1. مقدمة
في هذا الدرس التطبيقي حول الترميز، ستتعرّف على كيفية استخدام BigQuery Graph لإنشاء نموذج لشبكة تفاعل بين الأدوية والأهداف وتحليلها. ستستفيد من إمكانات طلبات البحث في الرسم البياني (GQL) لاستكشاف كيفية تفاعل الأدوية مع الأهداف البيولوجية، وتحديد الآثار الجانبية المحتملة (مثل المخاطر على القلب)، والكشف عن العلاجات المركّبة المحتملة.
🧬 حالة الاستخدام: شبكة التفاعل بين الأدوية والأهداف
السؤال التجاري: ما هو نطاق التأثير الكامل للمركّب، أي ما هي الأهداف التي يرتبط بها، وما هي المسارات البيولوجية التي تتأثر به، وما هي مجالات الأمراض التي يشملها؟
الجداول:
جدول | الوصف |
| جزيئات الدواء مع آلية العمل ومرحلة التطوير |
| البروتينات المستهدَفة مع أسماء الجينات ومعرّفات UniProt |
| مدى تقارب المركّب مع الهدف (الأهداف الأساسية + الأهداف غير المقصودة) |
| المسارات البيولوجية المرتبطة بمجالات الأمراض |
| جدول تقاطع يربط الأهداف بالمسارات التي تشارك فيها |
نموذج الرسم البياني للخاصية:
(Compound)-[BINDS_TO {affinity_nm, ic50_nm, interaction_type}]->(Target)
(Target)-[PARTICIPATES_IN {role, importance_score}]->(Pathway)

🔍 طلبات بحث تجريبية
طلب البحث | ما يعرضه |
السؤال 1: الملف الشخصي المستهدَف للربط | الاجتياز من قفزة واحدة — المركّب لجميع الأهداف الأساسية وغير المستهدفة |
السؤال 2: رصد مخاطر hERG على القلب | مسار من خطوتين: المركّب ← هدف hERG ← المسار القلبي |
السؤال 3: أزواج المركّبات ذات الهدف المشترك | مطابقة ثنائية الاتجاه: مركّبان يتقاربان في العقدة المستهدفة نفسها |
السؤال 4: ما هو نطاق تأثير مسار المرض؟ | التجميع من خلال قفزتَين: تغطية كاملة للمسارات ومجالات الأمراض لكل مركّب |
السؤال الخامس: اختيار مركّب آمن | مركّبات ذات تغطية عالية للأورام ولكن بدون مسؤولية قلبية لـ hERG |
الإجراءات التي ستنفذّها
- إنشاء مجموعة بيانات ومخطط في BigQuery لشبكة التفاعلات الدوائية
- تحميل عيّنات بيانات (المركّبات، والأهداف، والتفاعلات، والمسارات، والمسارات المستهدَفة)
- إنشاء رسم بياني للعلاقات في BigQuery يربط بين هذه الكيانات
- الاستعلام عن الرسم البياني لفهم التفاعلات المركّبة والمسارات البيولوجية ونطاق تأثير الأمراض باستخدام عمليات التنقّل في الرسم البياني (
GRAPH_TABLEوMATCH) - مقارنة لغة GQL ولغة SQL العادية جنبًا إلى جنب لفهم بساطة بنية الرسم البياني وقدرتها التعبيرية
المتطلبات
- متصفّح ويب، مثل Chrome
- مشروع على Google Cloud مع تفعيل الفوترة
هذا الدرس التطبيقي حول الترميز مخصّص للمطوّرين من جميع المستويات، بما في ذلك المبتدئين.
2. قبل البدء
إنشاء مشروع على Google Cloud
- في Google Cloud Console، اختَر مشروعًا على Google Cloud أو أنشِئ مشروعًا جديدًا.
- تأكَّد من تفعيل الفوترة لمشروعك على السحابة الإلكترونية.
بدء Cloud Shell
- انقر على تفعيل Cloud Shell في أعلى وحدة تحكّم Google Cloud.
- التحقّق من المصادقة:
gcloud auth list
- تأكيد مشروعك:
gcloud config get project
- يمكنك ضبطه إذا لزم الأمر:
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID
تفعيل واجهات برمجة التطبيقات
نفِّذ هذا الأمر لتفعيل واجهة BigQuery API المطلوبة:
gcloud services enable bigquery.googleapis.com
3- تحديد المخطط وتحميل البيانات
أولاً، عليك إنشاء مجموعة بيانات لتخزين الجداول ذات الصلة بالرسم البياني وتعبئتها بعيّنات بيانات.
- انتقِل إلى BigQuery Studio في Google Cloud Console.
- انقر على محرر SQL لفتح علامة تبويب استعلام جديدة.
- نفِّذ العبارة التالية لإنشاء مجموعة بيانات
drug_target_graph:
CREATE SCHEMA IF NOT EXISTS drug_target_graph
OPTIONS (location = 'US');
الآن، أنشئ جداول المصادر الخمسة من خلال تنفيذ طلبات البحث التالية بلغة تعريف البيانات (DDL) في BigQuery Studio.
