১. ভূমিকা
এই কোডল্যাবে, আপনি শিখবেন কীভাবে BigQuery Graph ব্যবহার করে ড্রাগ-টার্গেট ইন্টার্যাকশন নেটওয়ার্ক মডেল ও বিশ্লেষণ করতে হয়। আপনি গ্রাফ কোয়েরির (GQL) ক্ষমতা ব্যবহার করে ওষুধ কীভাবে জৈবিক টার্গেটের সাথে ইন্টার্যাক্ট করে তা এক্সপ্লোর করতে, সম্ভাব্য পার্শ্বপ্রতিক্রিয়া (যেমন, হার্টের ঝুঁকি) শনাক্ত করতে এবং সম্ভাব্য কম্বিনেশন থেরাপি খুঁজে বের করতে পারবেন।
🧬 ব্যবহারের ক্ষেত্র — ড্রাগ-টার্গেট ইন্টার্যাকশন নেটওয়ার্ক
ব্যবসা সংক্রান্ত প্রশ্ন: কোনও যৌগের সম্পূর্ণ ব্লাস্ট রেডিয়াস কী — এটি কোন টার্গেটকে বাইন্ড করে, কোন জৈবিক পথ প্রভাবিত হয় এবং কোন রোগের ক্ষেত্রগুলি জড়িত?
টেবিল:
সারণী | বিবরণ |
| ড্রাগ মলিকিউল, তার মেকানিজম অফ অ্যাকশন এবং ডেভেলপমেন্ট স্টেজ |
| জিনের নাম ও UniProt আইডি সহ প্রোটিন টার্গেট |
| কম্পাউন্ড-টার্গেট বাইন্ডিং অ্যাফিনিটি (প্রাথমিক টার্গেট + অফ-টার্গেট) |
| রোগের সাথে সম্পর্কিত জৈবিক পথ |
| জংশন টেবিল টার্গেটকে তারা যে পাথওয়েতে অংশগ্রহণ করে তার সাথে লিঙ্ক করে |
প্রপার্টি গ্রাফ মডেল:
(Compound)-[BINDS_TO {affinity_nm, ic50_nm, interaction_type}]->(Target)
(Target)-[PARTICIPATES_IN {role, importance_score}]->(Pathway)

