ARR-MEDIC CYP3A4: Platform open-source untuk edukasi dan riset prediksi interaksi obat (DDI)

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

Apa itu ARR-MEDIC CYP3A4? Proyek untuk memprediksi apakah CYP3A4, enzim kunci yang memetabolisme lebih dari separuh obat resep klinis di hati, akan terinhibisi sehingga risiko interaksi antarobat dapat diperkirakan. Dirilis sebagai open-source untuk tujuan riset dan edukasi, serta menyediakan demo web yang mudah dicoba dan pipeline ML yang dapat diperluas. Baseline dirancang dengan akurasi sekitar 70% agar menjadi titik awal untuk mempelajari konsep dan membandingkan metodologi. Mengapa dibuat? Pada akhir Juni 2025 ada kompetisi AI pengembangan obat baru. Selama 3 minggu, penulis menuntaskan pengembangan sambil begadang, membaca sebanyak mungkin paper di bidang medis yang sebelumnya sama sekali tidak dikuasai, khususnya terkait enzim CYP3A4. Namun karena tinggal di luar negeri, penulis bahkan tidak bisa ikut mengajukan karya. Setelah sempat dibiarkan karena rasa hampa, proyek ini kemudian diperbaiki dan diperkuat lalu dirilis sebagai open-source karena terasa sayang jika dibuang begitu saja. Mengapa layak diperhatikan? Keamanan pasien & polifarmasi: inhibisi CYP3A4 dapat meningkatkan konsentrasi obat tertentu hingga 2–10 kali, yang bisa berujung pada toksisitas atau kegagalan terapi. Proyek ini berperan sebagai tempat latihan untuk mengenali sinyal risiko tersebut lebih dini. Berperan sebagai jembatan: dimulai dari open-source lalu meningkat bertahap dari RDKit dan classic ML menuju GNN/Transformer, sambil menyajikan roadmap yang jelas. Apa saja yang ada di dalamnya? (sorotan) Demo web: langsung mencoba prediksi di browser (toggle UI Korea/Inggris, input dan visualisasi SMILES, termasuk contoh senyawa). API & backend: REST API berbasis FastAPI (prediksi tunggal/batch, dokumentasi OpenAPI), penyimpanan SQLite asinkron, dan dukungan Docker. Ekstensibilitas: mudah dikustomisasi dengan deskriptor RDKit, penambahan model seperti RandomForest/XGBoost, analisis feature importance, dan lain-lain. Arsitektur: terdiri dari backend(FastAPI) / frontend(React) / models / data / docs. Coba cepat Dapat dijalankan dengan cara yang diinginkan, baik lokal/Conda/Docker (uvicorn untuk memulai API, docker-compose up -d, dan sebagainya). Setelah berjalan, spesifikasi bisa dicek di http://localhost:8000/docs. *Demo online (Hugging Face Spaces) juga tersedia sehingga bisa dicoba tanpa instalasi. 🚀 Instalasi singkat 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 (akurasi terbaik) pip only (mode yang disederhanakan) Docker (berbasis container) Kinerja & spesifikasi (metrik untuk edukasi/riset) Akurasi: sekitar 70% pada data uji CYP3A4 berbasis ChEMBL, sensitivitas sekitar 75%, spesifisitas sekitar 65% (sebagai garis awal edukasi dan benchmark). Sistem: bahkan pada CPU tunggal, prediksi 1 kasus

(github.com/Flamehaven)

4 poin oleh flamehaven01 2025-09-29 | Belum ada komentar. | Bagikan ke WhatsApp

Apa itu ARR-MEDIC CYP3A4?

Proyek untuk memprediksi apakah CYP3A4, enzim kunci yang memetabolisme lebih dari separuh obat resep klinis di hati, akan terinhibisi sehingga risiko interaksi antarobat dapat diperkirakan.
Dirilis sebagai open-source untuk tujuan riset dan edukasi, serta menyediakan demo web yang mudah dicoba dan pipeline ML yang dapat diperluas. Baseline dirancang dengan akurasi sekitar 70% agar menjadi titik awal untuk mempelajari konsep dan membandingkan metodologi.