1. إنشاء جدول "compounds"
يحتوي على جزيئات الأدوية وآلية عملها ومرحلة تطويرها ومجالها العلاجي.
CREATE OR REPLACE TABLE drug_target_graph.compounds AS
SELECT 'CPD001' AS compound_id, 'Imatinib' AS compound_name, 'Kinase Inhibitor' AS mechanism_of_action, 'Approved' AS dev_stage, 'Oncology' AS therapeutic_area, 479.6 AS molecular_weight UNION ALL
SELECT 'CPD002', 'Gefitinib', 'Kinase Inhibitor', 'Approved', 'Oncology', 446.9 UNION ALL
SELECT 'CPD003', 'Erlotinib', 'Kinase Inhibitor', 'Approved', 'Oncology', 393.4 UNION ALL
SELECT 'CPD004', 'Sorafenib', 'Multi-Kinase Inhibitor', 'Approved', 'Oncology', 464.8 UNION ALL
SELECT 'CPD005', 'Vemurafenib', 'BRAF Inhibitor', 'Approved', 'Oncology', 489.9 UNION ALL
SELECT 'CPD006', 'Crizotinib', 'ALK Inhibitor', 'Approved', 'Oncology', 450.3 UNION ALL
SELECT 'CPD007', 'Idelalisib', 'PI3K Inhibitor', 'Approved', 'Oncology', 415.4 UNION ALL
SELECT 'CPD008', 'Trametinib', 'MEK Inhibitor', 'Approved', 'Oncology', 615.4 UNION ALL
SELECT 'CPD009', 'Palbociclib', 'CDK Inhibitor', 'Approved', 'Oncology', 447.5 UNION ALL
SELECT 'CPD010', 'Compound-X1', 'Kinase Inhibitor', 'Phase II', 'Oncology', 412.3 UNION ALL
SELECT 'CPD011', 'Compound-X2', 'PI3K Inhibitor', 'Phase I', 'Oncology', 398.7 UNION ALL
SELECT 'CPD012', 'Saquinavir', 'Protease Inhibitor', 'Approved', 'Infectious Disease', 670.8 UNION ALL
SELECT 'CPD013', 'Metformin', 'AMPK Activator', 'Approved', 'Metabolic', 165.6 UNION ALL
SELECT 'CPD014', 'Rapamycin', 'mTOR Inhibitor', 'Approved', 'Immunology', 914.2 UNION ALL
SELECT 'CPD015', 'Compound-X3', 'Multi-Kinase Inhibitor', 'Preclinical', 'Oncology', 502.1;
2. إنشاء جدول "targets"
يحتوي على البروتينات المستهدَفة وأسماء الجينات ومعرّفات UniProt وفئات الأهداف.
CREATE OR REPLACE TABLE drug_target_graph.targets AS
SELECT 'TGT001' AS target_id, 'BCR-ABL1' AS target_name, 'ABL1' AS gene_name, 'P00519' AS uniprot_id, 'Kinase' AS target_class, TRUE AS is_oncogene UNION ALL
SELECT 'TGT002', 'EGFR', 'EGFR', 'P00533', 'Kinase', TRUE UNION ALL
SELECT 'TGT003', 'VEGFR2', 'KDR', 'P35968', 'Kinase', FALSE UNION ALL
SELECT 'TGT004', 'BRAF', 'BRAF', 'P15056', 'Kinase', TRUE UNION ALL
SELECT 'TGT005', 'ALK', 'ALK', 'Q9UM73', 'Kinase', TRUE UNION ALL
SELECT 'TGT006', 'PI3K-alpha','PIK3CA', 'P42336', 'Lipid Kinase', TRUE UNION ALL
SELECT 'TGT007', 'MEK1', 'MAP2K1', 'Q02750', 'Kinase', FALSE UNION ALL
SELECT 'TGT008', 'CDK4', 'CDK4', 'P11802', 'Kinase', FALSE UNION ALL
SELECT 'TGT009', 'CDK6', 'CDK6', 'P30279', 'Kinase', FALSE UNION ALL
SELECT 'TGT010', 'mTOR', 'MTOR', 'P42345', 'Kinase', FALSE UNION ALL
SELECT 'TGT011', 'PDGFR-beta','PDGFRB', 'P09619', 'Kinase', FALSE UNION ALL
SELECT 'TGT012', 'c-KIT', 'KIT', 'P10721', 'Kinase', TRUE UNION ALL
SELECT 'TGT013', 'hERG', 'KCNH2', 'Q12809', 'Ion Channel', FALSE UNION ALL
SELECT 'TGT014', 'AMPK', 'PRKAA1', 'Q13131', 'Kinase', FALSE UNION ALL
SELECT 'TGT015', 'RAF1', 'RAF1', 'P04049', 'Kinase', FALSE UNION ALL
SELECT 'TGT016', 'RET', 'RET', 'P07949', 'Kinase', TRUE UNION ALL
SELECT 'TGT017', 'FLT3', 'FLT3', 'P36888', 'Kinase', TRUE UNION ALL
SELECT 'TGT018', 'AKT1', 'AKT1', 'P31749', 'Kinase', FALSE UNION ALL
SELECT 'TGT019', 'ERK2', 'MAPK1', 'P28482', 'Kinase', FALSE UNION ALL
SELECT 'TGT020', 'HIV-Protease','HIV1-PR','Q72547', 'Protease', FALSE;
3- إنشاء جدول "interactions"
تحتوي على بيانات تقارب الارتباط بين المركّب والهدف (الأهداف الأساسية مقابل الأهداف غير المقصودة).
