Анализ взаимодействия лекарственных средств с помощью BigQuery Graph

1. Введение

В этой практической работе вы узнаете, как использовать BigQuery Graph для моделирования и анализа сети взаимодействия лекарств с мишенями. Вы будете использовать возможности запросов к графам (GQL), чтобы изучить, как лекарства взаимодействуют с биологическими мишенями, выявить потенциальные побочные эффекты (например, риски для сердца) и найти потенциальные комбинированные методы лечения.

🧬 Пример использования: сеть взаимодействия лекарств и мишеней

Бизнес-вопрос. Каков полный радиус действия соединения: с какими мишенями оно связывается, на какие биологические пути влияет и какие области заболеваний затрагивает?

Таблицы

Таблица

Описание

compounds

Молекулы лекарственных препаратов с механизмом действия и стадией разработки

targets

Белковые мишени с названиями генов и идентификаторами UniProt.

interactions

Сродство связывания соединения с мишенью (основные и побочные мишени)

pathways

Биологические пути, связанные с заболеваниями

target_pathways

Связующая таблица, в которой цели сопоставляются с путями, в которых они участвуют.

Модель графа свойств:

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

Схема графа

🔍 Примеры запросов

Запрос

Описание

Q1: Target binding profile

Обход в один шаг – от соединения ко всем основным и побочным мишеням

Q2: hERG cardiac risk detection

Двухэтапный обход: соединение → мишень hERG → сердечный путь

Q3: Shared-target compound pairs

Двунаправленное совпадение – два составных объекта сходятся в одном целевом узле

Q4: Disease pathway blast radius

Двухэтапное агрегирование – полный путь и охват области заболевания для каждого соединения

Q5: Safe compound selection

Соединения с высокой эффективностью против онкологических заболеваний, но без кардиотоксичности hERG

Что вам предстоит сделать

  • Создание набора данных и схемы BigQuery для сети взаимодействия лекарственных средств
  • Загрузить примеры данных (соединения, мишени, взаимодействия, пути, целевые пути)
  • Создайте граф свойств в BigQuery, соединяющий эти объекты
  • Выполняйте запросы к графу, чтобы понять взаимодействие соединений, биологические пути и радиус поражения заболевания, используя обходы графа (GRAPH_TABLE и MATCH).
  • Сравните GQL и стандартный SQL, чтобы понять, насколько прост и выразителен синтаксис графов.

Что вам понадобится

  • Браузер, например Chrome.
  • Проект Google Cloud с включенными платежными функциями.

Эта практическая работа предназначена для разработчиков любого уровня, включая начинающих.

2. Подготовка

Как создать проект Google Cloud

  1. В консоли Google Cloud выберите или создайте облачный проект Google Cloud.
  2. Убедитесь, что для облачного проекта включена оплата.

Запустить Cloud Shell

  1. В верхней части консоли Google Cloud нажмите Activate Cloud Shell (Активировать Cloud Shell).
  2. Проверьте аутентификацию:
gcloud auth list
  1. Подтвердите проект:
gcloud config get project
  1. При необходимости задайте его:
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

Как включить API

Чтобы включить BigQuery API, выполните следующую команду:

gcloud services enable bigquery.googleapis.com

3. Определение схемы и загрузка данных

Сначала нужно создать набор данных для хранения таблиц, связанных с графом, и заполнить их примерами данных.

  1. Перейдите в BigQuery Studio в консоли Google Cloud.
  2. Нажмите SQL Editor (Редактор SQL), чтобы открыть новую вкладку запроса.
  3. Чтобы создать набор данных drug_target_graph, выполните следующую инструкцию:
CREATE SCHEMA IF NOT EXISTS drug_target_graph
OPTIONS (location = 'US');

Теперь создайте пять исходных таблиц, выполнив следующие DDL-запросы в BigQuery Studio.

1. Создать таблицу compounds

Содержит молекулы лекарств, механизм их действия, стадию разработки и терапевтическую область.

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. Создать таблицу targets

Содержит белковые мишени, названия генов, идентификаторы UniProt и классы мишеней.

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. Создать таблицу interactions

Содержит данные о сродстве связывания соединений с мишенями (основными и побочными).

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. Создать таблицу pathways

Содержит биологические пути, связанные с ними области заболеваний и релевантность рака.

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. Создать таблицу target_pathways

Связующая таблица, которая сопоставляет мишени с биологическими путями, в которых они участвуют.

