1. บทนำ
ใน Codelab นี้ คุณจะได้เรียนรู้วิธีใช้ BigQuery Graph เพื่อสร้างโมเดลและวิเคราะห์เครือข่ายการโต้ตอบระหว่างยากับเป้าหมาย คุณจะใช้ประโยชน์จากประสิทธิภาพของการค้นหากราฟ (GQL) เพื่อสำรวจว่ายาทำปฏิกิริยากับเป้าหมายทางชีวภาพอย่างไร ระบุผลข้างเคียงที่อาจเกิดขึ้น (เช่น ความเสี่ยงต่อหัวใจ) และค้นพบการบำบัดแบบผสมผสานที่อาจเป็นไปได้
🧬 Use Case — เครือข่ายการโต้ตอบระหว่างยาและเป้าหมาย
คำถามทางธุรกิจ: ผลกระทบทั้งหมดของสารประกอบคืออะไร สารประกอบจับกับเป้าหมายใดบ้าง วิถีทางชีวภาพใดได้รับผลกระทบ และเกี่ยวข้องกับโรคในด้านใดบ้าง
ตาราง:
ตาราง | คำอธิบาย |
| โมเลกุลของยาพร้อมกลไกการออกฤทธิ์และระยะการพัฒนา |
| เป้าหมายโปรตีนที่มีชื่อยีนและรหัส UniProt |
| ความสัมพันธ์ในการจับคู่เป้าหมายของสารประกอบ (เป้าหมายหลัก + เป้าหมายรอง) |
| วิถีทางชีวภาพที่เกี่ยวข้องกับพื้นที่โรค |
| ตารางเชื่อมโยงที่ลิงก์เป้าหมายกับเส้นทางที่เข้าร่วม |
โมเดลกราฟพร็อพเพอร์ตี้:
(Compound)-[BINDS_TO {affinity_nm, ic50_nm, interaction_type}]->(Target)
(Target)-[PARTICIPATES_IN {role, importance_score}]->(Pathway)