CREATE OR REPLACE TABLE drug_target_graph.interactions AS
SELECT 'INT001' AS interaction_id, 'CPD001' AS compound_id, 'TGT001' AS target_id, 0.025 AS affinity_nm, 0.038 AS ic50_nm, 'primary' AS interaction_type, 9.8 AS pchembl_value UNION ALL
SELECT 'INT002', 'CPD001', 'TGT011', 0.1, 0.15, 'primary', 8.8 UNION ALL
SELECT 'INT003', 'CPD001', 'TGT012', 0.068, 0.1, 'primary', 9.2 UNION ALL
SELECT 'INT004', 'CPD001', 'TGT016', 0.5, 0.8, 'off-target', 7.4 UNION ALL
SELECT 'INT005', 'CPD001', 'TGT013', 5.2, 8.1, 'off-target', 6.1 UNION ALL
SELECT 'INT006', 'CPD002', 'TGT002', 0.02, 0.033, 'primary', 9.7 UNION ALL
SELECT 'INT007', 'CPD002', 'TGT013', 3.1, 4.8, 'off-target', 6.5 UNION ALL
SELECT 'INT008', 'CPD003', 'TGT002', 0.058, 0.079, 'primary', 9.2 UNION ALL
SELECT 'INT009', 'CPD003', 'TGT013', 8.5, 12.0, 'off-target', 5.9 UNION ALL
SELECT 'INT010', 'CPD004', 'TGT003', 0.09, 0.12, 'primary', 9.1 UNION ALL
SELECT 'INT011', 'CPD004', 'TGT004', 0.038, 0.055, 'primary', 8.9 UNION ALL
SELECT 'INT012', 'CPD004', 'TGT015', 0.22, 0.31, 'primary', 8.5 UNION ALL
SELECT 'INT013', 'CPD004', 'TGT016', 0.58, 0.75, 'primary', 8.1 UNION ALL
SELECT 'INT014', 'CPD004', 'TGT017', 0.33, 0.48, 'primary', 8.4 UNION ALL
SELECT 'INT015', 'CPD004', 'TGT013', 2.8, 4.1, 'off-target', 6.6 UNION ALL
SELECT 'INT016', 'CPD005', 'TGT004', 0.031, 0.044, 'primary', 9.5 UNION ALL
SELECT 'INT017', 'CPD005', 'TGT015', 0.48, 0.65, 'off-target', 7.3 UNION ALL
SELECT 'INT018', 'CPD006', 'TGT005', 0.02, 0.028, 'primary', 9.8 UNION ALL
SELECT 'INT019', 'CPD006', 'TGT003', 0.41, 0.59, 'off-target', 7.4 UNION ALL
SELECT 'INT020', 'CPD007', 'TGT006', 0.019, 0.025, 'primary', 9.8 UNION ALL
SELECT 'INT021', 'CPD007', 'TGT018', 0.55, 0.78, 'off-target', 7.2 UNION ALL
SELECT 'INT022', 'CPD008', 'TGT007', 0.0092, 0.014, 'primary', 10.1 UNION ALL
SELECT 'INT023', 'CPD008', 'TGT019', 0.38, 0.51, 'off-target', 7.4 UNION ALL
SELECT 'INT024', 'CPD009', 'TGT008', 0.011, 0.017, 'primary', 9.9 UNION ALL
SELECT 'INT025', 'CPD009', 'TGT009', 0.015, 0.022, 'primary', 9.8 UNION ALL
SELECT 'INT026', 'CPD010', 'TGT002', 0.041, 0.058, 'primary', 9.4 UNION ALL
SELECT 'INT027', 'CPD010', 'TGT001', 0.38, 0.52, 'off-target', 7.3 UNION ALL
SELECT 'INT028', 'CPD010', 'TGT013', 1.2, 1.8, 'off-target', 7.1 UNION ALL
SELECT 'INT029', 'CPD011', 'TGT006', 0.029, 0.041, 'primary', 9.5 UNION ALL
SELECT 'INT030', 'CPD011', 'TGT010', 0.71, 0.95, 'off-target', 7.0 UNION ALL
SELECT 'INT031', 'CPD012', 'TGT020', 0.39, 0.55, 'primary', 7.3 UNION ALL
SELECT 'INT032', 'CPD013', 'TGT014', 12.0, 18.5, 'primary', 5.7 UNION ALL
SELECT 'INT033', 'CPD014', 'TGT010', 0.0018, 0.0025, 'primary', 11.8 UNION ALL
SELECT 'INT034', 'CPD015', 'TGT004', 0.055, 0.078, 'primary', 9.2 UNION ALL
SELECT 'INT035', 'CPD015', 'TGT003', 0.12, 0.17, 'primary', 8.9 UNION ALL
SELECT 'INT036', 'CPD015', 'TGT016', 0.29, 0.41, 'primary', 8.5 UNION ALL
SELECT 'INT037', 'CPD015', 'TGT013', 0.95, 1.35, 'off-target', 7.2;
4. إنشاء جدول "pathways"
يحتوي على المسارات البيولوجية ومجالات الأمراض المرتبطة بها ومدى الصلة بالسرطان.
