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

Analisar interações medicamentosas com o BigQuery Graph

1. Introdução

Neste codelab, você vai aprender a usar o BigQuery Graph para modelar e analisar uma rede de interação entre medicamentos e alvos. Você vai aproveitar o poder das consultas de gráficos (GQL) para descobrir como os medicamentos interagem com alvos biológicos, identificar possíveis efeitos colaterais (como riscos cardíacos) e descobrir possíveis terapias combinadas.

🧬 Caso de uso: rede de interação entre medicamentos e alvos

Pergunta de negócios:qual é o raio de impacto completo de um composto? A quais alvos ele se liga, quais vias biológicas são afetadas e quais áreas de doenças estão implicadas?

Tabelas :

Tabela	Descrição
`compounds`	Moléculas de medicamentos com mecanismo de ação e estágio de desenvolvimento
`targets`	Alvos de proteínas com nomes de genes e IDs UniProt
`interactions`	Afinidade de ligação de composto-alvo (alvos principais + alvos secundários)
`pathways`	Vias biológicas com associações de áreas de doenças
`target_pathways`	Tabela de junção que vincula alvos às vias em que eles participam

Modelo de gráfico de propriedades :

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

Esquema de gráfico

🔍 Consultas de demonstração

Consulta	O que ela mostra
Q1: perfil de ligação de destino	Travessia de 1 salto: composto para todos os alvos principais e secundários
Q2: detecção de risco cardíaco hERG	Travessia de 2 saltos: composto → alvo hERG → via cardíaca
Q3: pares de compostos de destino compartilhado	Correspondência bidirecional: dois compostos convergindo no mesmo nó de destino
Q4: raio de explosão da via de doenças	Agregação de 2 saltos: cobertura completa da via e da área de doenças por composto
Q5: seleção de compostos seguros	Compostos com alta cobertura oncológica, mas sem responsabilidade cardíaca hERG

Atividades deste laboratório

Criar um conjunto de dados e um esquema do BigQuery para a rede de interação de medicamentos
Carregar dados de amostra (compostos, alvos, interações, vias, vias de destino)
Criar um gráfico de propriedades no BigQuery conectando essas entidades
Consultar o gráfico para entender as interações de compostos, as vias biológicas e o raio de explosão de doenças usando travessias de gráficos (GRAPH_TABLE e MATCH)
Comparar GQL e SQL padrão lado a lado para entender a simplicidade e o poder expressivo da sintaxe de gráficos

O que é necessário

Um navegador da web, como o Chrome
Tenha um projeto na nuvem do Google Cloud com o faturamento ativado.

Este codelab é destinado a desenvolvedores de todos os níveis, incluindo iniciantes.

2. Antes de começar

Criar um projeto do Google Cloud

No Console do Google Cloud, selecione ou crie um projeto na nuvem do Google Cloud.
Verifique se o faturamento está ativado para seu projeto na nuvem.

Iniciar o Cloud Shell

Clique em Ativar o Cloud Shell na parte de cima do console do Google Cloud.
Verificar a autenticação:

gcloud auth list

Confirmar seu projeto:

gcloud config get project

Defina, se necessário:

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

Ativar APIs

Execute este comando para ativar a API BigQuery necessária:

gcloud services enable bigquery.googleapis.com

3. Definir o esquema e carregar dados

Primeiro, você precisa criar um conjunto de dados para armazenar as tabelas relacionadas ao gráfico e preenchê-las com dados de amostra.

Acesse o BigQuery Studio no console do Google Cloud.
Clique no Editor SQL para abrir uma nova guia de consulta.
Execute a seguinte instrução para criar o conjunto de dados drug_target_graph:

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

Agora, crie as cinco tabelas de origem executando as seguintes consultas DDL no BigQuery Studio.

1. Criar tabela `compounds`

Contém moléculas de medicamentos, mecanismo de ação, estágio de desenvolvimento e área terapêutica.

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. Criar tabela `targets`

Contém alvos de proteínas, nomes de genes, IDs UniProt e classes de destino.

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. Criar tabela `interactions`

Contém dados de afinidade de ligação de composto-alvo (alvos principais x alvos secundários).

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. Criar tabela `pathways`

Contém vias biológicas, áreas de doenças associadas e relevância do câncer.

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. Criar tabela `target_pathways`

Uma tabela de junção que vincula alvos às vias biológicas em que eles participam.

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. Criar o gráfico de propriedades

Com as tabelas criadas, agora você pode construir o gráfico de propriedades. Isso vincula nós (compostos, alvos, vias) usando tabelas de arestas (Interactions e Target Pathways).