🔍 คำค้นหาเดโม
การค้นหา | สิ่งที่แสดง |
คำถามที่ 1: โปรไฟล์การเชื่อมโยงเป้าหมาย | การข้าม 1 ฮ็อป — สารประกอบไปยังเป้าหมายหลักและเป้าหมายรองทั้งหมด |
คำถามที่ 2: การตรวจหาความเสี่ยงต่อหัวใจที่เกิดจาก hERG | การข้าม 2 ฮอป — สารประกอบ → เป้าหมาย hERG → เส้นทางหัวใจ |
ไตรมาสที่ 3: คู่สารประกอบที่มีเป้าหมายร่วมกัน | การจับคู่แบบ 2 ทิศทาง - สารประกอบ 2 ชนิดมาบรรจบกันที่โหนดเป้าหมายเดียวกัน |
คำถามที่ 4: รัศมีการระเบิดของเส้นทางการเกิดโรค | การรวมแบบ 2 ฮอป — เส้นทางแบบเต็มและการครอบคลุมพื้นที่โรคต่อสารประกอบ |
คำถามที่ 5: การเลือกสารประกอบที่ปลอดภัย | สารประกอบที่มีความครอบคลุมด้านเนื้องอกวิทยาสูงแต่ไม่มีความรับผิดทางหัวใจ hERG |
สิ่งที่คุณต้องทำ
- สร้างชุดข้อมูลและสคีมา BigQuery สำหรับเครือข่ายปฏิกิริยาระหว่างยา
- โหลดข้อมูลตัวอย่าง (สารประกอบ, เป้าหมาย, การโต้ตอบ, วิถี, วิถีเป้าหมาย)
- สร้างกราฟพร็อพเพอร์ตี้ใน BigQuery ที่เชื่อมต่อเอนทิตีเหล่านี้
- ค้นหากราฟเพื่อทำความเข้าใจการโต้ตอบของสารประกอบ วิถีทางชีวภาพ และรัศมีการระเบิดของโรคโดยใช้การข้ามผ่านกราฟ (
GRAPH_TABLEและMATCH) - เปรียบเทียบ GQL กับ SQL มาตรฐานแบบเคียงข้างกันเพื่อทำความเข้าใจความเรียบง่ายและประสิทธิภาพในการแสดงออกของไวยากรณ์กราฟ
สิ่งที่คุณต้องมี
- เว็บเบราว์เซอร์ เช่น Chrome
- โปรเจ็กต์ Google Cloud ที่เปิดใช้การเรียกเก็บเงิน
Codelab นี้เหมาะสำหรับนักพัฒนาแอปทุกระดับ รวมถึงผู้เริ่มต้น
2. ก่อนเริ่มต้น
สร้างโปรเจ็กต์ Google Cloud
- ในคอนโซล Google Cloud ให้เลือกหรือสร้างโปรเจ็กต์ที่อยู่ในระบบคลาวด์ของ Google Cloud
- ตรวจสอบว่าได้เปิดใช้การเรียกเก็บเงินสำหรับโปรเจ็กต์ที่อยู่ในระบบคลาวด์แล้ว
เริ่มต้น Cloud Shell
- คลิกเปิดใช้งาน Cloud Shell ที่ด้านบนของคอนโซล Google Cloud
- ยืนยันการตรวจสอบสิทธิ์:
gcloud auth list
- ยืนยันโปรเจ็กต์ของคุณ
gcloud config get project
- ตั้งค่าหากจำเป็น โดยทำดังนี้
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID
เปิดใช้ API
เรียกใช้คำสั่งนี้เพื่อเปิดใช้ BigQuery API ที่จำเป็น
gcloud services enable bigquery.googleapis.com
3. กำหนดสคีมาและโหลดข้อมูล
ก่อนอื่น คุณต้องสร้างชุดข้อมูลเพื่อจัดเก็บตารางที่เกี่ยวข้องกับกราฟและป้อนข้อมูลตัวอย่างลงในตาราง
- ไปที่ BigQuery Studio ในคอนโซล Google Cloud
- คลิก SQL Editor เพื่อเปิดแท็บการค้นหาใหม่
- เรียกใช้คำสั่งต่อไปนี้เพื่อสร้างชุดข้อมูล
drug_target_graph
CREATE SCHEMA IF NOT EXISTS drug_target_graph
OPTIONS (location = 'US');
ตอนนี้ให้สร้างตารางต้นทาง 5 ตารางโดยเรียกใช้การค้นหา DDL ต่อไปนี้ใน BigQuery Studio
1. สร้างตาราง compounds
ประกอบด้วยโมเลกุลของยา กลไกการออกฤทธิ์ ระยะการพัฒนา และขอบเขตการรักษา
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. สร้างตาราง targets
ประกอบด้วยเป้าหมายโปรตีน ชื่อยีน รหัส UniProt และคลาสเป้าหมาย
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. สร้างตาราง interactions
มีข้อมูลความสัมพันธ์ในการจับเป้าหมายของสารประกอบ (เป้าหมายหลักเทียบกับเป้าหมายรอง)
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. สร้างตาราง pathways
มีวิถีทางชีวภาพ พื้นที่โรคที่เกี่ยวข้อง และความเกี่ยวข้องกับมะเร็ง
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. สร้างตาราง target_pathways
ตารางทางแยกที่ลิงก์เป้าหมายกับวิถีทางชีวภาพที่เกี่ยวข้อง
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. สร้างกราฟพร็อพเพอร์ตี้
เมื่อสร้างตารางเรียบร้อยแล้ว คุณจะสร้างกราฟพร็อพเพอร์ตี้ได้ ซึ่งจะลิงก์โหนด (สารประกอบ เป้าหมาย เส้นทาง) โดยใช้ตารางขอบ (Interactions และ Target Pathways)
เรียกใช้คำสั่งต่อไปนี้ในเครื่องมือแก้ไข SQL ของ 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)
);
ซึ่งจะสร้างกราฟชื่อ drug_target_interaction_graph ในชุดข้อมูลของคุณ

5. การค้นหาที่ 1: โปรไฟล์การจับเป้าหมายแบบเต็มต่อสารประกอบ
มาเรียกใช้การค้นหากราฟครั้งแรกกัน นี่คือการข้าม 1 ฮ็อปที่ตอบคำถามว่าสารประกอบใดจับกับเป้าหมายใด และมีความสัมพันธ์กันอย่างไร
การค้นหา GQL
เรียกใช้การค้นหาต่อไปนี้ในเครื่องมือแก้ไข 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;
สิ่งที่คุณจะเห็นในผลลัพธ์มีดังนี้