CREATE OR REPLACE TABLE drug_target_graph.pathways AS
SELECT 'PWY001' AS pathway_id, 'MAPK Signaling' AS pathway_name, 'hsa04010' AS kegg_id, 'Cell Proliferation' AS biological_process, 'Oncology' AS disease_area, 'high' AS cancer_relevance UNION ALL
SELECT 'PWY002', 'PI3K-AKT Signaling', 'hsa04151', 'Cell Survival', 'Oncology', 'high' UNION ALL
SELECT 'PWY003', 'VEGF Signaling', 'hsa04370', 'Angiogenesis', 'Oncology', 'high' UNION ALL
SELECT 'PWY004', 'ErbB Signaling', 'hsa04012', 'Cell Growth', 'Oncology', 'high' UNION ALL
SELECT 'PWY005', 'mTOR Signaling', 'hsa04150', 'Cell Growth', 'Oncology', 'medium' UNION ALL
SELECT 'PWY006', 'Cell Cycle', 'hsa04110', 'Cell Division', 'Oncology', 'high' UNION ALL
SELECT 'PWY007', 'Cardiac Muscle Contraction', 'hsa04260', 'Cardiac Function', 'Cardiovascular', 'low' UNION ALL
SELECT 'PWY008', 'hERG Cardiac Channel', 'hsa04022', 'Cardiac Repolarisation','Cardiovascular', 'low' UNION ALL
SELECT 'PWY009', 'AMPK Signaling', 'hsa04152', 'Energy Metabolism', 'Metabolic', 'low' UNION ALL
SELECT 'PWY010', 'ALK Signaling', 'hsa04915', 'Cell Proliferation', 'Oncology', 'high' UNION ALL
SELECT 'PWY011', 'RAS Signaling', 'hsa04014', 'Cell Proliferation', 'Oncology', 'high' UNION ALL
SELECT 'PWY012', 'HIV Replication', 'hsa05170', 'Viral Replication', 'Infectious Disease', 'low';
5- إنشاء جدول "target_pathways"
جدول تقاطع يربط الأهداف بالمسارات البيولوجية التي تشارك فيها.
CREATE OR REPLACE TABLE drug_target_graph.target_pathways AS
SELECT 'TP001' AS tp_id, 'TGT001' AS target_id, 'PWY001' AS pathway_id, 'activator' AS role, 0.95 AS importance_score UNION ALL
SELECT 'TP002', 'TGT001', 'PWY011', 'activator', 0.88 UNION ALL
SELECT 'TP003', 'TGT002', 'PWY004', 'activator', 0.98 UNION ALL
SELECT 'TP004', 'TGT002', 'PWY001', 'activator', 0.82 UNION ALL
SELECT 'TP005', 'TGT002', 'PWY002', 'activator', 0.75 UNION ALL
SELECT 'TP006', 'TGT003', 'PWY003', 'activator', 0.96 UNION ALL
SELECT 'TP007', 'TGT003', 'PWY001', 'activator', 0.71 UNION ALL
SELECT 'TP008', 'TGT004', 'PWY001', 'activator', 0.97 UNION ALL
SELECT 'TP009', 'TGT004', 'PWY011', 'activator', 0.89 UNION ALL
SELECT 'TP010', 'TGT005', 'PWY010', 'activator', 0.99 UNION ALL
SELECT 'TP011', 'TGT005', 'PWY001', 'activator', 0.78 UNION ALL
SELECT 'TP012', 'TGT006', 'PWY002', 'activator', 0.98 UNION ALL
SELECT 'TP013', 'TGT006', 'PWY005', 'activator', 0.85 UNION ALL
SELECT 'TP014', 'TGT007', 'PWY001', 'activator', 0.94 UNION ALL
SELECT 'TP015', 'TGT007', 'PWY011', 'activator', 0.88 UNION ALL
SELECT 'TP016', 'TGT008', 'PWY006', 'activator', 0.95 UNION ALL
SELECT 'TP017', 'TGT009', 'PWY006', 'activator', 0.93 UNION ALL
SELECT 'TP018', 'TGT010', 'PWY005', 'activator', 0.99 UNION ALL
SELECT 'TP019', 'TGT010', 'PWY002', 'activator', 0.91 UNION ALL
SELECT 'TP020', 'TGT011', 'PWY003', 'activator', 0.87 UNION ALL
SELECT 'TP021', 'TGT011', 'PWY001', 'activator', 0.72 UNION ALL
SELECT 'TP022', 'TGT012', 'PWY001', 'activator', 0.83 UNION ALL
SELECT 'TP023', 'TGT012', 'PWY011', 'activator', 0.79 UNION ALL
SELECT 'TP024', 'TGT013', 'PWY008', 'substrate', 0.99 UNION ALL
SELECT 'TP025', 'TGT013', 'PWY007', 'substrate', 0.95 UNION ALL
SELECT 'TP026', 'TGT014', 'PWY009', 'activator', 0.97 UNION ALL
SELECT 'TP027', 'TGT015', 'PWY001', 'activator', 0.91 UNION ALL
SELECT 'TP028', 'TGT015', 'PWY011', 'activator', 0.86 UNION ALL