Execute a seguinte instrução no editor SQL do 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)
);

Isso cria um gráfico chamado drug_target_interaction_graph no conjunto de dados.

Esquema de gráfico

5. Consulta 1: perfil completo de ligação de destino por composto

Vamos executar nossa primeira consulta de gráfico. Esta é uma travessia de 1 salto que responde a: Quais compostos se ligam a quais alvos e qual é a afinidade deles?

Consulta GQL

Execute a seguinte consulta no 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;

Confira o que vai aparecer nos resultados:

Gráfico do resultado do 1º trimestre

6. Consulta 2: detecção de risco cardíaco

A pergunta de negócios

Na descoberta de medicamentos, um dos motivos mais comuns para um composto promissor falhar em ensaios clínicos é a cardiotoxicidade , especificamente, a ligação não intencional à proteína hERG (gene: KCNH2), um canal de íons de potássio que regula o ritmo cardíaco. Um acerto fora do alvo no hERG pode causar arritmias fatais e foi responsável por várias retiradas de medicamentos de alto nível.

A pergunta que queremos responder é:

"Quais compostos no nosso pipeline têm um evento de ligação fora do alvo na proteína hERG e quais vias cardíacas isso coloca em risco?"

Esta é uma pergunta de 2 saltos: precisamos atravessar de um composto, por um alvo (hERG), para uma via, conectando três tipos de entidades em duas relações em uma única consulta.

Escrever a consulta GQL

Execute a seguinte consulta no editor SQL do 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;

Observe como a cláusula MATCH é lida quase como uma frase: "Encontre um composto que se ligue a um alvo que participe de um Programa de treinamentos" , com os filtros aplicados em cada nó e aresta ao longo do caminho.

Confira os dados que vão aparecer nos resultados:

Gráfico de resultados da tabela do 2º trimestre

Visualizar a rede de risco como um gráfico

Uma tabela mostra os dados, mas não a estrutura do risco. Vários compostos estão convergindo na mesma via? Há um ou vários compostos de alto risco?

Uma visualização de gráfico torna isso imediatamente visível. Execute a célula abaixo para renderizar a mesma travessia de 2 saltos como uma rede interativa:

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

Você verá um gráfico como este:

Visualização de gráfico

Cada caminho no gráfico rastreia uma cadeia de responsabilidade completa: um composto (nós azuis) se liga à proteína hERG no centro, que se conecta a uma ou mais vias cardíacas (nós verdes). O que era uma lista simples de linhas na tabela agora é uma rede de risco visível. Os compostos com várias exposições de vias se destacam imediatamente como prioridade maior para revisão de segurança.

Confira por que o GQL é mais elegante que o SQL

Para executar a mesma consulta de 2 saltos no SQL padrão, você precisa de quatro junções explícitas. Você está gastando esforço cognitivo descrevendo como unir tabelas em vez de qual relação está procurando. O GQL permite que você se concentre na pergunta.

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;

Aprofundamento: detecção de risco de metabólito de vários saltos

A consulta acima identifica compostos que se ligam diretamente à proteína hERG. No entanto, em fluxos de trabalho de segurança de medicamentos reais, o risco às vezes é uma etapa removida: um composto pode ser convertido metabolicamente no corpo em uma molécula secundária (um metabólito) que se liga ao hERG, uma responsabilidade que os ensaios de ligação direta podem perder completamente.

Se o gráfico de propriedades incluísse uma tabela de nós de metabólito e uma aresta METABOLISES_INTO, você poderia estender o mesmo padrão MATCH para uma travessia de 3 saltos:

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

A estrutura de consulta GQL mudaria exatamente um nó e uma aresta. O SQL equivalente exigiria duas junções adicionais. Esse é o padrão que torna a travessia de gráficos particularmente poderosa para a análise de cascata de segurança. A complexidade da consulta cresce linearmente, enquanto o insight biológico cresce exponencialmente.

7. Consulta 3: pares de compostos de destino compartilhado

Para encontrar candidatos para terapia combinada, podemos identificar quando dois compostos diferentes se ligam ao mesmo nó de destino. Usamos uma correspondência bidirecional para responder: Quais compostos oncológicos convergem no mesmo destino?

Execute a seguinte consulta no 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;

Confira os dados que vão aparecer nos resultados:

Gráfico do resultado do 3º trimestre

Visualização de gráfico

Você pode visualizar o gráfico diretamente no BigQuery executando o código a seguir no 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

Essa travessia bidirecional mostra pares de compostos que convergem no mesmo alvo de proteína, um padrão difícil de detectar em uma tabela de interações simples, mas imediatamente visível como um gráfico. Na descoberta de medicamentos, os pares de destino compartilhado são o ponto de partida para o design de terapia combinada: dois compostos que atingem o mesmo nó em uma via de câncer podem produzir um efeito sinérgico ou, alternativamente, sinalizar uma redundância não intencional no pipeline.

