Google uses AI technology to translate content into your preferred language. AI translations can contain errors.

Analizzare le interazioni farmacologiche con BigQuery Graph

1. Introduzione

In questo codelab imparerai a utilizzare BigQuery Graph per modellare e analizzare una rete di interazione farmaco-target. Sfrutterai la potenza delle query sui grafici (GQL) per esplorare in che modo i farmaci interagiscono con i target biologici, identificare potenziali effetti collaterali (come i rischi cardiaci) e scoprire potenziali terapie combinate.

🧬 Caso d'uso: rete di interazione farmaco-target

Domanda aziendale: qual è il raggio di esplosione completo di un composto: a quali target si lega, quali percorsi biologici sono interessati e quali aree di malattia sono coinvolte?

Tabelle:

Tabella	Descrizione
`compounds`	Molecole di farmaci con meccanismo di azione e fase di sviluppo
`targets`	Target proteici con nomi di geni e ID UniProt
`interactions`	Affinità di legame composto-target (target primari + off-target)
`pathways`	Percorsi biologici con associazioni di aree di malattia
`target_pathways`	Tabella di giunzione che collega i target ai percorsi in cui partecipano

Modello di grafico delle proprietà:

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

Schema del grafico

🔍 Query dimostrative

Query	Informazioni riportate
Q1: profilo di legame target	Attraversamento di 1 hop: composto a tutti i target primari e off-target
Q2: rilevamento del rischio cardiaco hERG	Attraversamento di 2 hop: composto → target hERG → percorso cardiaco
Q3: coppie di composti con target condivisi	Corrispondenza bidirezionale: due composti che convergono sullo stesso nodo target
Q4: raggio di impatto del percorso della patologia	Aggregazione a 2 hop: copertura completa del percorso e dell'area di patologia per composto
Q5: selezione di composti sicuri	Composti con elevata copertura oncologica, ma senza responsabilità cardiaca hERG

In questo lab proverai a:

Creare un set di dati e uno schema BigQuery per la rete di interazione farmaco-target
Caricare dati di esempio (composti, target, interazioni, percorsi, percorsi target)
Creare un grafico delle proprietà in BigQuery che colleghi queste entità
Eseguire query sul grafo per comprendere le interazioni dei composti, i percorsi biologici e il raggio di impatto della patologia utilizzando gli attraversamenti del grafo (GRAPH_TABLE e MATCH)
Confrontare GQL e SQL standard per comprendere la semplicità e la potenza espressiva della sintassi del grafico

Che cosa ti serve

Un browser web come Chrome
Un progetto cloud Google Cloud con la fatturazione abilitata

Questo codelab è rivolto a sviluppatori di tutti i livelli, inclusi i principianti.

2. Prima di iniziare

Crea un progetto Google Cloud

Nella console Google Cloud, seleziona o crea un progetto Google Cloud.
Verifica che la fatturazione sia attivata per il tuo progetto Cloud.

Avvia Cloud Shell

Fai clic su Attiva Cloud Shell nella parte superiore della console Google Cloud.
Verifica l'autenticazione:

gcloud auth list

Conferma il progetto:

gcloud config get project

Impostalo se necessario:

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

Abilita API

Esegui questo comando per abilitare l'API BigQuery richiesta:

gcloud services enable bigquery.googleapis.com

3. Definisci lo schema e carica i dati

Innanzitutto, devi creare un set di dati per archiviare le tabelle correlate al grafico e popolarle con dati di esempio.

Vai a BigQuery Studio nella console Google Cloud.
Fai clic su Editor SQL per aprire una nuova scheda di query.
Esegui la seguente istruzione per creare il set di dati drug_target_graph:

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

Ora crea le 5 tabelle di origine eseguendo le seguenti query DDL in BigQuery Studio.

1. Crea la tabella `compounds`

Contiene molecole di farmaci, il loro meccanismo di azione, la fase di sviluppo e l'area terapeutica.

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. Crea la tabella `targets`

Contiene target proteici, nomi di geni, ID UniProt e classi di target.

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. Crea la tabella `interactions`

Contiene i dati sull'affinità di legame composto-target (target primari rispetto a off-target).

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. Crea la tabella `pathways`

Contiene percorsi biologici, aree di patologia associate e pertinenza del cancro.

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. Crea la tabella `target_pathways`

Una tabella di giunzione che collega i target ai percorsi biologici in cui partecipano.

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. Crea il grafico delle proprietà

Ora che le tabelle sono state create correttamente, puoi creare il grafico delle proprietà. Questo collega i nodi (composti, target, percorsi) utilizzando le tabelle degli archi (Interactions e Target Pathways).

Esegui la seguente istruzione nell'editor SQL di 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)
);

Viene creato un grafico denominato drug_target_interaction_graph nel set di dati.