SELECT 'TP029', 'TGT016', 'PWY001', 'activator', 0.84 UNION ALL
SELECT 'TP030', 'TGT016', 'PWY003', 'activator', 0.77 UNION ALL
SELECT 'TP031', 'TGT017', 'PWY001', 'activator', 0.88 UNION ALL
SELECT 'TP032', 'TGT017', 'PWY011', 'activator', 0.82 UNION ALL
SELECT 'TP033', 'TGT018', 'PWY002', 'activator', 0.96 UNION ALL
SELECT 'TP034', 'TGT018', 'PWY005', 'activator', 0.88 UNION ALL
SELECT 'TP035', 'TGT019', 'PWY001', 'activator', 0.97 UNION ALL
SELECT 'TP036', 'TGT019', 'PWY011', 'activator', 0.91 UNION ALL
SELECT 'TP037', 'TGT020', 'PWY012', 'substrate', 0.99;
4. إنشاء رسم بياني للسمات
بعد إنشاء الجداول بنجاح، يمكنك الآن إنشاء الرسم البياني للسمات. يربط هذا العُقد (المركّبات والأهداف والمسارات) باستخدام جداول الحواف (Interactions وTarget Pathways).
نفِّذ العبارة التالية في محرِّر SQL في BigQuery Studio:
CREATE OR REPLACE PROPERTY GRAPH drug_target_graph.drug_target_interaction_graph
NODE TABLES (
drug_target_graph.compounds
AS compound_node
KEY (compound_id)
LABEL Compound
PROPERTIES (compound_id, compound_name, mechanism_of_action, dev_stage, therapeutic_area, molecular_weight),
drug_target_graph.targets
AS target_node
KEY (target_id)
LABEL Target
PROPERTIES (target_id, target_name, gene_name, uniprot_id, target_class, is_oncogene),
drug_target_graph.pathways
AS pathway_node
KEY (pathway_id)
LABEL Pathway
PROPERTIES (pathway_id, pathway_name, kegg_id, biological_process, disease_area, cancer_relevance)
)
EDGE TABLES (
drug_target_graph.interactions
AS binds_to_edge
KEY (interaction_id)
SOURCE KEY (compound_id) REFERENCES compound_node (compound_id)
DESTINATION KEY (target_id) REFERENCES target_node (target_id)
LABEL BINDS_TO
PROPERTIES (interaction_id, affinity_nm, ic50_nm, interaction_type, pchembl_value),
drug_target_graph.target_pathways
AS participates_in_edge
KEY (tp_id)
SOURCE KEY (target_id) REFERENCES target_node (target_id)
DESTINATION KEY (pathway_id) REFERENCES pathway_node (pathway_id)
LABEL PARTICIPATES_IN
PROPERTIES (tp_id, role, importance_score)
);
يؤدي ذلك إلى إنشاء رسم بياني باسم drug_target_interaction_graph في مجموعة بياناتك.

5- طلب البحث 1: ملف تعريف الارتباط الكامل بالهدف لكل مركّب
لننفّذ أول طلب بحث في الرسم البياني. هذا مسار من خطوة واحدة يجيب عن السؤال التالي: ما هي المركّبات التي ترتبط بأي أهداف، وما هو مدى تقاربها؟
طلب بحث GQL
نفِّذ الطلب التالي في محرّر SQL:
SELECT
compound_name,
dev_stage,
target_name,
gene_name,
target_class,
interaction_type,
ROUND(affinity_nm, 3) AS affinity_nm,
ROUND(ic50_nm, 3) AS ic50_nm,
pchembl_value
FROM GRAPH_TABLE(
drug_target_graph.drug_target_interaction_graph
MATCH (c:Compound)-[b:BINDS_TO]->(t:Target)
COLUMNS (
c.compound_name AS compound_name,
c.dev_stage AS dev_stage,
t.target_name AS target_name,
t.gene_name AS gene_name,
t.target_class AS target_class,
b.interaction_type AS interaction_type,
b.affinity_nm AS affinity_nm,
b.ic50_nm AS ic50_nm,
b.pchembl_value AS pchembl_value
)
)
ORDER BY compound_name, interaction_type, affinity_nm;
في ما يلي ما سيظهر في النتائج:

6. الطلب 2: رصد مخاطر الإصابة بأمراض القلب
سؤال العمل
في مجال اكتشاف الأدوية، من الأسباب الأكثر شيوعًا لفشل مركّب واعد في التجارب السريرية هو سمية القلب، وتحديدًا الارتباط غير المقصود ببروتين hERG (الجين: KCNH2)، وهو قناة أيونات البوتاسيوم التي تنظّم نظم القلب. يمكن أن يؤدي التأثير غير المستهدف في hERG إلى عدم انتظام ضربات القلب بشكل مميت، وكان مسؤولاً عن العديد من حالات سحب الأدوية البارزة.
