1. מבוא
ב-Codelab הזה תלמדו איך להשתמש ב-BigQuery Graph כדי ליצור מודל ולנתח רשת של אינטראקציות בין תרופות למטרות. תשתמשו ביכולות של שאילתות גרף (GQL) כדי לבדוק איך תרופות משפיעות על מטרות ביולוגיות, לזהות תופעות לוואי אפשריות (כמו סיכונים ללב) ולגלות טיפולים משולבים אפשריים.
🧬 תרחיש לדוגמה – רשת אינטראקציה בין תרופה למטרה
שאלה עסקית: מהו רדיוס הפיצוץ המלא של תרכובת – לאילו מטרות היא נקשרת, אילו מסלולים ביולוגיים מושפעים, ואילו אזורי מחלה מעורבים?
טבלאות:
טבלה | תיאור |
| מולקולות של תרופות עם מנגנון פעולה ושלב פיתוח |
| מטרות חלבון עם שמות גנים ומזהי UniProt |
| זיקה מחייבת של יעדים מורכבים (יעדים ראשיים + יעדים משניים) |
| מסלולים ביולוגיים שמשויכים לאזורי מחלה |
| טבלת צומת שמקשרת בין יעדים לבין המסלולים שהם משתתפים בהם |
מודל גרף של נכסים:
(Compound)-[BINDS_TO {affinity_nm, ic50_nm, interaction_type}]->(Target)
(Target)-[PARTICIPATES_IN {role, importance_score}]->(Pathway)

🔍 שאילתות לדוגמה
שאילתה | מה הוא מראה |
שאלה 1: פרופיל הקישור של היעד | מעבר של שלב אחד – תרכובת לכל המטרות העיקריות והמשניות |
שאלה 2: זיהוי סיכון לבבי באמצעות hERG | מעבר בשני שלבים – תרכובת ← יעד hERG ← מסלול לבבי |
שאלה 3: צמדי תרכובות עם מטרה משותפת | התאמה דו-כיוונית – שתי תרכובות שמתכנסות לאותו צומת יעד |
שאלה 4: רדיוס הפיצוץ של מסלול המחלה | צבירה בשני שלבים – כיסוי מלא של המסלול ושל אזור המחלה לכל תרכובת |
שאלה 5: בחירת תרכובת בטוחה | תרכובות עם כיסוי אונקולוגי גבוה אבל ללא חבות לבבית של hERG |
הפעולות שתבצעו:
- יצירת מערך נתונים וסכימה ב-BigQuery לרשת האינטראקציות בין תרופות
- טעינת נתונים לדוגמה (תרכובות, מטרות, אינטראקציות, מסלולים, מסלולי מטרות)
- יצירת תרשים מאפיינים ב-BigQuery שמקשר בין הישויות האלה
- הרצת שאילתה בתרשים כדי להבין אינטראקציות מורכבות, מסלולים ביולוגיים ורדיוס הפיצוץ של מחלות באמצעות מעבר על התרשים (
GRAPH_TABLEו-MATCH) - להשוות בין GQL ל-SQL סטנדרטי כדי להבין את הפשטות ואת יכולת הביטוי של תחביר הגרף
הדרישות
- דפדפן אינטרנט כמו Chrome
- פרויקט ב-Google Cloud שהחיוב מופעל בו
שיעור ה-Codelab הזה מיועד למפתחים בכל הרמות, כולל מתחילים.
2. לפני שמתחילים
יצירת פרויקט בענן של Google
- במסוף Google Cloud, בוחרים פרויקט קיים או יוצרים פרויקט חדש ב-Google Cloud.
- הקפידו לוודא שהחיוב מופעל בפרויקט שלכם ב-Cloud.
הפעלת Cloud Shell
- לוחצים על Activate Cloud Shell בחלק העליון של מסוף Google Cloud.
- אימות:
gcloud auth list
- מאשרים את הפרויקט:
gcloud config get project
- אם צריך, מגדירים אותו:
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID
הפעלת ממשקי ה-API
מריצים את הפקודה הבאה כדי להפעיל את BigQuery API:
gcloud services enable bigquery.googleapis.com
3. הגדרת הסכימה וטעינת הנתונים
קודם כל, צריך ליצור מערך נתונים כדי לאחסן את הטבלאות שקשורות לתרשים ולמלא אותן בנתונים לדוגמה.
- נכנסים ל-BigQuery Studio במסוף Google Cloud.
- לוחצים על SQL Editor כדי לפתוח כרטיסיית שאילתה חדשה.
- מריצים את ההצהרה הבאה כדי ליצור את מערך הנתונים
drug_target_graph:
CREATE SCHEMA IF NOT EXISTS drug_target_graph
OPTIONS (location = 'US');
עכשיו, יוצרים את 5 טבלאות המקור על ידי הרצת שאילתות ה-DDL הבאות ב-BigQuery Studio.
1. יצירת טבלה מסוג compounds
מכיל מולקולות של תרופות, מנגנון הפעולה שלהן, שלב הפיתוח והתחום הטיפולי.
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. יצירת טבלה מסוג targets
מכיל מטרות חלבון, שמות גנים, מזהי UniProt וסוגי מטרות.
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. יצירת טבלה ב-interactions
מכיל נתונים על זיקת הקישור של תרכובת למטרה (מטרות ראשיות לעומת מטרות משניות).
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. יצירת טבלה מסוג pathways
מכיל מסלולים ביולוגיים, אזורי מחלה משויכים ורלוונטיות לסרטן.
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. יצירת טבלה מסוג target_pathways
טבלת צומת שמקשרת בין מטרות לבין המסלולים הביולוגיים שהן משתתפות בהם.
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. יצירת תרשים המאפיינים
אחרי שיוצרים את הטבלאות, אפשר ליצור את תרשים המאפיינים. השאילתה הזו מקשרת בין צמתים (תרכובות, יעדים, מסלולים) באמצעות טבלאות קצוות (Interactions ו-Target Pathways).
מריצים את ההצהרה הבאה בעורך ה-SQL של 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)
);
הפעולה הזו יוצרת תרשים בשם drug_target_interaction_graph במערך הנתונים.