Schema del grafico

5. Query 1: profilo di legame target completo per composto

Eseguiamo la nostra prima query sul grafico. Si tratta di un attraversamento di 1 hop che risponde alla domanda: quali composti si legano a quali target e qual è la loro affinità?

Query GQL

Esegui la seguente query nell'editor 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;

Ecco cosa vedrai nei risultati:

Grafico dei risultati del primo trimestre

6. Query 2: rilevamento del rischio cardiaco

La domanda aziendale

Nella scoperta di farmaci, uno dei motivi più comuni per cui un composto promettente fallisce negli studi clinici è la cardiotossicità, in particolare il legame non intenzionale alla proteina hERG (gene: KCNH2), un canale ionico di potassio che regola il ritmo cardiaco. Un hit off-target su hERG può causare aritmie fatali ed è stato responsabile di diversi ritiri di farmaci di alto profilo.

La domanda a cui vogliamo rispondere è:

"Quali composti nella nostra pipeline hanno un evento di legame off-target sulla proteina hERG e quali percorsi cardiaci mettono a rischio?"

Si tratta di una domanda di 2 hop: dobbiamo attraversare un composto, un target (hERG) e un percorso, collegando tre tipi di entità in due relazioni in una singola query.

Scrivi la query GQL

Esegui la seguente query nell'editor SQL di BQ:

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

Nota come la clausola MATCH si legge quasi come una frase: "Trova un composto che si lega a un target che partecipa a un percorso" , con i filtri applicati a ogni nodo e arco lungo il percorso.

Ecco i dati che vedrai nei risultati:

Tabella del grafico T2

Visualizza la rete di rischio come grafico

Una tabella mostra i dati, ma non la struttura del rischio. Più composti convergono sullo stesso percorso? Esiste un composto ad alto rischio o più?

Una visualizzazione del grafico lo rende immediatamente visibile. Esegui la cella seguente per eseguire il rendering dello stesso attraversamento di 2 hop come rete interattiva:

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

Dovresti vedere un grafico simile a questo:

Visualizzazione del grafico

Ogni percorso nel grafico traccia una catena di responsabilità completa: un composto (nodi blu) si lega alla proteina hERG al centro, che si collega a uno o più percorsi cardiaci (nodi verdi). Quella che era una lista piatta di righe nella tabella è ora una rete di rischio visibile: i composti con più esposizioni ai percorsi si distinguono immediatamente come priorità più alta per la revisione della sicurezza.

Scopri perché GQL è più elegante di SQL

Per eseguire la stessa query di 2 hop in SQL standard, sono necessari 4 join espliciti. Stai dedicando uno sforzo cognitivo a descrivere come unire le tabelle anziché quale relazione stai cercando. GQL ti consente di concentrarti sulla domanda.

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;

Approfondimento: rilevamento del rischio di metaboliti multi-hop

La query precedente identifica i composti che si legano direttamente alla proteina hERG. Tuttavia, nei flussi di lavoro reali per la sicurezza dei farmaci, il rischio è a volte un passo in meno: un composto può essere convertito metabolicamente nel corpo in una molecola secondaria (un metabolita) che poi si lega a hERG, una responsabilità che i test di legame diretto possono perdere completamente.

Se il grafico delle proprietà include una tabella dei nodi Metabolite e un arco METABOLISES_INTO, puoi estendere lo stesso pattern MATCH a un attraversamento di 3 hop:

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

La struttura della query GQL cambierebbe esattamente di un nodo e un arco. L'SQL equivalente richiederebbe due JOIN aggiuntivi. Questo è il pattern che rende l'attraversamento del grafico particolarmente potente per l'analisi della cascata di sicurezza: la complessità della query cresce linearmente, mentre l'insight biologico cresce in modo esponenziale.

7. Query 3: coppie di composti con target condivisi

Per trovare candidati per la terapia combinata, possiamo identificare quando due composti diversi si legano allo stesso nodo target. Utilizziamo una corrispondenza bidirezionale per rispondere alla domanda: quali composti oncologici convergono sullo stesso target?

Esegui la seguente query nell'editor 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;

Ecco i dati che vedrai nei risultati:

Grafico dei risultati del 3° trimestre

Visualizzazione del grafico

Puoi visualizzare il grafico direttamente in BigQuery eseguendo il seguente codice nell'editor 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

Questo attraversamento bidirezionale mostra le coppie di composti che convergono sullo stesso target proteico, un pattern difficile da individuare in una tabella di interazioni piatta, ma immediatamente visibile come grafico. Nella scoperta di farmaci, le coppie di target condivisi sono il punto di partenza per la progettazione della terapia combinata: due composti che colpiscono lo stesso nodo in un percorso oncologico possono produrre un effetto sinergico o, in alternativa, segnalare una ridondanza non intenzionale nella pipeline

Visualizzazione del grafico

8. Query 4: raggio di impatto del percorso della patologia

Quanto è ampio l'impatto biologico di ogni composto? Eseguiamo un attraversamento di 2 hop con aggregazione per rispondere alla domanda: quanti percorsi biologici e target distinti influiscono su ogni composto, raggruppati per area di malattia?