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. Создание графа свойств

После создания таблиц можно построить граф свойств. Это связывает узлы (Compounds, Targets, Pathways) с помощью таблиц ребер (Interactions и Target Pathways).

Выполните следующую инструкцию в редакторе SQL 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)
);

В результате в вашем наборе данных будет создан граф drug_target_interaction_graph.

Схема графа

5. Запрос 1. Полный профиль связывания с мишенью для каждого соединения

Давайте выполним первый запрос к графу. Это одношаговый обход, который отвечает на вопрос: Какие соединения связываются с какими мишенями и каково их сродство?

Запрос GQL

Выполните в редакторе SQL следующий запрос:

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;

Вот что вы увидите в результатах:

Результат графика Q1

6. Запрос 2. Определение риска сердечно-сосудистых заболеваний

Бизнес-вопрос

При разработке лекарств одной из наиболее распространенных причин, по которой многообещающее соединение не проходит клинические испытания, является кардиотоксичность, а именно непреднамеренное связывание с белком hERG (ген KCNH2), калиевым ионным каналом, регулирующим сердечный ритм. Нецелевое воздействие на hERG может вызвать фатальную аритмию и стало причиной нескольких громких отзывов лекарств.

Вопрос, на который мы хотим ответить:

"Какие соединения в нашей линейке имеют нецелевое связывание с белком hERG и какие сердечные пути это подвергает риску?"

Это двухшаговый вопрос: нам нужно перейти от соединения через мишень (hERG) к пути, связав три типа сущностей через два отношения в одном запросе.

Как составить запрос GQL

Выполните следующий запрос в редакторе SQL BigQuery:

SELECT
  compound_name,
  dev_stage,
  therapeutic_area,
  target_name,
  ROUND(affinity_nm, 3) AS herg_affinity_nm,
  pathway_name,
  disease_area          AS pathway_disease_area
FROM GRAPH_TABLE(
  drug_target_graph.drug_target_interaction_graph
  MATCH (c:Compound)-[b:BINDS_TO]->(t:Target)-[p:PARTICIPATES_IN]->(pw:Pathway)
  WHERE t.gene_name        = 'KCNH2'
    AND b.interaction_type = 'off-target'
    AND pw.disease_area    = 'Cardiovascular'
  COLUMNS (
    c.compound_name    AS compound_name,
    c.dev_stage        AS dev_stage,
    c.therapeutic_area AS therapeutic_area,
    t.target_name      AS target_name,
    b.affinity_nm      AS affinity_nm,
    pw.pathway_name    AS pathway_name,
    pw.disease_area    AS disease_area
  )
)
ORDER BY herg_affinity_nm;

Обратите внимание, что предложение MATCH читается почти как предложение: "Найти соединение, которое связывается с мишенью, участвующей в пути" – с фильтрами, применяемыми к каждому узлу и ребру на пути.

В результатах будут следующие данные:

Результат таблицы Graph Q2

Визуализация сети рисков в виде графа

Таблица показывает нам данные, но не показывает структуру риска. Сходятся ли несколько соединений на одном пути? В нем одно опасное соединение или несколько?

График позволяет сразу увидеть это. Выполните ячейку ниже, чтобы отобразить тот же двухуровневый обход в виде интерактивной сети:

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

Вы увидите график, похожий на этот:

Визуализация графа

Каждый путь на графике прослеживает полную цепочку ответственности: соединение (синие узлы) связывается с белком hERG в центре, который соединяется с одним или несколькими сердечными путями (зеленые узлы). То, что раньше было плоским списком строк в таблице, теперь представляет собой видимую сеть рисков — соединения с множественными путями воздействия сразу же выделяются как более приоритетные для проверки безопасности.

Почему GQL элегантнее SQL

Чтобы выполнить тот же запрос с двумя переходами в стандартном SQL, вам потребуется четыре явных объединения. Вы тратите когнитивные усилия, описывая, как объединить таблицы, а не то, какие отношения вы ищете. GQL позволяет сосредоточиться на вопросе.

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;

Углубленный анализ: многоэтапное обнаружение рисков, связанных с метаболитами

Приведенный выше запрос идентифицирует соединения, которые непосредственно связывают белок hERG. Но в реальных рабочих процессах по обеспечению безопасности лекарств риск иногда находится на один шаг дальше: соединение может метаболически превращаться в организме во вторичную молекулу (метаболит), которая затем связывает hERG — ответственность, которую прямые анализы связывания могут полностью упустить.

