ARR-MEDIC CYP3A4: İlaç etkileşimi (DDI) tahmini için açık kaynak eğitim ve araştırma platformu

flamehaven01 · 2025-09-29T13:43:03+09:00

ARR-MEDIC CYP3A4? Karaciğerde klinik reçeteli ilaçların yarısından fazlasını metabolize eden temel enzim CYP3A4’ün inhibe edilip edilmediğini tahmin ederek ilaçlar arası etkileşim riskini değerlendiren bir proje. Araştırma ve eğitim amacıyla açık kaynak olarak yayımlandı; kolayca denenebilen bir web demosu ve genişletilebilir bir ML pipeline’ı sunuyor. Temel model yaklaşık %70 doğruluk ile kavram öğrenimi ve metodoloji karşılaştırması için bir başlangıç noktası olacak şekilde tasarlandı. Neden yapıldı? 2025 Haziranının sonunda bir yeni ilaç geliştirme yapay zeka yarışması vardı. 3 hafta boyunca hiç bilmediğim tıp alanında, özellikle CYP3A4 enzimiyle ilgili makaleleri buldukça okuyup geceleri uykusuz kalarak geliştirmeyi tamamladım. Ancak yurtdışında yaşadığım için projeyi yarışmaya gönderemedim bile. Boşa gitmiş hissiyle bir süre kenarda kaldı, sonra yazık olduğunu düşünüp geliştirip güçlendirerek açık kaynak olarak yayımladım. Neden dikkat çekmeli? Hasta güvenliği ve polifarmasi: CYP3A4 inhibisyonu, belirli ilaçların konsantrasyonunu 2–10 kat artırabilir ve toksisiteye ya da tedavi başarısızlığına yol açabilir. Bu proje, bu risk sinyallerini erken aşamada incelemek için bir alıştırma alanı işlevi görüyor. Köprü rolü: Açık kaynaktan başlayıp RDKit ve klasik ML’den GNN/Transformer’a aşamalı olarak ilerleyen bir yol haritası sunuyor. İçinde neler var? (öne çıkanlar) Web demosu: Tahmini doğrudan tarayıcıda deneyimleme (Korece/İngilizce UI geçişi, SMILES girişi ve görselleştirme, örnek bileşikler dahil). API ve backend: FastAPI tabanlı REST API (tekil/toplu tahmin, OpenAPI dokümantasyonu), asenkron SQLite depolama, Docker desteği. Genişletilebilirlik: RDKit descriptor’ları, RandomForest/XGBoost gibi modeller ekleme, feature importance analizi gibi yöntemlerle kolay özelleştirme. Mimari: backend(FastAPI) / frontend(React) / models / data / docs yapısı. Hızlıca denemek için İstediğiniz şekilde yerel/Conda/Docker ile çalıştırılabilir (uvicorn ile API başlatma, docker-compose up -d vb.). Başlattıktan sonra http://localhost:8000/docs adresinden spesifikasyon görülebilir. *Kurulum gerektirmeden denenebilen bir çevrimiçi demo (Hugging Face Spaces) da sunuluyor. 🚀 Basit kurulum 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 (en iyi doğruluk) yalnızca pip (basitleştirilmiş mod) Docker (container tabanlı) Performans ve özellikler (eğitim/araştırma amaçlı göstergeler) Doğruluk: ChEMBL tabanlı CYP3A4 test verisinde ~%70, duyarlılık ~%75, özgüllük ~%65 (eğitim ve benchmark için başlangıç çizgisi). Sistem: Tek bir CPU’da bile 1 tahmin

(github.com/Flamehaven)

4 puan yazan flamehaven01 2025-09-29 | Henüz yorum yok. | WhatsApp'ta paylaş

ARR-MEDIC CYP3A4?

Karaciğerde klinik reçeteli ilaçların yarısından fazlasını metabolize eden temel enzim CYP3A4’ün inhibe edilip edilmediğini tahmin ederek ilaçlar arası etkileşim riskini değerlendiren bir proje.
Araştırma ve eğitim amacıyla açık kaynak olarak yayımlandı; kolayca denenebilen bir web demosu ve genişletilebilir bir ML pipeline’ı sunuyor. Temel model yaklaşık %70 doğruluk ile kavram öğrenimi ve metodoloji karşılaştırması için bir başlangıç noktası olacak şekilde tasarlandı.