السؤال الذي نريد الإجابة عنه هو:
"ما هي المركّبات في خط الإنتاج التي لها حدث ارتباط غير مستهدَف ببروتين hERG، وما هي المسارات القلبية التي يعرّضها ذلك للخطر؟"
هذا سؤال من خطوتين: نحتاج إلى الانتقال من مركّب، عبر هدف (hERG)، إلى مسار، أي ربط ثلاثة أنواع من الكيانات عبر علاقتَين في طلب بحث واحد.
كتابة طلب البحث بلغة GQL
نفِّذ طلب البحث التالي في محرِّر SQL في BigQuery:
SELECT
compound_name,
dev_stage,
therapeutic_area,
target_name,
ROUND(affinity_nm, 3) AS herg_affinity_nm,
pathway_name,
disease_area AS pathway_disease_area
FROM GRAPH_TABLE(
drug_target_graph.drug_target_interaction_graph
MATCH (c:Compound)-[b:BINDS_TO]->(t:Target)-[p:PARTICIPATES_IN]->(pw:Pathway)
WHERE t.gene_name = 'KCNH2'
AND b.interaction_type = 'off-target'
AND pw.disease_area = 'Cardiovascular'
COLUMNS (
c.compound_name AS compound_name,
c.dev_stage AS dev_stage,
c.therapeutic_area AS therapeutic_area,
t.target_name AS target_name,
b.affinity_nm AS affinity_nm,
pw.pathway_name AS pathway_name,
pw.disease_area AS disease_area
)
)
ORDER BY herg_affinity_nm;
لاحظ كيف يمكن قراءة عبارة MATCH كجملة تقريبًا: "العثور على مركّب يرتبط بهدف يشارك في مسار"، مع تطبيق الفلاتر على كل عقدة وحافة على طول المسار.
في ما يلي البيانات التي ستظهر في النتائج:

عرض شبكة المخاطر كرسم بياني
يعرض لنا الجدول البيانات، ولكنّه لا يعرض لنا بنية المخاطر. هل تتقارب مركبات متعددة في نفس المسار؟ هل هناك مركّب واحد عالي الخطورة أم عدة مركّبات؟
ويساعد الرسم البياني في توضيح ذلك على الفور. شغِّل الخلية أدناه لعرض عملية التنقّل نفسها المكوّنة من خطوتين كشبكة تفاعلية:
GRAPH `drug_target_graph.drug_target_interaction_graph`
MATCH pt = (c:Compound)-[b:BINDS_TO]->(t:Target)-[p:PARTICIPATES_IN]->(pw:Pathway)
WHERE t.gene_name = 'KCNH2'
AND pw.disease_area = 'Cardiovascular'
RETURN
TO_JSON(pt) AS path
من المفترض أن يظهر لك رسم بياني مثل هذا:

يتتبّع كل مسار في الرسم البياني سلسلة مسؤولية كاملة: يرتبط مركّب (العُقد الزرقاء) ببروتين hERG في الوسط، والذي يتصل بمسار قلبي واحد أو أكثر (العُقد الخضراء). ما كان في السابق قائمة مسطحة من الصفوف في الجدول أصبح الآن شبكة مخاطر مرئية، حيث تبرز المركبات ذات المسارات المتعددة للتعرض على الفور كأولوية أعلى لمراجعة السلامة.
See Why GQL Is More Elegant Than SQL
لتنفيذ طلب البحث نفسه المكوّن من قفزتَين في لغة SQL العادية، تحتاج إلى 4 عمليات دمج صريحة. أنت تبذل جهدًا معرفيًا في وصف كيفية دمج الجداول بدلاً من العلاقة التي تبحث عنها. تتيح لك GQL التركيز على السؤال.