Mengapa dibuat?

Pada akhir Juni 2025 ada kompetisi AI pengembangan obat baru. Selama 3 minggu, penulis menuntaskan pengembangan sambil begadang, membaca sebanyak mungkin paper di bidang medis yang sebelumnya sama sekali tidak dikuasai, khususnya terkait enzim CYP3A4.
Namun karena tinggal di luar negeri, penulis bahkan tidak bisa ikut mengajukan karya. Setelah sempat dibiarkan karena rasa hampa, proyek ini kemudian diperbaiki dan diperkuat lalu dirilis sebagai open-source karena terasa sayang jika dibuang begitu saja.

Mengapa layak diperhatikan?

Keamanan pasien & polifarmasi: inhibisi CYP3A4 dapat meningkatkan konsentrasi obat tertentu hingga 2–10 kali, yang bisa berujung pada toksisitas atau kegagalan terapi. Proyek ini berperan sebagai tempat latihan untuk mengenali sinyal risiko tersebut lebih dini.
Berperan sebagai jembatan: dimulai dari open-source lalu meningkat bertahap dari RDKit dan classic ML menuju GNN/Transformer, sambil menyajikan roadmap yang jelas.

Apa saja yang ada di dalamnya? (sorotan)

Demo web: langsung mencoba prediksi di browser (toggle UI Korea/Inggris, input dan visualisasi SMILES, termasuk contoh senyawa).
API & backend: REST API berbasis FastAPI (prediksi tunggal/batch, dokumentasi OpenAPI), penyimpanan SQLite asinkron, dan dukungan Docker.
Ekstensibilitas: mudah dikustomisasi dengan deskriptor RDKit, penambahan model seperti RandomForest/XGBoost, analisis feature importance, dan lain-lain.
Arsitektur: terdiri dari backend(FastAPI) / frontend(React) / models / data / docs.

Coba cepat

Dapat dijalankan dengan cara yang diinginkan, baik lokal/Conda/Docker (uvicorn untuk memulai API, docker-compose up -d, dan sebagainya). Setelah berjalan, spesifikasi bisa dicek di http://localhost:8000/docs.
*Demo online (Hugging Face Spaces) juga tersedia sehingga bisa dicoba tanpa instalasi.

🚀 Instalasi singkat

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 (akurasi terbaik)
pip only (mode yang disederhanakan)
Docker (berbasis container)

Kinerja & spesifikasi (metrik untuk edukasi/riset)

Akurasi: sekitar 70% pada data uji CYP3A4 berbasis ChEMBL, sensitivitas sekitar 75%, spesifisitas sekitar 65% (sebagai garis awal edukasi dan benchmark).
Sistem: bahkan pada CPU tunggal, prediksi 1 kasus <2 detik, dengan orientasi ringan untuk pemrosesan batch dan dukungan pengguna simultan.

Roadmap

v1.0 (saat ini): baseline berbasis aturan (~70%).
v2.0: menargetkan ~80–85% dengan RDKit + RandomForest/XGBoost.
v3.0: mengarah ke ~85–90% dengan GNN/Transformer, serta meningkatkan interpretabilitas (misalnya SHAP).

Lisensi & perhatian

Lisensi MIT. GitHub
Bukan untuk penggunaan medis/diagnostik: proyek ini ditujukan untuk riset dan edukasi, dan tidak boleh digunakan untuk pengambilan keputusan klinis, perawatan pasien, atau pengajuan regulatori.

Tautan

GitHub: Flamehaven/Arr-Medic-CYP3A4
Demo online: Hugging Face Spaces (demo cepat dapat langsung dijalankan)
Kisah pengembangan yang belum sempat diceritakan: My First Attempt at a Medical AI with ELI5 (berisi proses bagaimana ini bisa dibuat meski bukan seorang ahli medis)

Ringkasan satu kalimat

Meski bukan alat untuk penggunaan klinis nyata, ini adalah kode medis untuk edukasi dan riset yang tertata rapi, cocok untuk mempelajari alur DDI dari ‘konsep → eksperimen → peningkatan’ di satu tempat.