ARR-MEDIC CYP3A4: दवा इंटरैक्शन (DDI) पूर्वानुमान के लिए ओपन सोर्स शिक्षा·अनुसंधान प्लेटफ़ॉर्म

 (github.com/Flamehaven)
4 पॉइंट द्वारा flamehaven01 2025-09-29 | अभी कोई टिप्पणी नहीं है. | WhatsApp पर शेयर करें

ARR-MEDIC CYP3A4?

  • यह एक प्रोजेक्ट है जो लीवर में क्लिनिकल प्रिस्क्रिप्शन दवाओं के आधे से अधिक को मेटाबोलाइज़ करने वाले मुख्य एंज़ाइम CYP3A4 के inhibition की भविष्यवाणी करके दवा-से-दवा इंटरैक्शन के जोखिम का आकलन करता है।
  • इसे शोध·शिक्षा उद्देश्य के लिए ओपन सोर्स के रूप में जारी किया गया है, और आसान उपयोग के लिए web demo तथा विस्तार योग्य ML pipeline प्रदान करता है. बेसलाइन लगभग 70% accuracy के साथ concept learning और methodology comparison की शुरुआत के रूप में डिज़ाइन की गई है.

इसे क्यों बनाया गया?

  • जून 2025 के अंत में एक AI drug discovery competition थी। 3 हफ्तों तक, बिल्कुल अनजान मेडिकल क्षेत्र, खासकर CYP3A4 एंज़ाइम पर, जो भी पेपर मिले उन्हें पढ़ते हुए रातभर काम करके development पूरा किया।
  • लेकिन विदेश में रहने के कारण प्रतियोगिता में submission ही नहीं कर सका। निराशा में इसे छोड़ दिया था, फिर लगा कि यह व्यर्थ नहीं जाना चाहिए, इसलिए इसे और बेहतर बनाकर ओपन सोर्स के रूप में जारी किया।

इस पर ध्यान क्यों देना चाहिए?

  • रोगी सुरक्षा & polypharmacy: CYP3A4 inhibition कुछ दवाओं की concentration को 2–10 गुना तक बढ़ा सकता है, जिससे toxicity या treatment failure हो सकता है। यह प्रोजेक्ट ऐसे risk signal को शुरुआती चरण में पहचानने की अभ्यास-भूमि की तरह काम करता है।
  • ब्रिज की भूमिका: ओपन सोर्स से शुरू होकर RDKit·classic ML→GNN/Transformer तक चरणबद्ध रूप से उन्नत होने वाला एक roadmap प्रस्तुत करता है।

इसमें क्या शामिल है? (हाइलाइट्स)

  • web demo: ब्राउज़र में सीधे prediction का अनुभव (Korean/English UI toggle, SMILES input·visualization, example compounds सहित)।
  • API & backend: FastAPI आधारित REST API (single/batch prediction, OpenAPI docs), asynchronous SQLite storage, Docker support।
  • विस्तारशीलता: RDKit descriptors, RandomForest/XGBoost जैसे models जोड़ना, feature importance analysis आदि के जरिए आसानी से customization।
  • architecture: backend(FastAPI) / frontend(React) / models / data / docs संरचना।

जल्दी से इस्तेमाल करें

  • local/Conda/Docker में से किसी भी तरीके से चलाया जा सकता है (uvicorn से API start, docker-compose up -d आदि)। शुरू करने के बाद http://localhost:8000/docs पर spec देख सकते हैं।
  • *ऑनलाइन डेमो (Hugging Face Spaces) भी उपलब्ध है, इसलिए बिना install किए भी इसे आज़माया जा सकता है।

🚀 सरल इंस्टॉलेशन

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)

प्रदर्शन & स्पेक (शिक्षा/अनुसंधान हेतु मेट्रिक्स)

  • accuracy: ChEMBL आधारित CYP3A4 test data पर ~70%, sensitivity ~75%, specificity ~65% (शिक्षा·benchmark की शुरुआती रेखा)।
  • system: single CPU पर भी 1 prediction <2 सेकंड, batch processing·concurrent users response आदि के लिए lightweight design।

रोडमैप

  • v1.0(वर्तमान): rule-based baseline(~70%)।
  • v2.0: RDKit + RandomForest/XGBoost के साथ ~80–85% लक्ष्य।
  • v3.0: GNN/Transformer के साथ ~85–90% लक्ष्य, interpretability (जैसे: SHAP) को मजबूत करना।

लाइसेंस & सावधानियाँ

  • MIT License। GitHub
  • चिकित्सीय·नैदानिक उपयोग के लिए नहीं: यह प्रोजेक्ट शोध·शिक्षा उद्देश्य के लिए है, और इसे clinical decision-making, patient care, या regulatory submission में उपयोग नहीं करना चाहिए।

लिंक

एक पंक्ति में सार

  • यह वास्तविक clinical उपयोग का टूल नहीं है, लेकिन DDI prediction के ‘concept→experiment→advancement’ प्रवाह को एक ही जगह सीखने के लिए अच्छी तरह व्यवस्थित medical education·research code है

संबंधित पढ़ाई

अभी कोई टिप्पणी नहीं है.

अभी कोई टिप्पणी नहीं है.