Если бы граф вашего ресурса включал таблицу узлов Metabolite и ребро METABOLISES_INTO, вы могли бы расширить тот же шаблон MATCH до обхода в три шага:

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

Структура запроса GQL изменится ровно на один узел и одно ребро. В SQL для этого потребовалось бы два дополнительных оператора JOIN. Именно эта закономерность делает обход графа особенно мощным для анализа каскада безопасности: сложность запроса растет линейно, а биологическое понимание растет экспоненциально.

7. Запрос 3. Составные пары с общей целью

Чтобы найти кандидатов для комбинированной терапии, мы можем определить, когда два разных соединения связываются с одним и тем же целевым узлом. Мы используем двунаправленное сопоставление, чтобы ответить на вопрос: какие онкологические соединения сходятся на одной и той же цели?

Выполните в редакторе SQL следующий запрос:

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;

В результатах будут следующие данные:

График результатов за III квартал

Визуализация графа

Вы можете визуализировать граф непосредственно в BigQuery, выполнив следующий код в редакторе 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

Такой двунаправленный обход позволяет выявить пары соединений, которые сходятся на одной и той же белковой мишени. Эту закономерность трудно заметить в плоской таблице взаимодействий, но она сразу видна на графике. В разработке лекарств пары с общей мишенью являются отправной точкой для создания комбинированной терапии: два соединения, воздействующие на один и тот же узел в пути развития рака, могут производить синергетический эффект или, наоборот, сигнализировать о непреднамеренной избыточности в конвейере.

Визуализация графа

8. Запрос 4. Радиус поражения при распространении заболевания

Насколько широко биологическое воздействие каждого соединения? Давайте выполним двухэтапный обход с агрегированием, чтобы ответить на вопрос: на сколько биологических путей и отдельных целей влияет каждое соединение, сгруппированное по области заболевания?

Выполните в редакторе SQL следующий запрос:

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;

Вот что вы увидите в результатах:

Результат 4-го квартала на графике

9. Запрос 5. Безопасный выбор соединений

Наконец, давайте запросим соединения, которые имеют высокий охват онкологии, но явно избегают hERG (сердечных) побочных эффектов. Это соответствует распространенным шаблонам отбора в конвейерах разработки лекарств, где безопасность ставится на первое место.

Выполните в редакторе SQL следующий запрос:

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;

Вот что вы увидите в результатах:

График результатов по вопросу 5

Вы успешно выполнили расширенные обходы графов в BigQuery, чтобы извлечь ключевые профили безопасности и эффективности.

10. Бонусный раздел: чат с графиком

Разговорная аналитика BigQuery теперь поддерживает граф в качестве источника знаний. Это позволит вам общаться с созданным графом на естественном языке.

Начало работы: добавление графика в качестве источника знаний

Чтобы начать, создайте разговорного агента, следуя этим инструкциям. Выберите созданный график в строке поиска.

Настройка разговорной аналитики Graph

Как использовать разговорную аналитику BigQuery для общения с графом

Добавив источник знаний в виде графа, завершите настройку агента разговорной аналитики.

После этого вы сможете общаться с графиком на естественном языке.

Общайтесь с графиком!

Дополнительные вопросы

  1. Какие мишени у соединений, которые сейчас проходят вторую фазу испытаний?
  2. Какие мишени являются общими для сердечно-сосудистых и онкологических препаратов?

11. Организовать

Чтобы избежать дальнейших списаний средств с вашего аккаунта Google Cloud, удалите ресурсы, созданные в ходе этой практической работы.

Выполните следующий запрос, чтобы удалить схему и все таблицы каскадно:

DROP SCHEMA IF EXISTS drug_target_graph CASCADE;

12. Поздравляю!

Поздравляем! Вы успешно смоделировали и проанализировали сеть взаимодействия лекарств и мишеней с помощью BigQuery Graph.

Что вы узнали

  • Как моделировать отношения между объектами (соединениями, целями, путями) в виде графа свойств.
  • Как определить схему и создать граф свойств в BigQuery.
  • Как писать сложные обходы графов с помощью GQL и сравнивать их с традиционным SQL.
  • Как использовать GRAPH_TABLE, MATCH и двунаправленное сопоставление для решения проблем в области биологических наук.

Справочная документация