Google は AI 技術を使用して、コンテンツをご希望の言語に翻訳しています。AI 翻訳には誤りが含まれる場合があります。

BigQuery Graph で薬物相互作用を分析する

1. はじめに

この Codelab では、BigQuery Graph を使用して薬物と標的の相互作用ネットワークをモデル化し、分析する方法について説明します。グラフクエリ（GQL）の機能を利用して、薬物が生物学的標的とどのように相互作用するかを調べ、潜在的な副作用（心臓のリスクなど）を特定し、併用療法の可能性を見つけます。

🧬 ユースケース - 薬物と標的の相互作用ネットワーク

ビジネス上の質問: 化合物の完全な影響範囲はどのくらいですか。どの標的に結合し、どの生物学的経路に影響を与え、どの疾患領域が関与していますか？

テーブル:

テーブル	説明
`compounds`	作用機序と開発段階を持つ薬物分子
`targets`	遺伝子名と UniProt ID を持つタンパク質標的
`interactions`	化合物と標的の結合親和性（一次標的 + オフターゲット）
`pathways`	疾患領域の関連付けを持つ生物学的経路
`target_pathways`	標的を参加する経路にリンクするジャンクションテーブル

プロパティグラフモデル:

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

グラフスキーマ

🔍 デモクエリ

クエリ	表示される情報
Q1: 標的結合プロファイル	1 ホップトラバーサル - 化合物からすべての一次標的とオフターゲットへ
Q2: hERG 心臓リスクの検出	2 ホップトラバーサル - 化合物 → hERG 標的 → 心臓経路
Q3: 共有標的化合物ペア	双方向一致 - 同じ標的ノードに収束する 2 つの化合物
Q4: 疾患経路の影響範囲	2 ホップ集計 - 化合物ごとの完全な経路と疾患領域のカバー率
Q5: 安全な化合物の選択	腫瘍学のカバー率が高く、hERG 心臓の負担がない化合物

演習内容

薬物相互作用ネットワークの BigQuery データセットとスキーマを作成する
サンプルデータ（化合物、標的、相互作用、経路、標的経路）を読み込む
これらのエンティティを接続する BigQuery でプロパティグラフを作成する
グラフをクエリして、グラフトラバーサル（GRAPH_TABLE と MATCH）を使用して、化合物の相互作用、生物学的経路、疾患の影響範囲を把握する
GQL と標準 SQL を並べて比較して、グラフ構文のシンプルさと表現力を理解する

必要なもの

ウェブブラウザ（Chrome など）
課金を有効にした Google Cloud プロジェクト

この Codelab は、初心者を含むあらゆるレベルのデベロッパーを対象としています。

2. 始める前に

Google Cloud プロジェクトの作成

Google Cloud Console で、Google Cloud プロジェクトを作成または選択します。
Cloud プロジェクトで課金が有効になっていることを確認します。

Cloud Shell の起動

Google Cloud コンソールの上部にある [Cloud Shell をアクティブにする] アイコンをクリックします。
認証を検証します。

gcloud auth list

プロジェクトを確認します。

gcloud config get project

必要に応じて設定します。

export PROJECT_ID=<YOUR_PROJECT_ID>
gcloud config set project $PROJECT_ID

API を有効にする

次のコマンドを実行して、必要な BigQuery API を有効にします。

gcloud services enable bigquery.googleapis.com \
  bigqueryreservation.googleapis.com

BigQuery の予約と割り当てを作成する

GQL クエリを実行するには、Enterprise エディションまたは Enterprise Plus エディションを使用する予約が必要です。Cloud Shell で自動スケーリングを使用して Enterprise エディションの予約を作成します。

# 1. Create a BigQuery Enterprise reservation with 0 baseline slots and 100 max autoscaling slots
bq mk --reservation \
  --project_id=${GCP_PROJECT} \
  --location=US \
  --edition=ENTERPRISE \
  --slots=0 \
  --autoscale_max_slots=100 \
  --ignore_idle_slots=true \
  drug-interaction-reservation

# 2. Assign your Cloud project to the newly created reservation for query execution
bq mk --reservation_assignment \
  --project_id=${GCP_PROJECT} \
  --location=US \
  --reservation_id=drug-interaction-reservation \
  --job_type=QUERY \
  --assignee_type=PROJECT \
  --assignee_id=${GCP_PROJECT}

3. スキーマを定義してデータを読み込む

まず、グラフ関連のテーブルを格納するデータセットを作成し、サンプルデータを入力する必要があります。

Google Cloud コンソールで [BigQuery Studio] に移動します。
[SQL エディタ] をクリックして、新しいクエリタブを開きます。
次のステートメントを実行して、drug_target_graph データセットを作成します。

CREATE SCHEMA IF NOT EXISTS drug_target_graph
OPTIONS (location = 'US');