5. שאילתה 1: פרופיל קישור מלא של יעד לכל תרכובת
בואו נריץ את שאילתת התרשים הראשונה שלנו. זהו מעבר של דילוג אחד שעונה על השאלה: אילו תרכובות נקשרות לאילו יעדים, ומהי הזיקה שלהן?
שאילתת GQL
מריצים את השאילתה הבאה בעורך ה-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;
אלה הנתונים שיופיעו בתוצאות:

6. שאילתה 2: זיהוי סיכון לבבי
השאלה העסקית
בפיתוח תרופות, אחת הסיבות הנפוצות ביותר לכך שתרכובת מבטיחה נכשלת בניסויים קליניים היא רעילות ללב – ובאופן ספציפי, קישור לא מכוון לחלבון hERG (גן: KCNH2), תעלת יוני אשלגן שמווסתת את קצב הלב. פגיעה לא מכוונת ב-hERG עלולה לגרום להפרעות קצב קטלניות, והיא אחראית לכמה מקרים מתוקשרים של הסרת תרופות מהשוק.
השאלה שאנחנו רוצים לענות עליה היא:
"אילו תרכובות בצנרת שלנו כוללות אירוע קישור מחוץ למטרה בחלבון hERG – ואילו מסלולים לבביים נמצאים בסיכון כתוצאה מכך?"
זוהי שאלה עם 2 דילוגים: אנחנו צריכים לעבור מתרכובת, דרך יעד (hERG), למסלול – לחבר בין שלושה סוגי ישויות בשני קשרים בשאילתה אחת.
כתיבת שאילתת GQL
מריצים את השאילתה הבאה בעורך ה-SQL של BQ:
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;
שימו לב שהסעיף MATCH נקרא כמעט כמו משפט: "Find a Compound that binds to a Target that participates in a Pathway" (מצא תרכובת שנקשרת ליעד שמשתתף במסלול) – כשהמסננים מוחלים על כל צומת וקצה לאורך הנתיב.
אלה הנתונים שיופיעו בתוצאות:

הצגת רשת הסיכונים בתרשים
טבלה מציגה לנו את הנתונים, אבל היא לא מציגה לנו את המבנה של הסיכון. האם כמה תרכובות מתכנסות לאותו מסלול? האם יש מתחם אחד בסיכון גבוה או כמה?
התרשים מאפשר לראות את זה באופן מיידי. מריצים את התא הבא כדי להציג את אותו מעבר של 2 דילוגים כרשת אינטראקטיבית:
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
אמור להופיע תרשים כזה:

כל נתיב בתרשים עוקב אחר שרשרת אחריות מלאה: תרכובת (צמתים כחולים) נקשרת לחלבון hERG במרכז, שמתחבר לנתיב לבבי אחד או יותר (צמתים ירוקים). מה שהיה רשימה שטוחה של שורות בטבלה הוא עכשיו רשת סיכונים גלויה – תרכובות עם חשיפות מרובות למסלולים בולטות מיד כבעלות עדיפות גבוהה יותר לבדיקת בטיחות.
למה GQL אלגנטית יותר מ-SQL
כדי להריץ את אותה שאילתה עם 2 דילוגים ב-SQL סטנדרטי, צריך 4 איחודים מפורשים. אתם משקיעים מאמץ קוגניטיבי בתיאור איך לחבר טבלאות במקום איזה קשר אתם מחפשים. GQL מאפשרת לכם להתמקד בשאלה.
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;
השלב הבא – זיהוי סיכונים של מטבוליטים בכמה שלבים
השאילתה שלמעלה מזהה תרכובות שנקשרות ישירות לחלבון hERG. אבל בתהליכי עבודה אמיתיים של בטיחות תרופות, הסיכון לפעמים רחוק יותר: תרכובת עשויה לעבור המרה מטבולית בגוף למולקולה משנית (מטבוליט) שנקשרת לאחר מכן ל-hERG – סיכון שבדיקות קישור ישירות יכולות לפספס לחלוטין.
אם תרשים הנכס כולל טבלת צומתי מטבוליטים וקשת METABOLISES_INTO, אפשר להרחיב את אותה תבנית MATCH למעבר של 3 דילוגים:
(Compound)-[METABOLISES_INTO]->(Metabolite)-[BINDS_TO]->
(Target)-[PARTICIPATES_IN]->(Pathway)
מבנה השאילתה ב-GQL ישתנה בדיוק בצומת אחד ובקצה אחד. כדי לבצע את אותה פעולה ב-SQL, צריך להוסיף שתי פקודות JOIN. הדפוס הזה הופך את המעבר בגרף לכלי יעיל במיוחד לניתוח של שרשרת בטיחות – מורכבות השאילתה גדלה באופן ליניארי, בעוד שהתובנה הביולוגית גדלה באופן אקספוננציאלי.
7. שאילתה 3: צמדי תרכובות עם יעד משותף
כדי למצוא מועמדים לטיפול משולב, אנחנו יכולים לזהות מתי שתי תרכובות שונות נקשרות לאותו צומת יעד. אנחנו משתמשים בהתאמה דו-כיוונית כדי לענות על השאלה: אילו תרכובות אונקולוגיות מתכנסות לאותה מטרה בדיוק?
מריצים את השאילתה הבאה בעורך ה-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;
אלה הנתונים שיופיעו בתוצאות:

תרשים להמחשה
כדי להציג את התרשים ישירות ב-BigQuery, מריצים את הקוד הבא בעורך ה-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
המעבר הדו-כיווני הזה חושף זוגות של תרכובות שמתכנסות לאותו חלבון מטרה – דפוס שקשה לזהות בטבלת אינטראקציות שטוחה, אבל אפשר לראות אותו מיד בתרשים. בגילוי תרופות, זוגות של מטרות משותפות הם נקודת ההתחלה לתכנון טיפול משולב: שתי תרכובות שפוגעות באותו צומת במסלול סרטני עשויות לייצר אפקט סינרגטי, או לחלופין לאותת על יתירות לא מכוונת בתהליך.