6. คำถามที่ 2: การตรวจหาความเสี่ยงของโรคหัวใจ
คำถามเกี่ยวกับธุรกิจ
ในการค้นพบยา สาเหตุที่พบบ่อยที่สุดอย่างหนึ่งที่ทำให้สารประกอบที่มีแนวโน้มดีไม่ผ่านการทดลองทางคลินิกคือความเป็นพิษต่อหัวใจ โดยเฉพาะอย่างยิ่งการจับกับโปรตีน hERG (ยีน: KCNH2) โดยไม่ตั้งใจ ซึ่งเป็นช่องทางผ่านของโพแทสเซียมไอออนที่ควบคุมจังหวะการเต้นของหัวใจ การจับเป้าหมายนอกเป้าหมายใน hERG อาจทำให้เกิดภาวะหัวใจเต้นผิดจังหวะที่ร้ายแรง และเป็นสาเหตุของการถอนยาที่มีชื่อเสียงหลายรายการ
คำถามที่เราต้องการตอบคือ
"สารประกอบใดในไปป์ไลน์ของเราที่มีเหตุการณ์การจับตัวนอกเป้าหมายบนโปรตีน hERG และวิถีทางของหัวใจใดที่ทำให้เกิดความเสี่ยง"
นี่คือคำถามแบบ 2 ฮอป เราต้องข้ามจากสารประกอบผ่านเป้าหมาย (hERG) ไปยังวิถีทาง ซึ่งเชื่อมโยงเอนทิตี 3 ประเภทผ่านความสัมพันธ์ 2 รายการในการค้นหาเดียว
เขียนการค้นหา GQL
เรียกใช้การค้นหาต่อไปนี้ในเครื่องมือแก้ไข BQ SQL
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;
สังเกตว่าส่วนคำสั่ง MATCH อ่านได้เกือบเหมือนประโยค: "ค้นหาสารประกอบที่จับกับเป้าหมายที่มีส่วนร่วมในวิถี" โดยใช้ตัวกรองที่โหนดและขอบแต่ละรายการตามเส้นทาง
ข้อมูลที่คุณจะเห็นในผลลัพธ์มีดังนี้

แสดงภาพเครือข่ายความเสี่ยงเป็นกราฟ
ตารางแสดงข้อมูลให้เราเห็น แต่ไม่ได้แสดงโครงสร้างของความเสี่ยง สารประกอบหลายชนิดมาบรรจบกันในเส้นทางเดียวกันหรือไม่ มีสารประกอบที่มีความเสี่ยงสูง 1 รายการหรือหลายรายการ
การแสดงภาพกราฟจะทำให้เห็นข้อมูลนี้ได้ทันที เรียกใช้เซลล์ด้านล่างเพื่อแสดงผลการข้าม 2 ฮ็อปเดียวกันเป็นเครือข่ายแบบอินเทอร์แอกทีฟ
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
คุณควรเห็นกราฟลักษณะนี้

