BigQuery Graph ile İlaç Etkileşimlerini Analiz Etme

1. Giriş

Bu codelab'de, ilaç-hedef etkileşim ağını modellemek ve analiz etmek için BigQuery Graph'i nasıl kullanacağınızı öğreneceksiniz. İlaçların biyolojik hedeflerle nasıl etkileşime girdiğini keşfetmek, olası yan etkileri (kalp riskleri gibi) belirlemek ve olası kombinasyon tedavilerini ortaya çıkarmak için grafik sorgularının (GQL) gücünden yararlanacaksınız.

🧬 Kullanım Alanı: İlaç-Hedef Etkileşim Ağı

İşletme sorusu: Bir bileşiğin tam etki alanı nedir? Hangi hedeflere bağlanır, hangi biyolojik yollar etkilenir ve hangi hastalık alanları söz konusudur?

Tablolar:

Tablo

Açıklama

compounds

Etki mekanizması ve geliştirme aşamasıyla birlikte ilaç molekülleri

targets

Gen adları ve UniProt kimlikleri içeren protein hedefleri

interactions

Bileşik hedef bağlama eğilimi (birincil hedefler + hedef dışı hedefler)

pathways

Hastalık alanlarıyla ilişkili biyolojik yollar

target_pathways

Hedefleri, katıldıkları yollara bağlayan bağlantı tablosu

Özellik grafiği modeli:

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

Grafik Şeması

🔍 Demo Sorguları

Sorgu

Gösterdiği bilgiler

S1: Hedef bağlama profili

1 atlamalı geçiş: Tüm birincil ve hedef dışı bileşikler

S2: hERG kardiyak risk tespiti

2 adımlı geçiş: bileşik → hERG hedefi → kardiyak yol

3. çeyrek: Paylaşılan hedef bileşik çiftleri

Çift yönlü eşleşme: Aynı hedef düğümde birleşen iki bileşik

S4: Hastalık yolunun etki alanı

2 adımlı toplama: Bileşik başına tam yol ve hastalık alanı kapsamı

S5: Güvenli bileşik seçimi

Onkoloji kapsamı yüksek ancak hERG kardiyak sorumluluğu olmayan bileşikler

Yapacaklarınız

  • İlaç etkileşim ağı için BigQuery veri kümesi ve şeması oluşturma
  • Örnek verileri yükleme (Bileşikler, Hedefler, Etkileşimler, Yolaklar, Hedef Yolaklar)
  • BigQuery'de bu varlıkları birbirine bağlayan bir özellik grafiği oluşturun.
  • Grafik geçişlerini (GRAPH_TABLE ve MATCH) kullanarak bileşik etkileşimleri, biyolojik yolları ve hastalıkların etki alanını anlamak için grafiği sorgulama
  • Grafik söz diziminin basitliğini ve ifade gücünü anlamak için GQL ile standart SQL'i yan yana karşılaştırma

İhtiyacınız olanlar

  • Chrome gibi bir web tarayıcısı
  • Faturalandırmanın etkin olduğu bir Google Cloud projesi

Bu codelab, yeni başlayanlar da dahil olmak üzere her seviyeden geliştiriciye uygundur.

2. Başlamadan önce

Google Cloud projesi oluşturma

  1. Google Cloud Console'da bir Google Cloud projesi seçin veya oluşturun.
  2. Cloud projeniz için faturalandırmanın etkinleştirildiğinden emin olun.

Cloud Shell'i Başlatma

  1. Google Cloud konsolunun üst kısmından Cloud Shell'i etkinleştir'i tıklayın.
  2. Kimlik doğrulamayı kontrol etme:
gcloud auth list
  1. Projenizi onaylayın:
gcloud config get project
  1. Gerekirse ayarlayın:
export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

API'leri etkinleştir

Gerekli BigQuery API'yi etkinleştirmek için şu komutu çalıştırın:

gcloud services enable bigquery.googleapis.com

3. Şemayı Tanımlama ve Verileri Yükleme

Öncelikle, grafikle ilgili tablolarınızı depolamak için bir veri kümesi oluşturmanız ve bu tabloları örneklenmiş verilerle doldurmanız gerekir.

