Arzneimittelwechselwirkungen mit BigQuery Graph analysieren

1. Einführung

In diesem Codelab erfahren Sie, wie Sie mit BigQuery Graph ein Netzwerk für die Interaktion zwischen Arzneimitteln und Zielmolekülen modellieren und analysieren. Sie nutzen die Leistungsfähigkeit von Graphabfragen (GQL), um zu untersuchen, wie Medikamente mit biologischen Zielen interagieren, potenzielle Nebenwirkungen (z. B. kardiale Risiken) zu identifizieren und potenzielle Kombinationstherapien zu finden.

🧬 Anwendungsfall: Netzwerk für die Interaktion zwischen Wirkstoffen und Zielmolekülen

Geschäftsfrage: Wie groß ist der Wirkungsradius einer Verbindung – an welche Ziele bindet sie sich, welche biologischen Signalwege sind betroffen und welche Krankheitsbereiche sind involviert?

Tabellen:

Tabelle

Beschreibung

compounds

Arzneimittelmoleküle mit Wirkmechanismus und Entwicklungsphase

targets

Proteintargets mit Gennamen und UniProt-IDs

interactions

Bindungsaffinität für mehrere Targets (primäre Targets + Off-Targets)

pathways

Biologische Signalwege mit Verknüpfungen zu Krankheitsbereichen

target_pathways

Verknüpfungstabelle, die Ziele mit den Signalwegen verknüpft, an denen sie beteiligt sind

Property-Graph-Modell:

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

Graph-Schema

🔍 Demoabfragen

Abfrage

Enthaltene Informationen

F1: Zielbindungsprofil

1-Hop-Durchlauf – Verbindung zu allen primären und Off-Targets

Q2: hERG-Herzrisikoerkennung

2-Hop-Durchlauf – Verbindung → hERG-Ziel → Herz-Kreislauf-System

F3: Verbindungspaare mit gemeinsamem Ziel

Bidirektionale Übereinstimmung – zwei Verbindungen, die auf denselben Zielknoten konvergieren

F4: Schadensausmaß des Krankheitsverlaufs

2-Hop-Aggregation – vollständige Abdeckung von Signalwegen und Krankheitsbereichen pro Verbindung

F5: Auswahl sicherer Verbindungen

Verbindungen mit hoher Onkologieabdeckung, aber ohne hERG-Kardiotoxizität

Aufgaben

  • BigQuery-Dataset und -Schema für das Netzwerk für Arzneimittelwechselwirkungen erstellen
  • Beispieldaten laden (Verbindungen, Targets, Interaktionen, Pathways, Target-Pathways)
  • Erstellen Sie einen Eigenschaftsgraphen in BigQuery, der diese Entitäten verbindet.
  • Abfragen des Graphen, um mithilfe von Graph-Traversierungen (GRAPH_TABLE und MATCH) Verbindungsinteraktionen, biologische Pfade und den Blast Radius von Krankheiten zu verstehen
  • GQL und Standard-SQL vergleichen, um die Einfachheit und Ausdruckskraft der Graph-Syntax zu verstehen

Voraussetzungen

  • Ein Webbrowser wie Chrome
  • Ein Google Cloud-Projekt mit aktivierter Abrechnungsfunktion

Dieses Codelab richtet sich an Entwickler aller Erfahrungsstufen, einschließlich Anfänger.

2. Hinweis

Google Cloud-Projekt erstellen

  1. Wählen Sie in der Google Cloud Console ein Google Cloud-Projekt aus oder erstellen Sie eines.
  2. Die Abrechnung für das Cloud-Projekt muss aktiviert sein.

Cloud Shell starten

  1. Klicken Sie oben in der Google Cloud Console auf Cloud Shell aktivieren.
  2. Authentifizierung prüfen:
gcloud auth list
  1. Bestätigen Sie Ihr Projekt:
gcloud config get project
  1. Legen Sie sie bei Bedarf fest:
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

APIs aktivieren

Führen Sie den folgenden Befehl aus, um die erforderliche BigQuery API zu aktivieren:

gcloud services enable bigquery.googleapis.com

3. Schema definieren und Daten laden

Zuerst müssen Sie ein Dataset erstellen, um Ihre grafikbezogenen Tabellen zu speichern und mit Beispieldaten zu füllen.