แต่ละเส้นทางในกราฟจะแสดงห่วงโซ่ความรับผิดที่สมบูรณ์ โดยสารประกอบ (โหนดสีน้ำเงิน) จะจับกับโปรตีน hERG ที่ตรงกลาง ซึ่งเชื่อมต่อกับวิถีทางหัวใจอย่างน้อย 1 เส้นทาง (โหนดสีเขียว) จากเดิมที่เป็นรายการแถวแบบแบนราบในตาราง ตอนนี้กลายเป็นเครือข่ายความเสี่ยงที่มองเห็นได้ โดยสารประกอบที่มีการสัมผัสเส้นทางหลายเส้นทางจะโดดเด่นขึ้นมาทันทีว่ามีลำดับความสำคัญสูงกว่าสำหรับการตรวจสอบความปลอดภัย
ดูว่าทำไม GQL จึงมีประสิทธิภาพมากกว่า SQL
หากต้องการดำเนินการค้นหาแบบ 2-hop เดียวกันใน SQL มาตรฐาน คุณต้องใช้การรวมที่ชัดเจน 4 รายการ คุณต้องใช้ความพยายามในการคิดเพื่ออธิบายวิธีรวมตารางแทนที่จะเป็นความสัมพันธ์แบบใดที่คุณต้องการ GQL ช่วยให้คุณมุ่งเน้นไปที่คำถามได้
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;
เจาะลึกยิ่งขึ้น - การตรวจหาความเสี่ยงของเมตาบอไลต์แบบหลายฮ็อป
คำค้นหาด้านบนจะระบุสารประกอบที่จับกับโปรตีน hERG โดยตรง แต่ในเวิร์กโฟลว์ความปลอดภัยของยาจริง บางครั้งความเสี่ยงก็ถูกกำจัดออกไป 1 ขั้นตอน โดยสารประกอบอาจถูกแปลงทางเมตาบอลิซึมในร่างกายเป็นโมเลกุลรอง (เมตาบอไลต์) ซึ่งจะจับกับ hERG ซึ่งเป็นความรับผิดที่การทดสอบการจับโดยตรงอาจพลาดไปโดยสิ้นเชิง
หากกราฟพร็อพเพอร์ตี้มีตารางโหนด Metabolite และขอบ METABOLISES_INTO คุณสามารถขยายรูปแบบ MATCH เดียวกันเป็นการข้ามผ่าน 3 ฮ็อปได้ดังนี้
(Compound)-[METABOLISES_INTO]->(Metabolite)-[BINDS_TO]->
(Target)-[PARTICIPATES_IN]->(Pathway)
โครงสร้างการค้นหา GQL จะเปลี่ยนไป 1 โหนดและ 1 ขอบพอดี SQL ที่เทียบเท่าจะต้องใช้ JOIN เพิ่มเติม 2 รายการ รูปแบบนี้ทำให้การข้ามผ่านกราฟมีประสิทธิภาพอย่างยิ่งสำหรับการวิเคราะห์การเรียงซ้อนด้านความปลอดภัย โดยความซับซ้อนของคำค้นหาจะเพิ่มขึ้นแบบเชิงเส้น ขณะที่ข้อมูลเชิงลึกทางชีววิทยาจะเพิ่มขึ้นแบบทวีคูณ
7. คำค้นหาที่ 3: คู่ผสมที่มีเป้าหมายร่วมกัน
ในการค้นหาตัวเลือกสำหรับการบำบัดแบบผสมผสาน เราสามารถระบุได้ว่าสารประกอบ 2 ชนิดที่แตกต่างกันจะจับกับโหนดเป้าหมายเดียวกันเมื่อใด เราใช้การจับคู่แบบ 2 ทิศทางเพื่อตอบคำถามที่ว่า สารประกอบด้านมะเร็งวิทยาใดที่รวมกันในเป้าหมายเดียวกัน
เรียกใช้การค้นหาต่อไปนี้ในเครื่องมือแก้ไข 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;
ข้อมูลที่คุณจะเห็นในผลลัพธ์มีดังนี้

การแสดงภาพกราฟ
คุณแสดงภาพกราฟใน BigQuery ได้โดยตรงด้วยการเรียกใช้โค้ดต่อไปนี้ในเครื่องมือแก้ไข 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
การสำรวจแบบ 2 ทิศทางนี้จะแสดงคู่สารประกอบที่รวมกันในเป้าหมายโปรตีนเดียวกัน ซึ่งเป็นรูปแบบที่สังเกตได้ยากในตารางการโต้ตอบแบบแบน แต่จะมองเห็นได้ทันทีในรูปแบบกราฟ ในการค้นพบยา คู่เป้าหมายที่ใช้ร่วมกันเป็นจุดเริ่มต้นสำหรับการออกแบบการบำบัดแบบผสมผสาน โดยสารประกอบ 2 ชนิดที่เข้าถึงโหนดเดียวกันในเส้นทางมะเร็งอาจสร้างผลลัพธ์ที่เสริมฤทธิ์กัน หรืออาจส่งสัญญาณถึงความซ้ำซ้อนโดยไม่ตั้งใจในไปป์ไลน์

8. คำถามที่ 4: รัศมีการระเบิดของเส้นทางโรค
ผลกระทบทางชีวภาพของสารประกอบแต่ละชนิดกว้างแค่ไหน มาทำการข้าม 2 ฮ็อปพร้อมการรวมเพื่อตอบคำถามที่ว่า สารประกอบแต่ละชนิดส่งผลต่อวิถีทางชีวภาพและเป้าหมายที่แตกต่างกันจำนวนเท่าใด โดยจัดกลุ่มตามพื้นที่ของโรค
เรียกใช้การค้นหาต่อไปนี้ในเครื่องมือแก้ไข 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;
สิ่งที่คุณจะเห็นในผลลัพธ์มีดังนี้