🔍 ডেমো কোয়েরি
কোয়েরি | এতে কী দেখানো হয় |
প্রশ্ন ১: টার্গেট বাইন্ডিং প্রোফাইল | ১-হপ ট্রাভার্সাল — সমস্ত প্রাথমিক এবং অফ-টার্গেটের যৌগিক |
প্রশ্ন ২: hERG কার্ডিয়াক ঝুঁকি শনাক্তকরণ | ২-হপ ট্র্যাভার্সাল — কম্পাউন্ড → hERG টার্গেট → কার্ডিয়াক পাথওয়ে |
Q3: শেয়ার করা টার্গেট কম্পাউন্ড পেয়ার | দ্বিমুখী ম্যাচ — একই টার্গেট নোডে দুটি কম্পাউন্ড কনভার্জ করছে |
প্রশ্ন ৪: রোগের সংক্রমণ ছড়ানোর ব্যাসার্ধ | ২-হপ এগ্রিগেশন — প্রতিটি কম্পাউন্ডের জন্য সম্পূর্ণ পাথওয়ে এবং রোগের ক্ষেত্র কভারেজ |
প্রশ্ন ৫: নিরাপদ কম্পাউন্ড বেছে নেওয়া | উচ্চ অনকোলজি কভারেজ সহ যৌগ কিন্তু কোনও hERG কার্ডিয়াক দায় নেই |
আপনি কী করবেন
- ড্রাগ ইন্টার্যাকশন নেটওয়ার্কের জন্য BigQuery ডেটাসেট ও স্কিমা তৈরি করা
- স্যাম্পেল ডেটা লোড করুন (কম্পাউন্ড, টার্গেট, ইন্টার্যাকশন, পাথওয়ে, টার্গেট পাথওয়ে)
- এইসব এন্টিটি কানেক্ট করে BigQuery-তে একটি প্রপার্টি গ্রাফ তৈরি করুন
- গ্রাফ ট্রাভার্সাল (
GRAPH_TABLEএবংMATCH) ব্যবহার করে যৌগিক ইন্টার্যাকশন, জৈবিক পথ এবং রোগের ব্লাস্ট রেডিয়াস বোঝার জন্য গ্রাফে কোয়েরি করুন - গ্রাফ সিনট্যাক্সের সরলতা এবং এক্সপ্রেসিভ পাওয়ার বোঝার জন্য GQL এবং স্ট্যান্ডার্ড SQL পাশাপাশি তুলনা করুন
আপনার কী প্রয়োজন হবে
- Chrome-এর মতো ওয়েব ব্রাউজার
- বিলিং চালু করা আছে এমন একটি Google Cloud প্রোজেক্ট
এই কোডল্যাবটি নতুনদের সহ সব লেভেলের ডেভেলপারদের জন্য।
২. শুরু করার আগে
Google Cloud প্রোজেক্ট তৈরি করা
- Google Cloud Console-এ, Google Cloud প্রোজেক্ট বেছে নিন বা তৈরি করুন।
- আপনার Cloud প্রোজেক্টের জন্য বিলিং চালু করা আছে কিনা তা ভাল করে দেখে নিন।
Cloud Shell চালু করুন
- Google Cloud কনসোলের সবচেয়ে উপরে Cloud Shell অ্যাক্টিভেট করুন বিকল্পে ক্লিক করুন।
- যাচাইকরণ চেক করুন:
gcloud auth list
- আপনার প্রোজেক্ট কনফার্ম করুন:
gcloud config get project
- প্রয়োজন হলে এটি সেট করুন:
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID
API চালু করুন
প্রয়োজনীয় BigQuery API চালু করতে এই কমান্ড রান করুন:
gcloud services enable bigquery.googleapis.com
৩. স্কিমা নির্ধারণ ও ডেটা লোড করা
প্রথমে, আপনার গ্রাফ-সম্পর্কিত টেবিল স্টোর করতে এবং স্যাম্পেল ডেটা দিয়ে সেগুলি পূরণ করতে আপনাকে একটি ডেটাসেট তৈরি করতে হবে।
- Google Cloud Console-এ BigQuery Studio-তে যান।
- নতুন কোয়েরি ট্যাব খুলতে SQL এডিটর-এ ক্লিক করুন।
drug_target_graphডেটাসেট তৈরি করতে নিম্নলিখিত স্টেটমেন্ট রান করুন:
CREATE SCHEMA IF NOT EXISTS drug_target_graph
OPTIONS (location = 'US');
এখন, BigQuery Studio-তে নিম্নলিখিত DDL কোয়েরি রান করে ৫টি সোর্স টেবিল তৈরি করুন।
১. compoundsটি টেবিল তৈরি করুন
ওষুধের অণু, তাদের কার্যপ্রণালী, বিকাশের পর্যায় এবং থেরাপিউটিক ক্ষেত্র রয়েছে।
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;
২. targetsটি টেবিল তৈরি করুন
এতে প্রোটিন টার্গেট, জিনের নাম, UniProt আইডি ও টার্গেট ক্লাস থাকে।
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;
৩. interactionsটি টেবিল তৈরি করুন
এতে কম্পাউন্ড-টার্গেট বাইন্ডিং অ্যাফিনিটি ডেটা (প্রাথমিক টার্গেট বনাম অফ-টার্গেট) রয়েছে।
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;
৪. pathwaysটি টেবিল তৈরি করুন
এতে জৈবিক পথ, সংশ্লিষ্ট রোগের ক্ষেত্র এবং ক্যান্সারের প্রাসঙ্গিকতা রয়েছে।
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';
৫. target_pathwaysটি টেবিল তৈরি করুন
একটি জাংশন টেবিল যা টার্গেটকে তারা যে জৈবিক পথে অংশগ্রহণ করে তার সাথে লিঙ্ক করে।
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;
৪. প্রপার্টি গ্রাফ তৈরি করুন
টেবিল তৈরি হয়ে গেলে, আপনি এখন প্রপার্টি গ্রাফ তৈরি করতে পারবেন। এটি এজ টেবিল (Interactions এবং Target Pathways) ব্যবহার করে নোড (যৌগ, টার্গেট, পাথওয়ে) লিঙ্ক করে।
BigQuery Studio SQL এডিটরে নিম্নলিখিত স্টেটমেন্ট রান করুন:
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)
);
এটি আপনার ডেটাসেটে drug_target_interaction_graph নামের একটি গ্রাফ তৈরি করে।

