Google 会使用 AI 技术将内容翻译成您偏好的语言。AI 翻译可能包含错误。

使用 BigQuery Graph 分析药物相互作用

1. 简介

在此 Codelab 中，您将学习如何使用 BigQuery Graph 对药物-靶点相互作用网络进行建模和分析。您将利用图查询 (GQL) 的强大功能，探索药物与生物靶点的相互作用，识别潜在的副作用（例如心脏风险），并发现潜在的联合疗法。

🧬 应用场景 - 药物-靶点相互作用网络

业务问题：化合物的全面影响范围是什么？它会与哪些靶点结合？哪些生物学途径会受到影响？涉及哪些疾病领域？

表：

表	说明
`compounds`	药物分子及其作用机制和开发阶段
`targets`	包含基因名称和 UniProt ID 的蛋白质靶点
`interactions`	化合物-靶标结合亲和力（主要靶标 + 脱靶靶标）
`pathways`	与疾病领域相关的生物通路
`target_pathways`	将靶点与其参与的通路关联起来的连接表

属性图模型：

(Compound)-[BINDS_TO {affinity_nm, ic50_nm, interaction_type}]->(Target)
(Target)-[PARTICIPATES_IN {role, importance_score}]->(Pathway)

图谱架构

🔍 演示查询

查询	显示内容
Q1：目标绑定配置文件	1 跳遍历 - 化合物到所有主要靶点和脱靶靶点
问题 2：hERG 心脏风险检测	2 跳遍历 - 化合物 → hERG 靶点 → 心脏通路
Q3：共享目标化合物对	双向匹配 - 两个化合物汇聚到同一个目标节点
Q4：疾病途径影响范围	2 跳聚合 - 每个化合物的完整通路和疾病领域覆盖范围
问题 5：选择安全化合物	具有高肿瘤覆盖率但无 hERG 心脏毒性的化合物

您将执行的操作

为药物相互作用网络创建 BigQuery 数据集和架构
加载示例数据（化合物、靶点、相互作用、通路、靶点通路）
在 BigQuery 中创建一个属性图，将这些实体关联起来
使用图遍历（GRAPH_TABLE 和 MATCH）查询图，以了解化合物相互作用、生物通路和疾病影响范围
并排比较 GQL 和标准 SQL，了解图语法的简单性和表达能力

所需条件

网络浏览器，例如 Chrome
启用了结算功能的 Google Cloud 项目

本 Codelab 适合各种水平的开发者，包括新手。

2. 准备工作

创建 Google Cloud 项目

在 Google Cloud 控制台中，选择或创建 Google Cloud 项目。
确保您的 Cloud 项目已启用结算功能。

启动 Cloud Shell

点击 Google Cloud 控制台顶部的激活 Cloud Shell。
验证身份验证：

gcloud auth list

确认您的项目：

gcloud config get project

如有必要，请进行设置：

export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

启用 API

运行以下命令可启用所需的 BigQuery API：

gcloud services enable bigquery.googleapis.com

3. 定义架构并加载数据

首先，您需要创建一个数据集来存储与图相关的表，并使用示例数据填充这些表。

在 Google Cloud 控制台中，前往 BigQuery Studio。
点击 SQL 编辑器，打开一个新的查询标签页。
运行以下语句，创建 drug_target_graph 数据集：

CREATE SCHEMA IF NOT EXISTS drug_target_graph
OPTIONS (location = 'US');

现在，在 BigQuery Studio 中运行以下 DDL 查询，创建 5 个源表。

1. 创建 `compounds` 表

包含药物分子、其作用机制、开发阶段和治疗领域。

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. 创建 `targets` 表

包含蛋白质靶点、基因名称、UniProt ID 和靶点类别。

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. 创建 `interactions` 表

包含化合物-靶点结合亲和力数据（主要靶点与脱靶靶点）。

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. 创建 `pathways` 表

包含生物通路、相关疾病领域和癌症相关性。

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. 创建 `target_pathways` 表

一个连接表，用于将靶点与其参与的生物通路关联起来。

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. 创建属性图

成功创建表后，您现在可以构建属性图。此查询使用边表（Interactions 和 Target Pathways）将节点（化合物、靶点、通路）连接起来。

在 BigQuery Studio SQL 编辑器中运行以下语句：

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)
);