9. คำถามที่ 5: การเลือกสารประกอบที่ปลอดภัย
สุดท้าย มาค้นหาสารประกอบที่มีความครอบคลุมด้านเนื้องอกวิทยาสูง แต่หลีกเลี่ยงความรับผิดนอกเป้าหมาย hERG (หัวใจ) อย่างชัดเจน ซึ่งสอดคล้องกับรูปแบบการเลือกที่เน้นความปลอดภัยเป็นอันดับแรกในไปป์ไลน์การค้นพบยา
เรียกใช้การค้นหาต่อไปนี้ในเครื่องมือแก้ไข 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;
เอาต์พุตที่คุณจะเห็นในผลลัพธ์มีดังนี้

คุณได้ทำการข้ามกราฟขั้นสูงใน BigQuery เพื่อดึงข้อมูลโปรไฟล์ความปลอดภัยและประสิทธิภาพที่สำคัญเรียบร้อยแล้ว
10. ส่วนโบนัส: แชทกับกราฟของคุณ
ตอนนี้ BigQuery Conversational Analytics รองรับกราฟเป็นแหล่งความรู้แล้ว ซึ่งจะช่วยให้คุณแชทกับกราฟที่เพิ่งสร้างขึ้นโดยใช้ภาษาธรรมชาติได้
เริ่มต้นใช้งาน: เพิ่มกราฟเป็นแหล่งความรู้
หากต้องการเริ่มต้นใช้งาน ให้สร้าง Agent แบบสนทนาตามขั้นตอนที่นี่ เลือกกราฟที่คุณสร้างจากแถบค้นหา

ใช้ Conversational Analytics ของ BigQuery เพื่อแชทกับกราฟ
เมื่อเพิ่มแหล่งความรู้เป็นกราฟแล้ว ให้ทำตามขั้นตอนที่เหลือในการตั้งค่า Agent การวิเคราะห์การสนทนา
จากนั้นคุณจะเริ่มแชทกับกราฟโดยใช้ภาษาธรรมชาติได้

คำถามเพิ่มเติม
- เป้าหมายทั้งหมดสำหรับสารประกอบที่อยู่ในการทดลองระยะที่ 2 ในปัจจุบันมีอะไรบ้าง
- เป้าหมายใดที่ใช้ร่วมกันระหว่างสารประกอบโรคหัวใจและหลอดเลือดกับสารประกอบด้านมะเร็งวิทยา
11. ล้างข้อมูล
โปรดลบทรัพยากรที่สร้างขึ้นระหว่างทำ Codelab นี้เพื่อหลีกเลี่ยงการเรียกเก็บเงินอย่างต่อเนื่องในบัญชี Google Cloud
เรียกใช้การค้นหาต่อไปนี้เพื่อวางสคีมาและตารางทั้งหมดแบบเรียงซ้อน
DROP SCHEMA IF EXISTS drug_target_graph CASCADE;
12. ขอแสดงความยินดี
ยินดีด้วย คุณได้สร้างโมเดลและวิเคราะห์เครือข่ายการโต้ตอบระหว่างยากับเป้าหมายโดยใช้ BigQuery Graph เรียบร้อยแล้ว
สิ่งที่คุณได้เรียนรู้
- วิธีสร้างโมเดลความสัมพันธ์ของเอนทิตี (สารประกอบ เป้าหมาย เส้นทาง) เป็นกราฟพร็อพเพอร์ตี้
- วิธีกำหนดสคีมาและสร้างกราฟพร็อพเพอร์ตี้ใน BigQuery
- วิธีเขียนการข้ามผ่านกราฟที่ซับซ้อนโดยใช้ GQL และเปรียบเทียบกับ SQL แบบดั้งเดิม
- วิธีใช้ประโยชน์จาก
GRAPH_TABLE,MATCHและการจับคู่แบบ 2 ทิศทางเพื่อแก้ปัญหาโดเมนด้านชีววิทยาศาสตร์