Neden yapıldı?

2025 Haziranının sonunda bir yeni ilaç geliştirme yapay zeka yarışması vardı. 3 hafta boyunca hiç bilmediğim tıp alanında, özellikle CYP3A4 enzimiyle ilgili makaleleri buldukça okuyup geceleri uykusuz kalarak geliştirmeyi tamamladım.
Ancak yurtdışında yaşadığım için projeyi yarışmaya gönderemedim bile. Boşa gitmiş hissiyle bir süre kenarda kaldı, sonra yazık olduğunu düşünüp geliştirip güçlendirerek açık kaynak olarak yayımladım.

Neden dikkat çekmeli?

Hasta güvenliği ve polifarmasi: CYP3A4 inhibisyonu, belirli ilaçların konsantrasyonunu 2–10 kat artırabilir ve toksisiteye ya da tedavi başarısızlığına yol açabilir. Bu proje, bu risk sinyallerini erken aşamada incelemek için bir alıştırma alanı işlevi görüyor.
Köprü rolü: Açık kaynaktan başlayıp RDKit ve klasik ML’den GNN/Transformer’a aşamalı olarak ilerleyen bir yol haritası sunuyor.

İçinde neler var? (öne çıkanlar)

Web demosu: Tahmini doğrudan tarayıcıda deneyimleme (Korece/İngilizce UI geçişi, SMILES girişi ve görselleştirme, örnek bileşikler dahil).
API ve backend: FastAPI tabanlı REST API (tekil/toplu tahmin, OpenAPI dokümantasyonu), asenkron SQLite depolama, Docker desteği.
Genişletilebilirlik: RDKit descriptor’ları, RandomForest/XGBoost gibi modeller ekleme, feature importance analizi gibi yöntemlerle kolay özelleştirme.
Mimari: backend(FastAPI) / frontend(React) / models / data / docs yapısı.

Hızlıca denemek için

İstediğiniz şekilde yerel/Conda/Docker ile çalıştırılabilir (uvicorn ile API başlatma, docker-compose up -d vb.). Başlattıktan sonra http://localhost:8000/docs adresinden spesifikasyon görülebilir.
*Kurulum gerektirmeden denenebilen bir çevrimiçi demo (Hugging Face Spaces) da sunuluyor.

🚀 Basit kurulum

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 (en iyi doğruluk)
yalnızca pip (basitleştirilmiş mod)
Docker (container tabanlı)

Performans ve özellikler (eğitim/araştırma amaçlı göstergeler)

Doğruluk: ChEMBL tabanlı CYP3A4 test verisinde ~%70, duyarlılık ~%75, özgüllük ~%65 (eğitim ve benchmark için başlangıç çizgisi).
Sistem: Tek bir CPU’da bile 1 tahmin <2 saniye, toplu işleme ve eşzamanlı kullanıcı desteği gibi hafiflik odaklı bir yapı.

Yol haritası

v1.0 (mevcut): Kural tabanlı baseline (~%70).
v2.0: RDKit + RandomForest/XGBoost ile ~%80–85 hedefi.
v3.0: GNN/Transformer ile ~%85–90 hedefi, yorumlanabilirliğin (ör. SHAP) güçlendirilmesi.

Lisans ve uyarılar

MIT lisansı. GitHub
Tıbbi/teşhis amaçlı değildir: Bu proje araştırma ve eğitim amaçlıdır; klinik karar verme, hasta bakımı veya düzenleyici başvurular için kullanılmamalıdır.

Bağlantılar

GitHub: Flamehaven/Arr-Medic-CYP3A4
Çevrimiçi demo: Hugging Face Spaces (hızlı demo çalıştırılabilir)
Tam anlatılamayan geliştirme hikayesi: My First Attempt at a Medical AI with ELI5 (tıp uzmanı olmamama rağmen bunu nasıl yapabildiğimin sürecini anlatıyor)

Tek cümlelik özet

Gerçek klinik kullanım için bir araç olmasa da, DDI tahmininde ‘kavram → deney → ileri geliştirme’ akışını tek yerde öğrenmek için iyi düzenlenmiş bir tıbbi eğitim ve araştırma kodu.