SELECT
c.compound_name,
c.dev_stage,
c.therapeutic_area,
t.target_name,
ROUND(i.affinity_nm, 3) AS herg_affinity_nm,
pw.pathway_name,
pw.disease_area AS pathway_disease_area
FROM drug_target_graph.compounds c
JOIN drug_target_graph.interactions i ON c.compound_id = i.compound_id
JOIN drug_target_graph.targets t ON i.target_id = t.target_id
JOIN drug_target_graph.target_pathways tp ON t.target_id = tp.target_id
JOIN drug_target_graph.pathways pw ON tp.pathway_id = pw.pathway_id
WHERE t.gene_name = 'KCNH2'
AND i.interaction_type = 'off-target'
AND pw.disease_area = 'Cardiovascular'
ORDER BY herg_affinity_nm;
التعمّق في التفاصيل: رصد مخاطر المستقلبات المتعددة الخطوات
يحدّد طلب البحث أعلاه المركّبات التي ترتبط مباشرةً ببروتين hERG. ولكن في سير العمل الفعلي لسلامة الأدوية، قد يكون الخطر أحيانًا غير مباشر: فقد يتحول المركب من خلال عملية الأيض في الجسم إلى جزيء ثانوي (مستقلب) يرتبط بعد ذلك ببروتين hERG، وهو خطر قد تغفله تمامًا اختبارات الارتباط المباشر.
إذا كان الرسم البياني للموقع يتضمّن جدول عقدة Metabolite وحافة METABOLISES_INTO، يمكنك توسيع نمط MATCH نفسه إلى مسار من 3 قفزات:
(Compound)-[METABOLISES_INTO]->(Metabolite)-[BINDS_TO]->
(Target)-[PARTICIPATES_IN]->(Pathway)
ستتغير بنية طلب البحث في GQL بعقدة واحدة وحافة واحدة بالضبط. يتطلّب SQL المكافئ عبارتَي JOIN إضافيتَين. هذا هو النمط الذي يجعل اجتياز الرسم البياني قويًا بشكل خاص لتحليل تسلسل السلامة - يزداد تعقيد الاستعلام خطيًا بينما تنمو الرؤية البيولوجية بشكل كبير.
7. طلب البحث 3: أزواج مركّبة ذات هدف مشترك
للعثور على مرشحين للعلاج المركّب، يمكننا تحديد متى يرتبط مركبان مختلفان بنفس العقدة المستهدفة. نستخدم مطابقة ثنائية الاتجاه للإجابة عن السؤال التالي: ما هي مركّبات الأورام التي تتقارب مع الهدف نفسه بالضبط؟
نفِّذ الطلب التالي في محرّر SQL:
SELECT
compound_a,
compound_b,
shared_target,
gene_name,
ROUND(affinity_a_nm, 3) AS affinity_a_nm,
ROUND(affinity_b_nm, 3) AS affinity_b_nm
FROM GRAPH_TABLE(
drug_target_graph.drug_target_interaction_graph
MATCH (c1:Compound)-[b1:BINDS_TO]->(t:Target)<-[b2:BINDS_TO]-(c2:Compound)
WHERE c1.compound_id < c2.compound_id
AND c1.therapeutic_area = 'Oncology'
AND c2.therapeutic_area = 'Oncology'
COLUMNS (
c1.compound_name AS compound_a,
c2.compound_name AS compound_b,
t.target_name AS shared_target,
t.gene_name AS gene_name,
b1.affinity_nm AS affinity_a_nm,
b2.affinity_nm AS affinity_b_nm
)
)
ORDER BY compound_a, compound_b, affinity_a_nm;
في ما يلي البيانات التي ستظهر في النتائج:

عرض الرسم البياني
يمكنك عرض الرسم البياني مباشرةً في BigQuery من خلال تنفيذ الرمز التالي في محرِّر SQL.
GRAPH `drug_target_graph.drug_target_interaction_graph`
MATCH p = (c1:Compound)-[b1:BINDS_TO]->(t:Target)<-[b2:BINDS_TO]-(c2:Compound)
WHERE c1.compound_id < c2.compound_id
AND c1.therapeutic_area = 'Oncology'
RETURN
TO_JSON(p) AS path
يكشف هذا التنقّل الثنائي الاتجاه عن أزواج من المركّبات التي تلتقي عند البروتين المستهدَف نفسه، وهو نمط يصعب رصده في جدول تفاعلات مسطّح، ولكنّه يظهر على الفور في رسم بياني. في مجال اكتشاف الأدوية، تُعدّ أزواج الأهداف المشتركة نقطة البداية لتصميم العلاج المركّب: قد يؤدي مركّبان يستهدفان العقدة نفسها في مسار السرطان إلى تأثير تآزري، أو قد يشيران إلى تكرار غير مقصود في المسار

8. طلب البحث 4: نطاق تأثير مسار المرض
ما مدى اتساع التأثير البيولوجي لكل مركّب؟ لنُجرِ عملية انتقال من خطوتين مع تجميع للإجابة عن السؤال التالي: كم عدد المسارات البيولوجية والأهداف المميّزة التي يؤثر فيها كل مركّب، مجمّعة حسب مجال المرض؟
نفِّذ الطلب التالي في محرّر SQL:
SELECT
compound_name,
dev_stage,
disease_area,
COUNT(DISTINCT pathway_id) AS pathways_affected,
COUNT(DISTINCT target_id) AS targets_involved,
STRING_AGG(DISTINCT pathway_name ORDER BY pathway_name) AS pathway_list
FROM GRAPH_TABLE(
drug_target_graph.drug_target_interaction_graph
MATCH (c:Compound)-[b:BINDS_TO]->(t:Target)-[p:PARTICIPATES_IN]->(pw:Pathway)
COLUMNS (
c.compound_name AS compound_name,
c.dev_stage AS dev_stage,
t.target_id AS target_id,
pw.pathway_id AS pathway_id,
pw.pathway_name AS pathway_name,
pw.disease_area AS disease_area
)
)
GROUP BY compound_name, dev_stage, disease_area
ORDER BY compound_name, pathways_affected DESC;
في ما يلي ما سيظهر في النتائج:

9. طلب البحث 5: اختيار مركّب آمن
أخيرًا، لنبحث عن المركّبات التي تغطي الأورام بشكل كبير ولكنّها تتجنّب صراحةً التأثيرات غير المقصودة في قناة hERG (القلبية). يتوافق هذا مع أنماط الاختيار الشائعة التي تعطي الأولوية للسلامة في مسارات اكتشاف الأدوية.