这会在您的数据集中创建一个名为 drug_target_interaction_graph 的图谱。

图谱架构

5. 查询 1：每个化合物的完整靶标结合谱

我们来运行第一个图表查询。这是一个单跃点遍历，可回答以下问题：哪些化合物与哪些靶点结合，它们的亲和力如何？

GQL 查询

在 SQL 编辑器中运行以下查询：

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;

您将在结果中看到以下内容：

第 1 季度图表结果

6. 查询 2：心脏风险检测

业务问题

在药物研发中，有前景的化合物在临床试验中失败的最常见原因之一是心脏毒性，具体而言，就是与 hERG 蛋白（基因：KCNH2）发生意外结合，而 hERG 蛋白是一种调节心律的钾离子通道。对 hERG 的脱靶命中可能会导致致命的心律失常，并已导致多种知名药物撤市。

我们要回答的问题是：

“在我们的研发管线中，哪些化合物在 hERG 蛋白上存在脱靶结合事件？这会给哪些心脏通路带来风险？”

这是一个两跳问题：我们需要从化合物出发，经过靶点 (hERG)，最终到达通路，在一次查询中通过两个关系连接三种实体类型。

编写 GQL 查询

在 BQ SQL 编辑器中运行以下查询：

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;

请注意，MATCH 子句读起来几乎就像一个句子：“查找与参与通路的靶点结合的化合物”，并在路径上的每个节点和边应用过滤条件。

您将在结果中看到以下数据：

图表 Q2 表格结果

以图表形式直观呈现风险网络

表格可以显示数据，但无法显示风险的结构。是否有多种化合物在同一通路中汇聚？是只有一个高风险化合物，还是有多个？

图表可视化功能可让您一目了然。运行以下单元，将相同的 2 跳遍历呈现为交互式网络：

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

您应该会看到如下所示的图表：

图表可视化

图中的每条路径都描绘了一条完整的责任链：化合物（蓝色节点）与中心的 hERG 蛋白结合，后者又与一个或多个心脏通路（绿色节点）相连。原本只是表格中一列列平铺的数据，现在变成了清晰可见的风险网络。那些涉及多条暴露途径的化合物，其风险一目了然，可以立即被列为安全评估的优先对象。

查看《为什么 GQL 比 SQL 更优雅》

如需在标准 SQL 中执行相同的 2 跳查询，您需要 4 个显式联接。您需要花费精力来描述如何联接表，而不是您要查找的关系。GQL 可让您专注于问题。

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;

深入探究：多跳代谢物风险检测

上述查询可识别直接与 hERG 蛋白结合的化合物。但在实际的药物安全性工作流程中，风险有时会隐藏得更深：化合物可能在体内代谢转化为次级分子（代谢物），然后与 hERG 结合，而直接结合测定法可能会完全忽略这种风险。

如果属性图包含 Metabolite 节点表和 METABOLISES_INTO 边，您可以将同一 MATCH 模式扩展为 3 跳遍历：

(Compound)-[METABOLISES_INTO]->(Metabolite)-[BINDS_TO]->
(Target)-[PARTICIPATES_IN]->(Pathway)

GQL 查询结构将仅更改一个节点和一条边。等效的 SQL 需要另外两个 JOIN。正是这种模式，让图遍历在安全性级联分析中发挥出巨大威力：查询复杂度呈线性增长，而生物学洞见却呈指数级增长。

7. 查询 3：共享目标复合对

为了寻找联合疗法的候选药物，我们可以识别两种不同化合物何时与同一靶点节点结合。我们使用双向匹配来回答：哪些肿瘤化合物会收敛到完全相同的靶点？

在 SQL 编辑器中运行以下查询：

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;