次に、BigQuery Studio で次の DDL クエリを実行して、5 つのソーステーブルを作成します。

1. `compounds` テーブルを作成する

薬物分子、作用機序、開発段階、治療領域が含まれます。

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` テーブルを作成する

タンパク質標的、遺伝子名、UniProt ID、標的クラスが含まれます。

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` テーブルを作成する

化合物と標的の結合親和性データ（一次標的とオフターゲット）が含まれます。

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` テーブルを作成する

生物学的経路、関連する疾患領域、がんの関連性が含まれます。

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` テーブルを作成する

標的を参加する生物学的経路にリンクするジャンクションテーブル。

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. プロパティグラフを作成する

テーブルが正常に作成されたので、プロパティグラフ を作成できます。これにより、エッジテーブル（Interactions と Target Pathways）を使用してノード（化合物、標的、経路）がリンクされます。

BigQuery Studio SQL エディタで次のステートメントを実行します。

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)
);

これにより、データセットに drug_target_interaction_graph というグラフが作成されます。

グラフスキーマ

5. クエリ 1: 化合物ごとの完全な標的結合プロファイル

最初のグラフクエリを実行しましょう。これは、次の質問に答える1 ホップトラバーサル です。どの化合物がどの標的に結合し、その親和性はどのくらいですか？

GQL クエリ

SQL エディタで次のクエリを実行します。

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;

結果は次のようになります。

グラフの第 1 四半期の業績

6. クエリ 2: 心臓リスクの検出

ビジネス上の質問

創薬において、有望な化合物が臨床試験で失敗する最も一般的な理由の 1 つは心毒性 です。具体的には、心拍リズムを調節するカリウムイオンチャネルである hERG タンパク質（遺伝子: KCNH2）への意図しない結合です。hERG のオフターゲットヒットは致死性不整脈を引き起こす可能性があり、いくつかの注目度の高い薬物の撤回につながっています。

ここで答える必要がある質問は次のとおりです。

"パイプライン内のどの化合物が hERG タンパク質にオフターゲット結合イベントを起こし、どの心臓経路がリスクにさらされていますか？"

これは2 ホップの質問 です。化合物から標的（hERG）を介して経路にトラバースする必要があります。1 つのクエリで 2 つの関係にまたがる 3 つのエンティティタイプを接続します。

GQL クエリを作成する

BQ SQL エディタで次のクエリを実行します。

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 句が文のように読み取られることに注意してください。"経路に参加する標的に結合する化合物を見つける"。パスに沿って各ノードとエッジにフィルタが適用されます。

結果に表示されるデータは次のとおりです。

グラフ Q2 テーブルの結果

リスクネットワークをグラフとして可視化する

テーブルにはデータが表示されますが、リスクの構造は表示されません。複数の化合物が同じ経路に収束していますか？リスクの高い化合物が 1 つありますか、それとも複数ありますか？

グラフの可視化により、これがすぐにわかります。次のセルを実行して、同じ 2 ホップトラバーサルをインタラクティブネットワークとしてレンダリングします。

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

次のようなグラフが表示されます。

グラフの可視化

グラフ内の各パスは、完全な負担チェーンをトレースします。化合物（青色のノード）は中央の hERG タンパク質に結合し、1 つ以上の心臓経路（緑色のノード）に接続します。テーブル内の行のフラットリストが、可視化されたリスクネットワークになりました。複数の経路にさらされている化合物は、安全性のレビューの優先度が高いものとしてすぐにわかります。

GQL が SQL より優れている理由

標準 SQL で同じ 2 ホップクエリを実行するには、4 つの明示的な結合が必要です。探している関係性ではなく、テーブルを結合する方法を説明するのに認知的な労力を費やしています。GQL を使用すると、質問に集中できます。

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;

さらに詳しく - マルチホップ代謝物リスクの検出

上記のクエリは、hERG タンパク質に直接結合する化合物を特定します。しかし、実際の薬物安全性ワークフローでは、リスクが 1 ステップ削除されることがあります。化合物が体内で代謝的に二次分子（代謝物）に変換され、hERG に結合する可能性があります。これは、直接結合アッセイでは完全に検出できない負担です。

プロパティグラフに代謝物ノードテーブルと METABOLISES_INTO エッジが含まれている場合は、同じ MATCH パターンを 3 ホップトラバーサルに拡張できます。

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

GQL クエリ構造は、ノードとエッジが 1 つずつ変更されます。同等の SQL では、2 つの追加の JOIN が必要になります。これは、グラフトラバーサルが安全性カスケード分析に特に強力なパターンです。クエリの複雑さは線形に増加しますが、生物学的洞察は指数関数的に増加します。

7. クエリ 3: 共有標的化合物ペア

併用療法の候補を見つけるには、2 つの異なる化合物が同じ標的ノードに結合する場合を特定します。双方向一致 を使用して、次の質問に答えます。どの腫瘍学化合物がまったく同じ標的に収束しますか？

SQL エディタで次のクエリを実行します。

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;