نفِّذ الطلب التالي في محرّر SQL:
WITH oncology_compounds AS (
SELECT DISTINCT compound_id, compound_name, dev_stage
FROM GRAPH_TABLE(
drug_target_graph.drug_target_interaction_graph
MATCH (c:Compound)-[b:BINDS_TO]->(t:Target)-[p:PARTICIPATES_IN]->(pw:Pathway)
WHERE pw.disease_area = 'Oncology'
AND pw.cancer_relevance = 'high'
COLUMNS (
c.compound_id AS compound_id,
c.compound_name AS compound_name,
c.dev_stage AS dev_stage
)
)
),
herg_risk_compounds AS (
SELECT DISTINCT compound_id
FROM GRAPH_TABLE(
drug_target_graph.drug_target_interaction_graph
MATCH (c:Compound)-[b:BINDS_TO]->(t:Target)
WHERE t.gene_name = 'KCNH2'
COLUMNS (c.compound_id AS compound_id)
)
)
SELECT
o.compound_name,
o.dev_stage,
'Clean cardiac profile' AS cardiac_safety
FROM oncology_compounds o
LEFT JOIN herg_risk_compounds h ON o.compound_id = h.compound_id
WHERE h.compound_id IS NULL
ORDER BY o.dev_stage, o.compound_name;
في ما يلي الناتج الذي سيظهر لك في النتائج:

لقد نجحت في تنفيذ عمليات تتبُّع متقدّمة للرسوم البيانية في BigQuery لاستخراج ملفات تعريفية رئيسية حول السلامة والفعالية.
10. قسم إضافي: الدردشة مع الرسم البياني
تتيح ميزة "الإحصاءات الحوارية" في BigQuery الآن استخدام الرسم البياني كمصدر معلومات. يتيح لك ذلك التحدّث مع الرسم البياني الذي أنشأته للتو بلغة طبيعية.
البدء: إضافة رسم بياني كمصدر معرفة
للبدء، أنشِئ وكيل حوار باتّباع الخطوات الموضّحة هنا. اختَر الرسم البياني الذي أنشأته من شريط البحث.

استخدام "الإحصاءات الحوارية" في BigQuery للدردشة مع الرسم البياني
بعد إضافة مصدر المعرفة كرسم بياني، أكمِل بقية خطوات إعداد وكيل "إحصاءات المحادثات".
يمكنك بعد ذلك بدء الدردشة مع الرسم البياني باستخدام اللغة الطبيعية.

أسئلة إضافية
- ما هي جميع الأهداف للمركبات التي تخضع حاليًا لتجارب المرحلة الثانية؟
- ما هي الأهداف المشتركة بين مركّبات القلب والأوعية الدموية ومركّبات الأورام؟
11. تَنظيم
لتجنُّب تحصيل رسوم مستمرة من حسابك على Google Cloud، احذف الموارد التي تم إنشاؤها خلال هذا الدرس التطبيقي حول الترميز.
نفِّذ طلب البحث التالي لإسقاط المخطط وجميع الجداول بشكل متسلسل:
DROP SCHEMA IF EXISTS drug_target_graph CASCADE;
12. تهانينا
تهانينا! لقد نجحت في وضع نموذج لشبكة تفاعل بين الأدوية والأهداف وتحليلها باستخدام BigQuery Graph.
ما تعلّمته
- كيفية إنشاء نموذج للعلاقات بين الكيانات (المركبات والأهداف والمسارات) كرسم بياني للسمات
- كيفية تحديد المخطط وإنشاء رسم بياني للسمات في BigQuery
- كيفية كتابة عمليات اجتياز معقّدة للرسم البياني باستخدام GQL ومقارنتها بلغة SQL التقليدية
- كيفية الاستفادة من
GRAPH_TABLEوMATCHوالمطابقة الثنائية الاتجاه لحلّ مشاكل نطاق علوم الحياة