  1. Google Cloud Console'da BigQuery Studio'ya gidin.
  2. Yeni bir sorgu sekmesi açmak için SQL Editor'ı (SQL Düzenleyici) tıklayın.
  3. drug_target_graph veri kümesini oluşturmak için aşağıdaki ifadeyi çalıştırın:
CREATE SCHEMA IF NOT EXISTS drug_target_graph
OPTIONS (location = 'US');

Şimdi BigQuery Studio'da aşağıdaki DDL sorgularını çalıştırarak 5 kaynak tabloyu oluşturun.

1. compounds Tablo Oluştur

İlaç moleküllerini, etki mekanizmalarını, geliştirme aşamalarını ve tedavi alanlarını içerir.

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 Tablo Oluştur

Protein hedefleri, gen adları, UniProt kimlikleri ve hedef sınıfları içerir.

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 Tablo Oluştur

Bileşik hedef bağlama eğilimi verilerini (birincil hedefler ve hedef dışı hedefler) içerir.

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 Tablo Oluştur

Biyolojik yollar, ilişkili hastalık alanları ve kanserle ilgili bilgiler içerir.

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 Tablo Oluştur

Hedefleri, katıldıkları biyolojik yollara bağlayan bir bağlantı tablosu.

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. Özellik grafiğini oluşturma

Tablolar başarıyla oluşturulduktan sonra özellik grafiğini oluşturabilirsiniz. Bu, kenar tablolarını (Interactions ve Target Pathways) kullanarak düğümleri (Bileşikler, Hedefler, Yolaklar) birbirine bağlar.

BigQuery Studio SQL düzenleyicisinde aşağıdaki ifadeyi çalıştırın:

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)
);

Bu işlem, veri kümenizde drug_target_interaction_graph adlı bir grafik oluşturur.

Grafik Şeması

5. 1. Sorgu: Bileşik Başına Tam Hedef Bağlama Profili

İlk grafik sorgumuzu çalıştıralım. Bu, şu soruyu yanıtlayan 1 adımlı bir geçiştir: Hangi bileşikler hangi hedeflere bağlanır ve bunların yakınlığı nedir?

GQL Sorgusu

SQL düzenleyicide aşağıdaki sorguyu çalıştırın:

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;

Sonuçlarda şunları görürsünüz:

Grafik 1. Çeyrek Sonucu

6. Sorgu 2: Kalp Riski Tespiti

İşletmeyle İlgili Soru

İlaç keşfinde, umut vadeden bir bileşiğin klinik denemelerde başarısız olmasının en yaygın nedenlerinden biri kardiyotoksisitedir. Özellikle, kalp ritmini düzenleyen bir potasyum iyon kanalı olan hERG proteinine (gen: KCNH2) istenmeyen bağlanma gerçekleşir. hERG'de hedef dışı bir isabet, ölümcül aritmilere neden olabilir ve birçok önemli ilacın piyasadan çekilmesine yol açmıştır.

Yanıtlamak istediğimiz soru şudur:

"Ürün hattımızdaki hangi bileşikler hERG proteininde hedef dışı bağlanma etkinliğine sahip ve bu durum hangi kardiyak yolları riske atıyor?"

Bu, 2 adımlı bir sorudur: Bir bileşikten bir hedefe (hERG) ve bir yola geçmemiz gerekir. Bu, tek bir sorguda iki ilişki üzerinden üç varlık türünü birbirine bağlar.