8. שאילתה 4: רדיוס הפיצוץ של מסלול המחלה
עד כמה ההשפעה הביולוגית של כל תרכובת היא רחבה? נבצע מעבר של 2 דילוגים עם צבירה כדי לענות על השאלה: על כמה מסלולים ביולוגיים ויעדים נפרדים משפיעה כל תרכובת, בקיבוץ לפי אזורי מחלה?
מריצים את השאילתה הבאה בעורך ה-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;
אלה הנתונים שיופיעו בתוצאות:

9. שאילתה 5: בחירת תרכובת בטוחה
לסיום, נשלח שאילתה לגבי תרכובות שיש להן כיסוי גבוה של אונקולוגיה, אבל נמנע במפורש מהתחייבויות מחוץ ליעד של hERG (לבבי). זה תואם לדפוסי הבחירה הנפוצים שמתמקדים בבטיחות בתהליכי פיתוח תרופות.
מריצים את השאילתה הבאה בעורך ה-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;
זה הפלט שיופיע בתוצאות:

הצלחתם להריץ מעברים מתקדמים בגרפים ב-BigQuery כדי לחלץ פרופילים מרכזיים של בטיחות ויעילות.
10. חלק בונוס: שיחה עם התרשים
ניתוח נתוני השיחות ב-BigQuery תומך עכשיו בתרשים כמקור ידע. כך תוכלו לשוחח בצ'אט בשפה טבעית על התרשים שיצרתם.
תחילת העבודה: הוספת תרשים כמקור ידע
כדי להתחיל, יוצרים סוכן בממשק שיחה לפי השלבים שמפורטים כאן. בוחרים את התרשים שיצרתם מתוך שורת החיפוש.

איך משתמשים בניתוח נתוני השיחות ב-BigQuery כדי לשוחח בצ'אט עם התרשים
אחרי שמוסיפים את מקור הידע כתרשים, משלימים את שאר ההגדרה של סוכן ניתוח הנתונים של שיחות.
אחרי זה, אתם יכולים להתחיל לשוחח עם התרשים בשפה טבעית.

שאלות נוספות
- מהם כל היעדים של תרכובות שנמצאות כרגע בשלב 2 של ניסויים?
- אילו מטרות משותפות לתרכובות קרדיווסקולריות ואונקולוגיות?
11. הסרת המשאבים
כדי להימנע מחיובים מתמשכים בחשבון Google Cloud, מחקו את המשאבים שנוצרו במהלך ה-Codelab הזה.
מריצים את השאילתה הבאה כדי להסיר את הסכימה ואת כל הטבלאות באופן מדורג:
DROP SCHEMA IF EXISTS drug_target_graph CASCADE;
12. מזל טוב
מעולה! סיימתם למדל ולנתח רשת של אינטראקציות בין תרופות למטרות באמצעות BigQuery Graph.
מה למדתם
- איך ליצור מודל של קשרים בין ישויות (תרכובות, יעדים, מסלולים) כתרשים נכסים.
- איך מגדירים את הסכימה ויוצרים תרשים נכסים ב-BigQuery.
- איך לכתוב מעברים מורכבים בגרף באמצעות GQL ולהשוות אותם ל-SQL רגיל.
- איך להשתמש ב-
GRAPH_TABLE, ב-MATCHובהתאמה דו-כיוונית כדי לפתור בעיות בתחום מדעי החיים.