Over ons
Achtergrond
NlTxGNN is een onderzoeksondersteunend platform voor geneesmiddelherpositionering, gebouwd op het TxGNN-model dat het Zitnik Lab van Harvard University publiceerde in Nature Medicine. Het voorspelt indicatie-uitbreiding voor geneesmiddelen die door CBG-MEB in Nederland zijn goedgekeurd. Naast de voorspellingsscores van de AI integreert het platform klinisch bewijs uit ClinicalTrials.gov en PubMed, zodat onderzoekers snel kunnen beoordelen hoe geloofwaardig elke voorspelling is.
Over de ontwikkelaar
Dit platform wordt ontwikkeld en beheerd door 藥提醒科技有限公司 (yao.care, inschrijvingsnummer 83620786, 12F, No. 220, Sec. 2, Taiwan Blvd., West Dist., Taichung City, Taiwan).
NlTxGNN is de Nederlandse site van de productlijn “TxGNN Drug Repurposing” van het bedrijf.
Hetzelfde systeem is uitgerold in 30 landen en regio’s, elk met de naam {CC}TxGNN
(JpTxGNN, UsTxGNN, DETxGNN, enzovoort) op {cc}txgnn.yao.care.
Productoverzicht: https://www.yao.care/medical/txgnn/.
Het TxGNN-model zelf is ontwikkeld door het Zitnik Lab van Harvard Medical School en gepubliceerd in Nature Medicine. Dit platform is het productiesysteem dat 藥提醒科技有限公司 op dat model heeft gebouwd; het omvat de integratie van nationale geneesmiddelregistratiegegevens, dubbele voorspelling met kennisgraaf en deep learning, bewijsgradering op basis van PubMed / ClinicalTrials, en integratie met elektronische patiëntendossiers via SMART on FHIR.
Wat is geneesmiddelherpositionering?
Geneesmiddelherpositionering betekent het vinden van nieuwe therapeutische toepassingen voor bestaande geneesmiddelen. Vergeleken met het vanaf nul ontwikkelen van een nieuw geneesmiddel — 10 tot 15 jaar en USD 1–2 miljard — kost herpositionering 3 tot 5 jaar en USD 100–300 miljoen, en er zijn al veiligheidsgegevens bij mensen beschikbaar, waardoor het faalrisico lager is.
| Aspect | Ontwikkeling van een nieuw geneesmiddel | Geneesmiddelherpositionering |
|---|---|---|
| Doorlooptijd | 10–15 jaar | 3–5 jaar |
| Kosten | USD 1–2 miljard | USD 100–300 miljoen |
| Veiligheidsgegevens | Moeten nog worden opgebouwd | Gegevens bij mensen al beschikbaar |
| Faalrisico | Zeer hoog (>90%) | Lager |
Wat is TxGNN?
TxGNN is een deep-learningmodel dat is ontwikkeld door het Zitnik Lab van Harvard Medical School en gepubliceerd in Nature Medicine. Het voorspelt nieuwe verbanden tussen geneesmiddelen en ziekten en is het eerste foundation model voor geneesmiddelherpositionering dat specifiek voor clinici is ontworpen.
"TxGNN integreert een kennisgraaf van 17.080 biomedische entiteiten en gebruikt graph neural networks om complexe relaties tussen knooppunten te leren, waarmee de mogelijke werkzaamheid van geneesmiddelen tegen zeldzame ziekten wordt voorspeld." — Huang et al., Nature Medicine (2023)
Gegevensbronnen
| Type | Bron | Omschrijving |
|---|---|---|
| AI-voorspelling | TxGNN | Voorspellingsmodel van Harvard op basis van een kennisgraaf |
| Klinische studies | ClinicalTrials.gov | Wereldwijd register van klinische studies |
| Literatuur | PubMed | Biomedische literatuurdatabase |
| Geneesmiddelinformatie | DrugBank | Database van geneesmiddelen en aangrijpingspunten |
| Registratiegegevens | CBG-MEB | Gegevens over geneesmiddelregistratie in Nederland |
Wetenschappelijke basis
Huang, K., et al. (2023). A foundation model for clinician-centered drug repurposing. Nature Medicine. DOI: 10.1038/s41591-023-02233-x
Omvang
| Onderdeel | Waarde |
|---|---|
| Geneesmiddelrapporten | 261 |
| Registratieautoriteit | CBG-MEB |
| Uitgerolde sites | 30 landen / regio’s |
Contact
- GitHub Issues: https://github.com/yao-care/NlTxGNN/issues
- Ontwikkelaar: 藥提醒科技有限公司 (https://www.yao.care, service@yao.care)
- Productoverzicht: https://www.yao.care/medical/txgnn/
Dit rapport is uitsluitend bedoeld als naslagwerk voor wetenschappelijk onderzoek en vormt geen medisch advies. Volg altijd de aanwijzingen van uw arts op; pas nooit op eigen initiatief uw medicatie aan. Elke beslissing over geneesmiddelherpositionering vereist volledige klinische validatie en toetsing door de registratieautoriteit.
Beoordeeld door: 藥提醒科技有限公司 (yao.care)