GQL sorgusunu yazma

BQ SQL Düzenleyici'de aşağıdaki sorguyu çalıştırın:

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;

MATCH ifadesinin neredeyse bir cümle gibi okunduğuna dikkat edin: "Bir Yol'da yer alan bir Hedef'e bağlanan bir Bileşik bul". Filtreler, yol boyunca her düğüme ve kenara uygulanır.

Sonuçlarda göreceğiniz veriler şunlardır:

Grafik 2. çeyrek tablosu sonucu

Risk ağını grafik olarak görselleştirme

Tablo bize verileri gösterir ancak riskin yapısını göstermez. Birden fazla bileşik aynı yolda mı birleşiyor? Yüksek riskli bir bileşik mi yoksa birden fazla mı var?

Grafik görselleştirme, bu durumu hemen görünür hale getirir. Aynı 2 adımlı geçişi etkileşimli bir ağ olarak oluşturmak için aşağıdaki hücreyi çalıştırın:

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

Şuna benzer bir grafik görürsünüz:

Grafik Görselleştirme

Grafikteki her yol, tam bir sorumluluk zincirini izler: Bir bileşik (mavi düğümler), merkezdeki hERG proteinine bağlanır ve bu protein, bir veya daha fazla kardiyak yoluna (yeşil düğümler) bağlanır. Tablodaki düz satır listesi artık görünür bir risk ağına dönüştü. Birden fazla yoldan maruz kalınan bileşikler, güvenlik incelemesi için daha yüksek öncelikli olarak hemen öne çıkıyor.

GQL'in SQL'den neden daha şık olduğunu öğrenin.

Aynı 2 atlamalı sorguyu standart SQL'de yürütmek için 4 açık birleştirme gerekir. Aradığınız ilişkinin ne olduğunu belirtmek yerine tabloları nasıl birleştireceğinizi açıklamak için zihinsel çaba harcarsınız. GQL, soruya odaklanmanızı sağlar.

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;

Daha derine inme: Çok adımlı metabolit risk tespiti

Yukarıdaki sorgu, hERG proteinine doğrudan bağlanan bileşikleri tanımlar. Ancak gerçek ilaç güvenliği iş akışlarında risk bazen bir adım uzaktadır: Bir bileşik, vücutta metabolik olarak ikincil bir moleküle (metabolit) dönüştürülebilir ve bu molekül daha sonra hERG'ye bağlanabilir. Bu, doğrudan bağlanma tahlillerinin tamamen gözden kaçırabileceği bir risktir.

Özellik grafiğinizde bir Metabolit düğüm tablosu ve METABOLISES_INTO kenarı varsa aynı MATCH kalıbını 3 atlamalı bir geçişe genişletebilirsiniz:

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

GQL sorgu yapısı tam olarak bir düğüm ve bir kenar kadar değişir. Eşdeğer SQL için iki ek JOIN gerekir. Bu model, grafik geçişini güvenlik kaskadı analizi için özellikle güçlü kılan bir modeldir. Sorgu karmaşıklığı doğrusal olarak artarken biyolojik analizler katlanarak artar.

7. Sorgu 3: Paylaşılan Hedef Bileşik Çiftler

Kombinasyon tedavisi için aday bulmak amacıyla iki farklı bileşiğin aynı hedef düğüme ne zaman bağlandığını belirleyebiliriz. Hangi onkoloji bileşikleri tam olarak aynı hedefte birleşir? sorusunu yanıtlamak için çift yönlü eşleşme kullanırız.

SQL düzenleyicide aşağıdaki sorguyu çalıştırın:

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;

Sonuçlarda göreceğiniz veriler şunlardır:

Grafik 3. Çeyrek Sonucu

Grafik Görselleştirme

SQL düzenleyicide aşağıdaki kodu çalıştırarak grafiği doğrudan BigQuery'de görselleştirebilirsiniz.