  1. Rufen Sie in der Google Cloud Console BigQuery Studio auf.
  2. Klicken Sie auf SQL-Editor, um einen neuen Abfrage-Tab zu öffnen.
  3. Führen Sie die folgende Anweisung aus, um das Dataset drug_target_graph zu erstellen:
CREATE SCHEMA IF NOT EXISTS drug_target_graph
OPTIONS (location = 'US');

Erstellen Sie jetzt die 5 Quelltabellen, indem Sie die folgenden DDL-Abfragen in BigQuery Studio ausführen.

1. compounds-Tabelle erstellen

Enthält Arzneimittelmoleküle, ihren Wirkmechanismus, ihre Entwicklungsphase und ihren therapeutischen Bereich.

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. targets-Tabelle erstellen

Enthält Proteintargets, Gennamen, UniProt-IDs und Targetklassen.

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. interactions-Tabelle erstellen

Enthält Daten zur Bindungsaffinität von Verbindungen (primäre Ziele im Vergleich zu Off-Targets).

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. pathways-Tabelle erstellen

Enthält biologische Signalwege, zugehörige Krankheitsbereiche und Relevanz für Krebs.

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. target_pathways-Tabelle erstellen

Eine Verknüpfungstabelle, die Targets mit den biologischen Signalwegen verknüpft, an denen sie beteiligt sind.

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. Property Graph erstellen

Nachdem die Tabellen erstellt wurden, können Sie nun den Property-Graphen erstellen. Dadurch werden Knoten (Verbindungen, Ziele, Pfade) mithilfe von Kantentabellen (Interactions und Target Pathways) verknüpft.

Führen Sie im SQL-Editor von BigQuery Studio die folgende Anweisung aus:

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)
);

Dadurch wird in Ihrem Dataset ein Graph mit dem Namen drug_target_interaction_graph erstellt.

Graph-Schema

5. Abfrage 1: Vollständiges Zielbindungsprofil pro Verbindung

Führen wir die erste Graphabfrage aus. Dies ist eine 1-Hop-Traversierung, die folgende Frage beantwortet: Welche Verbindungen binden an welche Targets und wie hoch ist ihre Affinität?

GQL-Abfrage

Führen Sie im SQL-Editor die folgende Abfrage aus:

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;

Folgendes wird in den Ergebnissen angezeigt:

Ergebnis des 1. Quartals grafisch darstellen

6. Abfrage 2: Erkennung von Herzrisiken

Die geschäftliche Frage

In der Arzneimittelforschung ist einer der häufigsten Gründe, warum ein vielversprechender Wirkstoff in klinischen Studien scheitert, die Kardiotoxizität – insbesondere die unbeabsichtigte Bindung an das hERG-Protein (Gen: KCNH2), einen Kaliumionenkanal, der den Herzrhythmus reguliert. Ein Off-Target-Treffer auf hERG kann zu tödlichen Herzrhythmusstörungen führen und war für mehrere bekannte Arzneimittelrückrufe verantwortlich.

Die Frage, die wir beantworten möchten, lautet:

„Welche Verbindungen in unserer Pipeline haben ein Off-Target-Bindungsereignis am hERG-Protein und welche kardialen Signalwege sind dadurch gefährdet?“

Dies ist eine 2-Hop-Frage: Wir müssen von einer Verbindung über ein Ziel (hERG) zu einem Pfad gelangen und so drei Entitätstypen über zwei Beziehungen in einer einzigen Abfrage verbinden.

GQL-Abfrage schreiben

Führen Sie im BQ-SQL-Editor die folgende Abfrage aus:

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;

Die MATCH-Klausel liest sich fast wie ein Satz: „Finde eine Verbindung, die an ein Ziel bindet, das an einem Pfad beteiligt ist“ – wobei die Filter auf jeden Knoten und jede Kante entlang des Pfads angewendet werden.