৫. কোয়েরি ১: প্রতিটি কম্পাউন্ডের জন্য সম্পূর্ণ টার্গেট বাইন্ডিং প্রোফাইল
আসুন, আমাদের প্রথম গ্রাফ কোয়েরি রান করি। এটি হল ১-হপ ট্রাভার্সাল যা এই প্রশ্নের উত্তর দেয়: কোন কোন কম্পাউন্ড কোন কোন টার্গেটের সাথে বাইন্ড করে এবং তাদের অ্যাফিনিটি কী?
GQL কোয়েরি
SQL এডিটরে নিম্নলিখিত কোয়েরি রান করুন:
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;
ফলাফলে আপনি যা দেখতে পাবেন তা এখানে দেওয়া হল:

৬. কোয়েরি ২: কার্ডিয়াক রিস্ক শনাক্তকরণ
ব্যবসা সংক্রান্ত প্রশ্ন
ওষুধ আবিষ্কারের ক্ষেত্রে, ক্লিনিক্যাল ট্রায়ালে কোনও সম্ভাবনাময় কম্পাউন্ড ব্যর্থ হওয়ার অন্যতম সাধারণ কারণ হল কার্ডিওটক্সিসিটি — বিশেষত, hERG প্রোটিনের (জিন: KCNH2) সাথে অনিচ্ছাকৃতভাবে বাইন্ডিং, এটি হল একটি পটাশিয়াম আয়ন চ্যানেল যা হার্টের রিদম নিয়ন্ত্রণ করে। hERG-এ অফ-টার্গেট হিট মারাত্মক অ্যারিথমিয়া সৃষ্টি করতে পারে এবং বেশ কয়েকটি হাই-প্রোফাইল ওষুধ প্রত্যাহারের জন্য দায়ী।
আমরা যে প্রশ্নের উত্তর দিতে চাই তা হল:
"আমাদের পাইপলাইনে কোন কম্পাউন্ডের hERG প্রোটিনে অফ-টার্গেট বাইন্ডিং ইভেন্ট আছে — এবং এটি কোন কার্ডিয়াক পাথওয়েকে ঝুঁকিতে ফেলে?"
এটি হল ২-হপ প্রশ্ন: আমাদের একটি কম্পাউন্ড থেকে, একটি টার্গেট (hERG) হয়ে, একটি পাথওয়ে পর্যন্ত যেতে হবে — একটি কোয়েরিতে দুটি সম্পর্ক জুড়ে তিনটি এন্টিটি টাইপ কানেক্ট করতে হবে।
GQL কোয়েরি লিখুন
BQ SQL এডিটরে নিম্নলিখিত কোয়েরি রান করুন:
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;
লক্ষ্য করুন যে MATCH ক্লজটি প্রায় একটি বাক্যের মতো পড়া যায়: "এমন একটি কম্পাউন্ড খুঁজুন যা এমন একটি টার্গেটের সাথে বাইন্ড করে যা একটি পাথওয়েতে অংশগ্রহণ করে" — পাথ বরাবর প্রতিটি নোড এবং এজে ফিল্টার প্রয়োগ করা হয়েছে।
ফলাফলে আপনি এইসব ডেটা দেখতে পাবেন:

গ্রাফ হিসেবে ঝুঁকি নেটওয়ার্ক ভিজ্যুয়ালাইজ করুন
একটি টেবিল আমাদের ডেটা দেখায় — কিন্তু এটি আমাদের ঝুঁকির কাঠামো দেখায় না। একাধিক যৌগ কি একই পাথওয়েতে একত্রিত হচ্ছে? সেখানে কি একটি বা একাধিক উচ্চ-ঝুঁকিপূর্ণ কম্পাউন্ড আছে?
গ্রাফ ভিজ্যুয়ালাইজেশন এটিকে অবিলম্বে দৃশ্যমান করে তোলে। ইন্টার্যাক্টিভ নেটওয়ার্ক হিসেবে একই ২-হপ ট্রাভার্সাল রেন্ডার করতে নিচের সেল রান করুন:
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
আপনি এই ধরনের গ্রাফ দেখতে পাবেন:

গ্রাফের প্রতিটি পাথ একটি সম্পূর্ণ লায়েবিলিটি চেইন ট্রেস করে: একটি কম্পাউন্ড (নীল নোড) কেন্দ্রে hERG প্রোটিনের সাথে আবদ্ধ হয়, যা এক বা একাধিক কার্ডিয়াক পাথওয়ের (সবুজ নোড) সাথে সংযোগ করে। টেবিলের সারির ফ্ল্যাট তালিকা এখন একটি দৃশ্যমান ঝুঁকি নেটওয়ার্ক — একাধিক পাথওয়ে এক্সপোজার সহ যৌগগুলি অবিলম্বে নিরাপত্তা পর্যালোচনার জন্য উচ্চ অগ্রাধিকার হিসাবে আলাদা হয়ে যায়।
GQL কেন SQL-এর চেয়ে বেশি মার্জিত তা দেখুন
স্ট্যান্ডার্ড SQL-এ একই ২-হপ কোয়েরি এক্সিকিউট করতে, আপনাকে ৪টি এক্সপ্লিসিট জয়েন করতে হবে। আপনি কী সম্পর্ক খুঁজছেন তা না বলে, কীভাবে টেবিল যোগ করতে হবে তা বর্ণনা করার জন্য কগনিটিভ প্রচেষ্টা ব্যয় করছেন। GQL আপনাকে প্রশ্নের উপর ফোকাস করতে সাহায্য করে।
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;
আরও গভীরে যাওয়া — মাল্টি-হপ মেটাবোলাইট ঝুঁকি শনাক্তকরণ
উপরের কোয়েরিটি hERG প্রোটিনের সাথে সরাসরি যুক্ত কম্পাউন্ড শনাক্ত করে। কিন্তু ওষুধের নিরাপত্তা সংক্রান্ত আসল ওয়ার্কফ্লোতে, ঝুঁকি কখনও কখনও এক ধাপ দূরে থাকে: কোনও যৌগ শরীরে মেটাবলিক পদ্ধতিতে সেকেন্ডারি মলিকিউলে (মেটাবোলাইট) রূপান্তরিত হতে পারে যা পরে hERG-এর সাথে যুক্ত হয় — এটি এমন একটি দায়বদ্ধতা যা সরাসরি বাইন্ডিং অ্যাসে সম্পূর্ণভাবে মিস করতে পারে।
আপনার প্রপার্টি গ্রাফে যদি একটি মেটাবোলাইট নোড টেবিল এবং একটি METABOLISES_INTO এজ অন্তর্ভুক্ত থাকে, তাহলে আপনি একই MATCH প্যাটার্নকে ৩-হপ ট্রাভার্সালে প্রসারিত করতে পারেন:
(Compound)-[METABOLISES_INTO]->(Metabolite)-[BINDS_TO]->
(Target)-[PARTICIPATES_IN]->(Pathway)
GQL কোয়েরি স্ট্রাকচার ঠিক একটি নোড ও একটি এজ দ্বারা পরিবর্তিত হবে। সমতুল্য SQL-এর জন্য দুটি অতিরিক্ত JOIN প্রয়োজন হবে। এই প্যাটার্নটি গ্রাফ ট্রাভার্সালকে নিরাপত্তা ক্যাসকেড বিশ্লেষণের জন্য বিশেষভাবে শক্তিশালী করে তোলে — কোয়েরির জটিলতা লিনিয়ারলি বৃদ্ধি পায় এবং বায়োলজিক্যাল ইনসাইট এক্সপোনেনশিয়ালি বৃদ্ধি পায়।
৭. কোয়েরি ৩: শেয়ার্ড-টার্গেট কম্পাউন্ড পেয়ার
কম্বিনেশন থেরাপির জন্য উপযুক্ত প্রার্থী খুঁজে পেতে, আমরা শনাক্ত করতে পারি যে কখন দুটি ভিন্ন যৌগ একই টার্গেট নোডের সাথে আবদ্ধ হয়। আমরা এই প্রশ্নের উত্তর দিতে দ্বিমুখী ম্যাচ ব্যবহার করি: কোন অনকোলজি কম্পাউন্ড ঠিক একই টার্গেটে একত্রিত হয়?
SQL এডিটরে নিম্নলিখিত কোয়েরি রান করুন:
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;
ফলাফলে আপনি এইসব ডেটা দেখতে পাবেন:

গ্রাফ ভিজ্যুয়ালাইজেশন
SQL এডিটরে নিম্নলিখিত কোড রান করে আপনি সরাসরি BigQuery-তে গ্রাফ দেখতে পারবেন।
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
এই দ্বিমুখী ট্রাভার্সাল সারফেস কম্পাউন্ড পেয়ার যা একই প্রোটিন টার্গেটে কনভার্জ করে — এমন একটি প্যাটার্ন যা ফ্ল্যাট ইন্টার্যাকশন টেবিলে চিহ্নিত করা কঠিন কিন্তু গ্রাফ হিসেবে অবিলম্বে দৃশ্যমান। ওষুধ আবিষ্কারের ক্ষেত্রে, শেয়ার করা টার্গেট পেয়ার হল কম্বিনেশন থেরাপি ডিজাইনের শুরুর পয়েন্ট: ক্যান্সারের পাথওয়েতে একই নোডে দুটি কম্পাউন্ড আঘাত করলে তা সিনার্জিস্টিক এফেক্ট তৈরি করতে পারে অথবা বিকল্প হিসেবে পাইপলাইনে অনিচ্ছাকৃত রিডানডেন্সি সিগন্যাল করতে পারে

৮. কোয়েরি ৪: রোগের পাথওয়ে ব্লাস্ট রেডিয়াস
প্রতিটি যৌগের জৈবিক প্রভাব কতটা বিস্তৃত? আসুন, এই প্রশ্নের উত্তর দিতে অ্যাগ্রিগেশন সহ ২-হপ ট্রাভার্সাল করি: রোগের ক্ষেত্র অনুযায়ী গ্রুপ করা প্রতিটি যৌগ কতগুলি জৈবিক পথ এবং স্বতন্ত্র টার্গেটকে প্রভাবিত করে?
SQL এডিটরে নিম্নলিখিত কোয়েরি রান করুন:
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;
ফলাফলে আপনি যা দেখতে পাবেন তা এখানে দেওয়া হল:

৯. কোয়েরি ৫: নিরাপদ কম্পাউন্ড নির্বাচন
সবশেষে, আসুন এমন কম্পাউন্ডের জন্য কোয়েরি করি যেগুলির উচ্চ অনকোলজি কভারেজ আছে কিন্তু স্পষ্টভাবে hERG (কার্ডিয়াক) অফ-টার্গেট দায় এড়িয়ে যায়। এটি ড্রাগ ডিসকভারি পাইপলাইনে সাধারণ নিরাপত্তা-প্রথম নির্বাচন প্যাটার্নের সাথে মেলে।
SQL এডিটরে নিম্নলিখিত কোয়েরি রান করুন:
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;
ফলাফলে আপনি যে আউটপুট দেখতে পাবেন তা এখানে দেওয়া হল:

আপনি BigQuery-তে উন্নত গ্রাফ ট্রাভার্সাল সফলভাবে এক্সিকিউট করেছেন, যাতে মূল নিরাপত্তা ও কার্যকারিতা প্রোফাইল এক্সট্র্যাক্ট করা যায়!
১০. বোনাস বিভাগ: আপনার গ্রাফের সাথে চ্যাট করুন
BigQuery Conversational Analytics এখন নলেজ সোর্স হিসেবে গ্রাফ সাপোর্ট করে। এটি আপনাকে ন্যাচারাল ল্যাঙ্গুয়েজে এইমাত্র তৈরি করা গ্রাফের সাথে চ্যাট করতে দেয়।
শুরু করা: নলেজ সোর্স হিসেবে গ্রাফ যোগ করা
শুরু করতে, এখানে দেওয়া ধাপগুলি অনুসরণ করে একটি কনভারসেশনাল এজেন্ট তৈরি করুন। সার্চ বার থেকে আপনার তৈরি করা গ্রাফ বেছে নিন।

আপনার গ্রাফের সাথে চ্যাট করতে BigQuery Conversational Analytics ব্যবহার করুন
গ্রাফ হিসেবে নলেজ সোর্স যোগ করার পরে, কথোপকথনমূলক অ্যানালিটিক্স এজেন্ট সেট-আপ-এর বাকি ধাপগুলি সম্পূর্ণ করুন।
তারপর আপনি ন্যাচারাল ল্যাঙ্গুয়েজে আপনার গ্রাফের সাথে চ্যাট করা শুরু করতে পারবেন!

অতিরিক্ত প্রশ্ন
- বর্তমানে ফেজ ২ ট্রায়ালে থাকা কম্পাউন্ডের সব টার্গেট কী কী?
- কার্ডিওভাসকুলার ও অনকোলজি কম্পাউন্ডের মধ্যে কোন কোন টার্গেট শেয়ার করা হয়?
১১. অপ্রয়োজনীয়গুলি মুছুন
আপনার Google Cloud অ্যাকাউন্টে চার্জ করা এড়াতে, এই কোডল্যাব চলাকালীন তৈরি করা রিসোর্স মুছে দিন।
স্কিমা এবং সমস্ত টেবিল ক্যাসকেড করে ড্রপ করতে নিম্নলিখিত কোয়েরি রান করুন:
DROP SCHEMA IF EXISTS drug_target_graph CASCADE;
১২. অভিনন্দন
অভিনন্দন! আপনি BigQuery গ্রাফ ব্যবহার করে ড্রাগ-টার্গেট ইন্টার্যাকশন নেটওয়ার্ক সফলভাবে মডেল ও বিশ্লেষণ করেছেন।
আপনি যা শিখেছেন
- প্রপার্টি গ্রাফ হিসেবে কীভাবে এন্টিটি রিলেশনশিপ (যৌগ, টার্গেট, পাথওয়ে) মডেল করা যায়।
- BigQuery-তে কীভাবে স্কিমা নির্ধারণ এবং প্রপার্টি গ্রাফ তৈরি করতে হয়।
- GQL ব্যবহার করে কীভাবে জটিল গ্রাফ ট্রাভার্সাল লিখতে হয় এবং প্রথাগত SQL-এর সাথে সেগুলির তুলনা করতে হয়।
- লাইফ সায়েন্স ডোমেনের সমস্যা সমাধান করতে কীভাবে
GRAPH_TABLE,MATCHও দ্বিমুখী ম্যাচিং ব্যবহার করা যায়।