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

Bu çift yönlü geçiş, aynı protein hedefinde birleşen bileşik çiftleri ortaya çıkarır. Bu, düz bir etkileşim tablosunda fark edilmesi zor ancak grafik olarak hemen görülebilen bir kalıptır. İlaç keşfinde, paylaşılan hedef çiftleri kombinasyon terapisi tasarımının başlangıç noktasıdır: Kanser yolunda aynı düğüme isabet eden iki bileşik sinerjik bir etki yaratabilir veya alternatif olarak, işlem hattında istenmeyen bir fazlalığa işaret edebilir.

Grafik Görselleştirme

8. Sorgu 4: Hastalık yolu patlama yarıçapı

Her bir bileşiğin biyolojik etkisi ne kadar geniş? Şu soruyu yanıtlamak için toplama ile 2 atlamalı geçiş gerçekleştirelim: Her bileşik, hastalık alanına göre gruplandırılmış kaç biyolojik yolu ve farklı hedefi etkiler?

SQL düzenleyicide aşağıdaki sorguyu çalıştırın:

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;

Sonuçlarda şunları görürsünüz:

4. Çeyrek Grafik Sonucu

9. Sorgu 5: Güvenli Bileşik Seçimi

Son olarak, onkoloji kapsamı yüksek olan ancak hERG (kalp) hedef dışı yükümlülüklerinden açıkça kaçınan bileşikler için sorgu yapalım. Bu, ilaç keşfi süreçlerindeki yaygın güvenlik öncelikli seçim modelleriyle uyumludur.

SQL düzenleyicide aşağıdaki sorguyu çalıştırın:

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;

Sonuçlarda göreceğiniz çıkış şu şekildedir:

Grafik Q5 Sonucu

BigQuery'de gelişmiş grafik geçişlerini başarıyla yürüterek önemli güvenlik ve etkinlik profillerini çıkardınız.

10. Bonus Bölüm: Grafiğinizle sohbet etme

BigQuery Etkileşimli Analytics artık bilgi kaynağı olarak grafiği destekliyor. Bu sayede, oluşturduğunuz grafikle doğal dilde sohbet edebilirsiniz.

Başlangıç: Bilgi kaynağı olarak grafik ekleme

Başlamak için buradaki adımları uygulayarak etkileşimli bir temsilci oluşturun. Arama çubuğundan oluşturduğunuz grafiği seçin.

Graph Conversational Analytics kurulumu

Grafiğinizle sohbet etmek için BigQuery Etkileşimli Analytics'i kullanma

Bilgi kaynağını grafik olarak ekledikten sonra sohbet analizi temsilcisi kurulumunun geri kalanını tamamlayın.

Ardından, grafiğinizle doğal dilde sohbet etmeye başlayabilirsiniz.

Grafiğinizle sohbet edin.

Ek sorular

  1. Şu anda 2. aşama denemelerinde olan bileşiklerin tüm hedefleri nelerdir?
  2. Kardiyovasküler ve onkoloji bileşikleri arasında hangi hedefler paylaşılıyor?

11. Temizleme

Google Cloud hesabınızda ücretlendirilmeye devam etmemek için bu codelab sırasında oluşturulan kaynakları silin.

Şemayı ve tüm tabloları basamaklı olarak silmek için aşağıdaki sorguyu çalıştırın:

DROP SCHEMA IF EXISTS drug_target_graph CASCADE;

12. Tebrikler

Tebrikler! BigQuery Graph'ı kullanarak ilaç-hedef etkileşim ağını başarıyla modellediniz ve analiz ettiniz.

Öğrendikleriniz

  • Varlık ilişkilerini (bileşikler, hedefler, yollar) özellik grafiği olarak modelleme
  • BigQuery'de şema tanımlama ve özellik grafiği oluşturma
  • GQL kullanarak karmaşık grafik geçişleri yazma ve bunları geleneksel SQL ile karşılaştırma
  • GRAPH_TABLE, MATCH ve çift yönlü eşleştirmeyi kullanarak yaşam bilimleri alanındaki sorunları çözme

Referans belgeler