Die folgenden Daten werden in den Ergebnissen angezeigt:

Diagramm – Ergebnis der Tabelle für Q2

Risikonetzwerk als Diagramm visualisieren

Eine Tabelle zeigt uns die Daten, aber nicht die Struktur des Risikos. Konvergieren mehrere Verbindungen auf demselben Signalweg? Gibt es eine oder mehrere Verbindungen mit hohem Risiko?

Eine Diagrammvisualisierung macht dies sofort sichtbar. Führen Sie die Zelle unten aus, um dieselbe 2-Hop-Traversierung als interaktives Netzwerk zu rendern:

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

Sie sollten dann ein Diagramm wie dieses sehen:

Graphvisualisierung

Jeder Pfad im Diagramm zeichnet eine vollständige Haftungskette nach: Eine Verbindung (blaue Knoten) bindet an das hERG-Protein in der Mitte, das mit einem oder mehreren kardialen Signalwegen (grüne Knoten) verbunden ist. Was zuvor eine flache Liste von Zeilen in der Tabelle war, ist jetzt ein sichtbares Risikonetzwerk. Verbindungen mit mehreren Expositionspfaden fallen sofort als höher priorisiert für die Sicherheitsüberprüfung auf.

Siehe „Why GQL Is More Elegant Than SQL“ (Warum GQL eleganter als SQL ist)

Um dieselbe 2-Hop-Abfrage in Standard-SQL auszuführen, benötigen Sie 4 explizite Joins. Sie müssen sich Gedanken darüber machen, wie Tabellen verknüpft werden sollen, anstatt sich darauf zu konzentrieren, welche Beziehung Sie suchen. Mit GQL können Sie sich auf die Frage konzentrieren.

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;

Tiefergehende Analyse – Multi-Hop-Metabolit-Risikoerkennung

Mit der Abfrage oben werden Verbindungen identifiziert, die direkt an das hERG-Protein binden. In realen Workflows zur Arzneimittelsicherheit ist das Risiko jedoch manchmal einen Schritt entfernt: Eine Verbindung kann im Körper metabolisch in ein sekundäres Molekül (einen Metaboliten) umgewandelt werden, das dann hERG bindet – eine Haftung, die bei direkten Bindungstests vollständig übersehen werden kann.

Wenn Ihr Eigenschaftsgraph eine Metabolit-Knotentabelle und eine METABOLISES_INTO-Kante enthält, können Sie dasselbe MATCH-Muster auf eine 3-Hop-Traversierung erweitern:

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

Die GQL-Abfragestruktur würde sich um genau einen Knoten und eine Kante ändern. Das entsprechende SQL würde zwei zusätzliche JOINs erfordern. Dieses Muster macht die Graph-Traversierung für die Analyse von Sicherheitskaskaden besonders leistungsfähig: Die Komplexität der Abfrage wächst linear, während die biologischen Erkenntnisse exponentiell zunehmen.

7. Abfrage 3: Verbindungspaare mit gemeinsamem Ziel

Um Kandidaten für eine Kombinationstherapie zu finden, können wir ermitteln, wann zwei verschiedene Verbindungen an denselben Zielknoten binden. Wir verwenden einen bidirektionalen Abgleich, um die folgende Frage zu beantworten: Welche onkologischen Verbindungen haben genau dasselbe Ziel?

Führen Sie im SQL-Editor die folgende Abfrage aus:

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;

Die folgenden Daten werden in den Ergebnissen angezeigt:

Diagramm mit Ergebnissen für das 3. Quartal

Graphvisualisierung

Sie können den Graphen direkt in BigQuery visualisieren, indem Sie den folgenden Code im SQL-Editor ausführen.

