Über uns
Hintergrund
DETxGNN ist eine forschungsunterstützende Plattform für die Arzneimittel-Umwidmung, aufgebaut auf dem Modell TxGNN, das vom Zitnik Lab der Harvard University in Nature Medicine veröffentlicht wurde. Sie sagt Indikationserweiterungen für Arzneimittel voraus, die in Deutschland von BfArM zugelassen sind. Über die KI-Vorhersagewerte hinaus bindet die Plattform klinische Evidenz aus ClinicalTrials.gov und PubMed ein, damit Forschende rasch beurteilen können, wie belastbar jede Vorhersage ist.
Über den Entwickler
Diese Plattform wird von 藥提醒科技有限公司 (yao.care, Unternehmensregisternummer 83620786, 12F, No. 220, Sec. 2, Taiwan Blvd., West Dist., Taichung City, Taiwan) entwickelt und betrieben.
DETxGNN ist die Deutschland-Website der Produktlinie „TxGNN Drug Repurposing“ des Unternehmens.
Dasselbe System ist in 30 Ländern und Regionen im Einsatz, jeweils unter dem Namen {CC}TxGNN
(JpTxGNN, UsTxGNN, DETxGNN und so weiter) unter {cc}txgnn.yao.care.
Produktübersicht: https://www.yao.care/medical/txgnn/.
Das Modell TxGNN selbst wurde vom Zitnik Lab an der Harvard Medical School entwickelt und in Nature Medicine veröffentlicht. Diese Plattform ist das Produktivsystem, das 藥提醒科技有限公司 auf Basis dieses Modells aufgebaut hat; es umfasst die Integration nationaler Arzneimittelzulassungsdaten, die duale Vorhersage aus Wissensgraph und Deep Learning, die Evidenzbewertung aus PubMed / ClinicalTrials sowie die Anbindung an elektronische Patientenakten über SMART on FHIR.
Was ist Arzneimittel-Umwidmung?
Arzneimittel-Umwidmung bedeutet, neue therapeutische Anwendungen für bereits vorhandene Arzneimittel zu finden. Verglichen mit der Entwicklung eines völlig neuen Arzneimittels — 10 bis 15 Jahre und 1–2 Mrd. USD — dauert eine Umwidmung 3 bis 5 Jahre und kostet 100–300 Mio. USD; zudem liegen bereits Sicherheitsdaten am Menschen vor, sodass das Fehlschlagrisiko geringer ist.
| Aspekt | Neuentwicklung eines Arzneimittels | Arzneimittel-Umwidmung |
|---|---|---|
| Dauer | 10–15 Jahre | 3–5 Jahre |
| Kosten | 1–2 Mrd. USD | 100–300 Mio. USD |
| Sicherheitsdaten | Müssen erst erhoben werden | Daten am Menschen liegen bereits vor |
| Fehlschlagrisiko | Sehr hoch (>90 %) | Geringer |
Was ist TxGNN?
TxGNN ist ein Deep-Learning-Modell, das vom Zitnik Lab an der Harvard Medical School entwickelt und in Nature Medicine veröffentlicht wurde. Es sagt neuartige Zusammenhänge zwischen Arzneimitteln und Krankheiten voraus und ist das erste Basismodell für die Arzneimittel-Umwidmung, das gezielt für Klinikerinnen und Kliniker entworfen wurde.
„TxGNN bindet einen Wissensgraphen mit 17.080 biomedizinischen Entitäten ein und nutzt Graph-Neuronale Netze, um komplexe Beziehungen zwischen Knoten zu lernen und die mögliche Wirksamkeit von Arzneimitteln gegen seltene Krankheiten vorherzusagen.“ — Huang et al., Nature Medicine (2023)
Datenquellen
| Art | Quelle | Beschreibung |
|---|---|---|
| KI-Vorhersage | TxGNN | Wissensgraph-Vorhersagemodell aus Harvard |
| Klinische Studien | ClinicalTrials.gov | Weltweites Register klinischer Studien |
| Literatur | PubMed | Biomedizinische Literaturdatenbank |
| Arzneimittelinformationen | DrugBank | Datenbank zu Arzneimitteln und Zielstrukturen |
| Zulassungsdaten | BfArM | Arzneimittelzulassungsdaten für Deutschland |
Wissenschaftliche Grundlage
Huang, K., et al. (2023). A foundation model for clinician-centered drug repurposing. Nature Medicine. DOI: 10.1038/s41591-023-02233-x
Umfang
| Position | Wert |
|---|---|
| Arzneimittelberichte | 585 |
| Zulassungsbehörde | BfArM |
| Bereitgestellte Websites | 30 Länder / Regionen |
Kontakt
- GitHub Issues: https://github.com/yao-care/DETxGNN/issues
- Entwickler: 藥提醒科技有限公司 (https://www.yao.care, service@yao.care)
- Produktübersicht: https://www.yao.care/medical/txgnn/
Dieser Bericht dient ausschließlich als Referenz für die akademische Forschung und stellt keine medizinische Beratung dar. Befolgen Sie stets die Anweisungen Ihrer Ärztin oder Ihres Arztes; ändern Sie Ihre Medikation niemals eigenmächtig. Jede Entscheidung zur Arzneimittel-Umwidmung erfordert eine vollständige klinische Validierung und eine regulatorische Prüfung.
Geprüft von: 藥提醒科技有限公司 (yao.care)