ARR-MEDIC CYP3A4: แพลตฟอร์มโอเพนซอร์สเพื่อการศึกษาและวิจัยสำหรับการทำนายปฏิกิริยาระหว่างยา (DDI)

 (github.com/Flamehaven)
4 คะแนน โดย flamehaven01 2025-09-29 | ยังไม่มีความคิดเห็น | แชร์ทาง WhatsApp

ARR-MEDIC CYP3A4 คืออะไร?

  • โปรเจกต์สำหรับทำนายการยับยั้งของเอนไซม์สำคัญ CYP3A4 ที่ทำหน้าที่เมแทบอลิซึมยาตามใบสั่งแพทย์มากกว่าครึ่งหนึ่งในตับ เพื่อประเมินความเสี่ยงของปฏิกิริยาระหว่างยา
  • เปิดเผยเป็นโอเพนซอร์สเพื่อวัตถุประสงค์ด้านการวิจัยและการศึกษา และมีทั้ง เว็บเดโม ที่ทดลองใช้ได้ง่ายกับ ML pipeline ที่ขยายต่อได้ โดย baseline ถูกออกแบบให้มีความแม่นยำราว 70% เพื่อเป็นจุดเริ่มต้นสำหรับการเรียนรู้แนวคิดและการเปรียบเทียบวิธีการ

ทำไมถึงสร้างขึ้นมา?

  • ปลายเดือนมิถุนายน 2025 มีการแข่งขัน AI สำหรับการพัฒนายาใหม่ ตลอด 3 สัปดาห์จึงลุยอ่านงานวิจัยด้านการแพทย์ที่ไม่เคยรู้มาก่อน โดยเฉพาะเรื่องเอนไซม์ CYP3A4 และพัฒนาโปรเจกต์นี้แบบอดหลับอดนอนจนเสร็จ
  • แต่สุดท้ายกลับส่งผลงานไม่ได้เพราะอาศัยอยู่ต่างประเทศ จึงปล่อยทิ้งไว้ด้วยความเสียดาย ก่อนจะนำมากปรับปรุงและเสริมความสามารถแล้วปล่อยเป็นโอเพนซอร์ส

ทำไมจึงควรจับตา?

  • ความปลอดภัยของผู้ป่วย & polypharmacy: การยับยั้ง CYP3A4 อาจทำให้ความเข้มข้นของยาบางชนิดเพิ่มขึ้นได้ถึง 2–10 เท่า ซึ่งอาจนำไปสู่ความเป็นพิษหรือความล้มเหลวในการรักษา โปรเจกต์นี้จึงทำหน้าที่เป็นพื้นที่ฝึกฝนสำหรับตรวจจับสัญญาณความเสี่ยงตั้งแต่เนิ่น ๆ
  • บทบาทเชื่อมต่อ: เริ่มจากโอเพนซอร์สและนำเสนอ roadmap สำหรับยกระดับอย่างเป็นขั้นตอนจาก RDKit·classic ML ไปสู่ GNN/Transformer

มีอะไรอยู่บ้าง? (ไฮไลต์)

  • เว็บเดโม: ทดลองการทำนายได้ทันทีในเบราว์เซอร์ (สลับ UI ภาษาเกาหลี/อังกฤษ, ป้อนและแสดงผลภาพของ SMILES, มีสารประกอบตัวอย่างให้)
  • API & แบ็กเอนด์: REST API บน FastAPI (การทำนายแบบเดี่ยว/แบบแบตช์, เอกสาร OpenAPI), การจัดเก็บ SQLite แบบ asynchronous, รองรับ Docker
  • ความสามารถในการขยาย: ปรับแต่งได้ง่ายด้วย RDKit descriptors, การเพิ่มโมเดลอย่าง RandomForest/XGBoost, การวิเคราะห์ feature importance เป็นต้น
  • สถาปัตยกรรม: จัดโครงสร้างไว้เป็น backend(FastAPI) / frontend(React) / models / data / docs

ทดลองใช้อย่างรวดเร็ว

  • สามารถรันได้ตามวิธีที่ต้องการทั้ง local/Conda/Docker (เช่น เริ่ม API ด้วย uvicorn, docker-compose up -d เป็นต้น) หลังเริ่มใช้งานแล้วสามารถตรวจสอบสเปกได้ที่ http://localhost:8000/docs
  • *มีเดโมออนไลน์บน Hugging Face Spaces ให้ทดลองได้โดยไม่ต้องติดตั้ง

🚀 ติดตั้งแบบง่าย

Linux/macOS

# Clone repository  
git clone https://github.com/your-org/arr-medic-cyp3a4-opensource  
cd arr-medic-cyp3a4-opensource  
  
# Run automated installer  
chmod +x scripts/install.sh  
./scripts/install.sh

Windows

# Clone repository  
git clone https://github.com/your-org/arr-medic-cyp3a4-opensource  
cd arr-medic-cyp3a4-opensource  
  
# Run automated installer  
scripts\install.bat
  • Conda + RDKit (best accuracy)
  • pip only (simplified mode)
  • Docker (containerized)

ประสิทธิภาพ & สเปก (ตัวชี้วัดเพื่อการศึกษา/วิจัย)

  • ความแม่นยำ: บนข้อมูลทดสอบ CYP3A4 ที่อิงจาก ChEMBL ได้ ~70%, sensitivity ~75%, specificity ~65% (เป็นเส้นเริ่มต้นสำหรับการศึกษาและ benchmark)
  • ระบบ: แม้ใช้ CPU เดี่ยวก็ทำนาย 1 รายการได้ในเวลา <2 วินาที โดยมุ่งเน้นความเบาเพื่อรองรับการประมวลผลแบบแบตช์และผู้ใช้พร้อมกัน

โร้ดแมป

  • v1.0 (ปัจจุบัน): baseline แบบอิงกฎ (~70%)
  • v2.0: ตั้งเป้า ~80–85% ด้วย RDKit + RandomForest/XGBoost
  • v3.0: มุ่งสู่ ~85–90% ด้วย GNN/Transformer พร้อมเสริมด้านการอธิบายผล (เช่น SHAP)

ไลเซนส์ & ข้อควรระวัง

  • MIT License. GitHub
  • ไม่ใช่เพื่อการแพทย์หรือการวินิจฉัย: โปรเจกต์นี้มีไว้เพื่อการวิจัยและการศึกษา และไม่ควรใช้ในการตัดสินใจทางคลินิก การดูแลผู้ป่วย หรือการยื่นต่อหน่วยงานกำกับดูแล

ลิงก์

สรุปสั้น ๆ

  • แม้จะไม่ใช่เครื่องมือสำหรับใช้งานทางคลินิกจริง แต่เป็นโค้ดเพื่อการศึกษาและวิจัยด้านการแพทย์ที่จัดระเบียบมาอย่างดี เหมาะสำหรับเรียนรู้ลำดับการทำงานของการทำนาย DDI ตั้งแต่ “แนวคิด → การทดลอง → การยกระดับ” ในที่เดียว

บทความที่เกี่ยวข้อง

ยังไม่มีความคิดเห็น

ยังไม่มีความคิดเห็น