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

Durch diese bidirektionale Traversierung werden Verbindungspaare sichtbar, die auf dasselbe Proteinziel konvergieren – ein Muster, das in einer flachen Interaktionstabelle schwer zu erkennen ist, aber in einem Diagramm sofort sichtbar wird. In der Arzneimittelforschung sind Paare mit gemeinsamen Zielen der Ausgangspunkt für die Entwicklung von Kombinationstherapien: Zwei Verbindungen, die denselben Knoten in einem Krebspfad treffen, können einen synergistischen Effekt erzeugen oder alternativ eine unbeabsichtigte Redundanz in der Pipeline signalisieren.

Graphvisualisierung

8. Abfrage 4: Schadensausmaß des Krankheitsverlaufs

Wie breit ist die biologische Wirkung der einzelnen Verbindungen? Führen wir eine 2-Hop-Traversierung mit Aggregation durch, um die folgende Frage zu beantworten: Wie viele biologische Signalwege und unterschiedliche Targets beeinflusst jede Verbindung, gruppiert nach Krankheitsbereich?

Führen Sie im SQL-Editor die folgende Abfrage aus:

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;

Folgendes wird in den Ergebnissen angezeigt:

Diagramm mit Ergebnis für das 4. Quartal

9. Abfrage 5: Auswahl sicherer Verbindungen

Zum Schluss fragen wir nach Verbindungen, die eine hohe Onkologieabdeckung haben, aber hERG-Off-Target-Haftungen (Herz) explizit vermeiden. Dies entspricht gängigen Auswahlmustern in der Arzneimittelforschung, bei denen die Sicherheit an erster Stelle steht.

Führen Sie im SQL-Editor die folgende Abfrage aus:

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;

Hier ist die Ausgabe, die Sie in den Ergebnissen sehen:

Diagramm mit Q5-Ergebnis

Sie haben erfolgreich erweiterte Graphdurchläufe in BigQuery ausgeführt, um wichtige Sicherheits- und Wirksamkeitsprofile zu extrahieren.

10. Bonusabschnitt: Mit Ihrem Diagramm chatten

BigQuery Conversational Analytics unterstützt jetzt Graphen als Wissensquelle. So können Sie mit dem gerade erstellten Diagramm in natürlicher Sprache chatten.

Erste Schritte: Diagramm als Wissensquelle hinzufügen

Erstellen Sie zuerst einen Konversations-Agenten. Folgen Sie dazu dieser Anleitung. Wählen Sie in der Suchleiste das von Ihnen erstellte Diagramm aus.

Konversationelle Analyse für Graphen einrichten

Mit der konversationellen Analyse von BigQuery mit Ihrem Graphen chatten

Nachdem Sie die Wissensquelle als Diagramm hinzugefügt haben, schließen Sie die restliche Einrichtung des KI-Agenten für die konversationelle Analyse ab.

Anschließend können Sie sich mit Ihrem Diagramm in natürlicher Sprache unterhalten.

Mit Ihrem Diagramm chatten

Weitere Fragen

  1. What are all the targets for compounds currently in Phase 2 trials?
  2. Welche Targets werden von kardiovaskulären und onkologischen Wirkstoffen gemeinsam genutzt?

11. Bereinigen

Löschen Sie die in diesem Codelab erstellten Ressourcen, um laufende Kosten für Ihr Google Cloud-Konto zu vermeiden.

Führen Sie die folgende Abfrage aus, um das Schema und alle Tabellen kaskadierend zu löschen:

DROP SCHEMA IF EXISTS drug_target_graph CASCADE;

12. Glückwunsch

Glückwunsch! Sie haben ein Netzwerk für die Interaktion zwischen Wirkstoffen und Zielmolekülen mit BigQuery Graph modelliert und analysiert.

Das haben Sie gelernt

  • Entitätsbeziehungen (Verbindungen, Ziele, Pfade) als Attributgrafik modellieren
  • Schema definieren und Property Graph in BigQuery erstellen
  • Komplexe Graphdurchläufe mit GQL schreiben und mit herkömmlichem SQL vergleichen
  • Wie Sie GRAPH_TABLE, MATCH und bidirektionales Abgleichen nutzen können, um Probleme im Bereich der Biowissenschaften zu lösen.

Referenzdokumente