Esegui la seguente query nell'editor 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;

Ecco cosa vedrai nei risultati:

Grafico q4 Result

9. Query 5: selezione di composti sicuri

Infine, eseguiamo una query per i composti che hanno un'elevata copertura oncologica, ma evitano esplicitamente le responsabilità off-target hERG (cardiache). Questo corrisponde ai pattern di selezione comuni con priorità alla sicurezza nelle pipeline di scoperta di farmaci.

Esegui la seguente query nell'editor 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;

Ecco l'output che vedrai nei risultati:

Grafico del risultato della domanda 5

Hai eseguito correttamente attraversamenti di grafici avanzati in BigQuery per estrarre i profili chiave di sicurezza ed efficacia.

10. Sezione bonus: chatta con il tuo grafico

L'analisi conversazionale di BigQuery ora supporta i grafici come fonte di conoscenza. In questo modo puoi chattare con il grafico che hai appena creato in linguaggio naturale.

Inizia: aggiungi un grafico come fonte di conoscenza

Per iniziare, crea un agente conversazionale seguendo i passaggi indicati qui. Seleziona il grafico che hai creato dalla barra di ricerca.

Configurazione di Analisi conversazionale del grafico

Utilizza l'analisi conversazionale di BigQuery per chattare con il tuo grafico

Dopo aver aggiunto la fonte di conoscenza come grafico, completa il resto della configurazione dell'agente di analisi conversazionale.

A questo punto puoi iniziare a chattare con il tuo grafico in linguaggio naturale.

Chatta con il tuo grafico.

Ulteriori domande

Quali sono tutti i target per i composti attualmente in studi di fase 2?
Quali target sono condivisi tra i composti cardiovascolari e oncologici?

11. Libera spazio

Per evitare addebiti continui sul tuo account Google Cloud, elimina le risorse create durante questo codelab.

Esegui la seguente query per eliminare lo schema e tutte le tabelle in modo a cascata:

DROP SCHEMA IF EXISTS drug_target_graph CASCADE;

12. Complimenti

Complimenti! Hai modellato e analizzato correttamente una rete di interazione farmaco-target utilizzando BigQuery Graph.

Che cosa hai imparato

Come modellare le relazioni tra entità (composti, target, percorsi) come grafico delle proprietà.
Come definire lo schema e creare un grafico delle proprietà in BigQuery.
Come scrivere attraversamenti di grafici complessi utilizzando GQL e confrontarli con SQL tradizionale.
Come sfruttare GRAPH_TABLE, MATCH e la corrispondenza bidirezionale per risolvere i problemi del dominio delle scienze della vita.

Analizzare le interazioni farmacologiche con BigQuery Graph

1. Introduzione

🧬 Caso d'uso: rete di interazione farmaco-target

🔍 Query dimostrative

In questo lab proverai a:

Che cosa ti serve

2. Prima di iniziare

Crea un progetto Google Cloud

Avvia Cloud Shell

Abilita API

3. Definisci lo schema e carica i dati

1. Crea la tabella compounds

2. Crea la tabella targets

3. Crea la tabella interactions

4. Crea la tabella pathways

5. Crea la tabella target_pathways

4. Crea il grafico delle proprietà

5. Query 1: profilo di legame target completo per composto

Query GQL

6. Query 2: rilevamento del rischio cardiaco

La domanda aziendale

Scrivi la query GQL

Visualizza la rete di rischio come grafico

Scopri perché GQL è più elegante di SQL

Approfondimento: rilevamento del rischio di metaboliti multi-hop

7. Query 3: coppie di composti con target condivisi

Visualizzazione del grafico

8. Query 4: raggio di impatto del percorso della patologia

9. Query 5: selezione di composti sicuri

10. Sezione bonus: chatta con il tuo grafico

Inizia: aggiungi un grafico come fonte di conoscenza

Utilizza l'analisi conversazionale di BigQuery per chattare con il tuo grafico

Ulteriori domande

11. Libera spazio

12. Complimenti

Che cosa hai imparato

Documenti di riferimento

1. Crea la tabella `compounds`

2. Crea la tabella `targets`

3. Crea la tabella `interactions`

4. Crea la tabella `pathways`

5. Crea la tabella `target_pathways`