Sobre o Projeto
Contexto do Projeto
BrTxGNN é uma plataforma de pesquisa de reposicionamento de medicamentos (Drug Repurposing), baseada no modelo TxGNN publicado na Nature Medicine pelo Zitnik Lab de Harvard, focada em medicamentos aprovados pela ANVISA no Brasil.
Equipe e Autores
| Item | Informação |
|---|---|
| Manutenção | Yao.Care |
| Base do Modelo | Harvard TxGNN (Zitnik Lab) |
| Última Atualização | Março 2026 |
Base Acadêmica
Este projeto é baseado no seguinte artigo:
Huang, K., et al. (2023). A foundation model for clinician-centered drug repurposing. Nature Medicine. DOI: 10.1038/s41591-023-02233-x
O que é Reposicionamento de Medicamentos?
Reposicionamento de medicamentos (Drug Repurposing) refere-se à descoberta de novos usos terapêuticos para medicamentos existentes. Comparado ao desenvolvimento de novos medicamentos que requer 10-15 anos e US$ 1-2 bilhões, o reposicionamento requer apenas 3-5 anos e US$ 100-300 milhões, com dados de segurança humana já disponíveis e menor risco de falha.
| Comparação | Novo Medicamento | Reposicionamento |
|---|---|---|
| Tempo de desenvolvimento | 10-15 anos | 3-5 anos |
| Custo | US$ 1-2 bilhões | US$ 100-300 milhões |
| Dados de segurança | Necessário estabelecer | Já disponíveis |
| Risco de falha | Muito alto (>90%) | Menor |
O que é TxGNN?
TxGNN é um modelo de aprendizado profundo desenvolvido pela equipe do Zitnik Lab da Harvard Medical School, publicado na Nature Medicine, projetado especificamente para prever novas associações entre medicamentos e doenças.
"TxGNN integra um grafo de conhecimento com 17.080 entidades biomédicas, usando redes neurais de grafos para aprender relações complexas entre nós, podendo prever a eficácia potencial de medicamentos para doenças raras." — Huang et al., Nature Medicine (2023)
Características Técnicas
- Grafo de Conhecimento: Integra 17.080 nós incluindo medicamentos, doenças, genes e proteínas
- Rede Neural de Grafos: Aprende relações complexas entre nós
- Capacidade de Previsão: Prevê para quais doenças um medicamento pode ser eficaz
Fontes de Dados
A plataforma integra múltiplas fontes de dados públicas, incluindo previsões de IA, ensaios clínicos, literatura acadêmica, informações de medicamentos e registro brasileiro ANVISA.
| Tipo | Fonte | Descrição |
|---|---|---|
| Previsão IA | TxGNN | Modelo de previsão de Harvard |
| Ensaios Clínicos | ClinicalTrials.gov | Registro global de ensaios clínicos |
| Literatura | PubMed | Base de literatura biomédica |
| Medicamentos | DrugBank | Base de dados de medicamentos |
| Registro Brasil | ANVISA | Dados abertos da ANVISA |
Escala do Projeto
| Item | Quantidade |
|---|---|
| Medicamentos ANVISA | 42.819 |
| Medicamentos Ativos | 17.210 |
| Categorias Regulatórias | 9 |
Contato e Feedback
Para perguntas ou sugestões, entre em contato através dos seguintes canais:
- GitHub Issues: https://github.com/yao-care/BrTxGNN/issues
- Página do Projeto: https://brtxgnn.yao.care/
Este relatório é apenas para fins de pesquisa acadêmica e não constitui aconselhamento médico. O uso de medicamentos deve seguir orientação médica. Qualquer decisão de reposicionamento de medicamentos requer validação clínica completa e aprovação regulatória.
本報告僅供學術研究參考，不構成醫療建議。
Última revisão / 最後審核：2026-03 | Equipe BrTxGNN