Visualização de gráfico

8. Consulta 4: raio de explosão da via de doenças

Qual é o impacto biológico de cada composto? Vamos realizar uma travessia de 2 saltos com agregação para responder: Quantas vias biológicas e alvos distintos cada composto afeta, agrupados por área de doenças?

Execute a seguinte consulta no 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;

Confira o que vai aparecer nos resultados:

Gráfico do resultado do 4º trimestre

9. Consulta 5: seleção de compostos seguros

Por fim, vamos consultar compostos que têm alta cobertura oncológica, mas evitam explicitamente responsabilidades fora do alvo hERG (cardíaco). Isso corresponde a padrões comuns de seleção de segurança em pipelines de descoberta de medicamentos.

Execute a seguinte consulta no 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;

Confira a saída que vai aparecer nos resultados:

Gráfico do resultado da pergunta 5

Você executou travessias de gráficos avançadas no BigQuery para extrair perfis de segurança e eficácia importantes.

10. Seção bônus: conversar com o gráfico

O BigQuery Conversational Analytics agora oferece suporte a gráficos como uma fonte de conhecimento. Isso permite que você converse com o gráfico que acabou de criar em linguagem natural.

Introdução: adicionar um gráfico como fonte de conhecimento

Para começar, crie um agente de conversação seguindo as etapas aqui. Selecione o gráfico criado na barra de pesquisa.

Configurar a análise conversacional de gráficos

Usar o BigQuery Conversational Analytics para conversar com o gráfico

Depois de adicionar a fonte de conhecimento como gráfico, conclua o restante da configuração do agente de análise de conversação .

Em seguida, você pode começar a conversar com o gráfico em linguagem natural.

Converse com seu gráfico!

Outras perguntas

Quais são todos os alvos para compostos atualmente em ensaios de fase 2?
Quais alvos são compartilhados entre compostos cardiovasculares e oncológicos?

11. Limpar

Para evitar cobranças contínuas na sua conta do Google Cloud, exclua os recursos criados durante este codelab.

Execute a consulta a seguir para remover o esquema e todas as tabelas em cascata:

DROP SCHEMA IF EXISTS drug_target_graph CASCADE;

12. Parabéns

Parabéns! Você modelou e analisou uma rede de interação entre medicamentos e alvos usando o BigQuery Graph.

O que você aprendeu

Como modelar relações de entidades (compostos, alvos, vias) como um gráfico de propriedades.
Como definir o esquema e criar um gráfico de propriedades no BigQuery.
Como escrever travessias de gráficos complexas usando GQL e compará-las ao SQL tradicional.
Como aproveitar GRAPH_TABLE, MATCH e correspondência bidirecional para resolver problemas de domínio de ciências da vida.

Analisar interações medicamentosas com o BigQuery Graph

1. Introdução

🧬 Caso de uso: rede de interação entre medicamentos e alvos

🔍 Consultas de demonstração

Atividades deste laboratório

O que é necessário

2. Antes de começar

Criar um projeto do Google Cloud

Iniciar o Cloud Shell

Ativar APIs

3. Definir o esquema e carregar dados

1. Criar tabela compounds

2. Criar tabela targets

3. Criar tabela interactions

4. Criar tabela pathways

5. Criar tabela target_pathways

4. Criar o gráfico de propriedades

5. Consulta 1: perfil completo de ligação de destino por composto

Consulta GQL

6. Consulta 2: detecção de risco cardíaco

A pergunta de negócios

Escrever a consulta GQL

Visualizar a rede de risco como um gráfico

Confira por que o GQL é mais elegante que o SQL

Aprofundamento: detecção de risco de metabólito de vários saltos

7. Consulta 3: pares de compostos de destino compartilhado

Visualização de gráfico

8. Consulta 4: raio de explosão da via de doenças

9. Consulta 5: seleção de compostos seguros

10. Seção bônus: conversar com o gráfico

Introdução: adicionar um gráfico como fonte de conhecimento

Usar o BigQuery Conversational Analytics para conversar com o gráfico

Outras perguntas

11. Limpar

12. Parabéns

O que você aprendeu

Documentos de referência

1. Criar tabela `compounds`

2. Criar tabela `targets`

3. Criar tabela `interactions`

4. Criar tabela `pathways`

5. Criar tabela `target_pathways`