您将在结果中看到以下数据：

图表 Q3 结果

图表可视化

您可以在 SQL 编辑器中运行以下代码，直接在 BigQuery 中直观呈现图。

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

这种双向遍历可以揭示收敛于同一蛋白质靶点的化合物对，这种模式在平面相互作用表中很难发现，但在图表中却一目了然。在药物发现中，共享靶点对是组合疗法设计的起点：两个化合物作用于癌症通路中的同一节点，可能会产生协同效应，也可能预示着管线中存在意料之外的冗余

图表可视化

8. 查询 4：疾病通路影响范围

每种化合物的生物学影响有多广泛？我们来执行带聚合的 2 跳遍历，以回答以下问题：按疾病领域分组，每种化合物会影响多少个生物通路和不同的靶点？

在 SQL 编辑器中运行以下查询：

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;

您将在结果中看到以下内容：

图表 q4 结果

9. 查询 5：安全化合物选择

最后，我们来查询具有高肿瘤覆盖率但明确避免 hERG（心脏）脱靶责任的化合物。这与药物研发流程中常见的安全第一选择模式相符。

在 SQL 编辑器中运行以下查询：

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;

以下是您将在结果中看到的输出：

图表 Q5 结果

您已成功在 BigQuery 中执行高级图遍历，提取了关键的安全性和有效性特征！

10. 奖励部分：与图表对话

BigQuery 对话式分析现在支持将图作为知识来源。这样，您就可以使用自然语言与刚刚创建的图表进行对话。

入门指南：将图表添加为知识源

如需开始使用，请按照此处的步骤创建对话智能体。从搜索栏中选择您创建的图表。

图谱对话式分析设置

使用 BigQuery 对话式分析与图表对话

将知识来源添加为图表后，请完成对话式分析智能体设置的其余部分。

然后，您就可以开始使用自然语言与图表对话了！

与图表对话！

其他问题

目前处于 2 期试验阶段的化合物的所有靶点是什么？
心血管化合物和肿瘤化合物有哪些共同的靶点？

11. 清理

为避免系统向您的 Google Cloud 账号持续收取费用，请删除在此 Codelab 期间创建的资源。

运行以下查询，以级联方式删除架构和所有表：

DROP SCHEMA IF EXISTS drug_target_graph CASCADE;

12. 恭喜

恭喜！您已成功使用 BigQuery Graph 对药物-靶点相互作用网络进行了建模和分析。

您学到的内容

如何将实体关系（化合物、靶点、通路）建模为属性图。
如何在 BigQuery 中定义架构并创建属性图。
如何使用 GQL 编写复杂的图遍历，并将其与传统 SQL 进行比较。
如何利用 GRAPH_TABLE、MATCH 和双向匹配来解决生命科学领域的问题。

使用 BigQuery Graph 分析药物相互作用 使用集合让一切井井有条 根据您的偏好保存内容并对其进行分类。

1. 简介

🧬 应用场景 - 药物-靶点相互作用网络

🔍 演示查询

您将执行的操作

所需条件

2. 准备工作

创建 Google Cloud 项目

启动 Cloud Shell

启用 API

3. 定义架构并加载数据

1. 创建 compounds 表

2. 创建 targets 表

3. 创建 interactions 表

4. 创建 pathways 表

5. 创建 target_pathways 表

4. 创建属性图

5. 查询 1：每个化合物的完整靶标结合谱

GQL 查询

6. 查询 2：心脏风险检测

业务问题

编写 GQL 查询

以图表形式直观呈现风险网络

查看《为什么 GQL 比 SQL 更优雅》

深入探究：多跳代谢物风险检测

7. 查询 3：共享目标复合对

图表可视化

8. 查询 4：疾病通路影响范围

9. 查询 5：安全化合物选择

10. 奖励部分：与图表对话

入门指南：将图表添加为知识源

使用 BigQuery 对话式分析与图表对话

其他问题

11. 清理

12. 恭喜

您学到的内容

参考文档

使用 BigQuery Graph 分析药物相互作用

1. 创建 `compounds` 表

2. 创建 `targets` 表

3. 创建 `interactions` 表

4. 创建 `pathways` 表

5. 创建 `target_pathways` 表