結果に表示されるデータは次のとおりです。

グラフの第 3 四半期の業績

グラフの可視化

SQL エディタで次のコードを実行すると、BigQuery でグラフを直接可視化できます。

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

この双方向トラバーサルは、同じタンパク質標的に収束する化合物のペアを表面化します。これは、フラットな相互作用テーブルでは見つけにくいパターンですが、グラフとしてすぐに表示されます。創薬では、共有標的ペアは併用療法の設計の出発点となります。がん経路の同じノードにヒットする 2 つの化合物は、相乗効果を生み出す可能性があります。また、パイプラインで意図しない冗長性を示す可能性もあります。

グラフの可視化

8. クエリ 4: 疾患経路の爆発半径

各化合物の生物学的影響はどの程度ですか？集計を使用した 2 ホップトラバーサル を実行して、次の質問に答えます。各化合物は、疾患領域ごとにグループ化して、生物学的経路と個別の標的にどの程度影響を与えますか？

SQL エディタで次のクエリを実行します。

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;

結果は次のようになります。

Graph q4 Result

9. クエリ 5: 安全な化合物の選択

最後に、腫瘍学のカバー率が高く、hERG（心臓）のオフターゲットの負担を明示的に回避する化合物をクエリします。これは、創薬パイプラインで一般的な安全第一の選択パターンに一致します。

SQL エディタで次のクエリを実行します。

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;

結果に表示される出力は次のとおりです。

グラフ Q5 の結果

BigQuery で高度なグラフトラバーサルを実行して、重要な安全性と有効性のプロファイルを抽出できました。

10. ボーナスセクション: グラフとチャットする

BigQuery の会話型分析で、グラフがナレッジソースとしてサポートされるようになりました。これにより、作成したグラフと自然言語でチャットできます。

はじめに: グラフをナレッジソースとして追加する

まず、こちらの手順に沿って会話型エージェントを作成しますこちら。検索バーで作成したグラフを選択します。

グラフの会話型分析の設定

BigQuery の会話型分析を使用してグラフとチャットする

ナレッジソースをグラフとして追加したら、残りの会話型分析エージェントの設定を完了します。

グラフと自然言語でチャットを開始できます。

グラフとチャットする

その他の質問

現在第 2 相試験中の化合物の標的は何ですか？
心血管化合物と腫瘍学化合物で共有されている標的は何ですか？

11. クリーンアップ

Google Cloud アカウントに継続的に課金されないようにするには、この Codelab で作成したリソースを削除します。

次のクエリを実行して、スキーマとすべてのテーブルをカスケード的に削除します。

DROP SCHEMA IF EXISTS drug_target_graph CASCADE;

12. 完了

おめでとうございます！BigQuery Graph を使用して、薬物と標的の相互作用ネットワークをモデル化し、分析できました。

学習した内容

エンティティ関係（化合物、標的、経路）をプロパティグラフとしてモデル化する方法。
スキーマを定義して BigQuery でプロパティグラフを作成する方法。
GQL を使用して複雑なグラフトラバーサルを作成し、従来の SQL と比較する方法。
GRAPH_TABLE、MATCH、双方向一致を利用して、ライフサイエンスドメインの問題を解決する方法。

BigQuery Graph で薬物相互作用を分析する

1. はじめに

🧬 ユースケース - 薬物と標的の相互作用ネットワーク

🔍 デモクエリ

演習内容

必要なもの

2. 始める前に

Google Cloud プロジェクトの作成

Cloud Shell の起動

API を有効にする

BigQuery の予約と割り当てを作成する

3. スキーマを定義してデータを読み込む

1. compounds テーブルを作成する

2. targets テーブルを作成する

3. interactions テーブルを作成する

4. pathways テーブルを作成する

5. target_pathways テーブルを作成する

4. プロパティ グラフを作成する

5. クエリ 1: 化合物ごとの完全な標的結合プロファイル

GQL クエリ

6. クエリ 2: 心臓リスクの検出

ビジネス上の質問

GQL クエリを作成する

リスク ネットワークをグラフとして可視化する

GQL が SQL より優れている理由

さらに詳しく - マルチホップ代謝物リスクの検出

7. クエリ 3: 共有標的化合物ペア

グラフの可視化

8. クエリ 4: 疾患経路の爆発半径

9. クエリ 5: 安全な化合物の選択

10. ボーナス セクション: グラフとチャットする

はじめに: グラフをナレッジソースとして追加する

BigQuery の会話型分析を使用してグラフとチャットする

その他の質問

11. クリーンアップ

12. 完了

学習した内容

リファレンス ドキュメント

1. `compounds` テーブルを作成する

2. `targets` テーブルを作成する

3. `interactions` テーブルを作成する

4. `pathways` テーブルを作成する

5. `target_pathways` テーブルを作成する

4. プロパティグラフを作成する

リスクネットワークをグラフとして可視化する

10. ボーナスセクション: グラフとチャットする

リファレンスドキュメント