yao.care)