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

Phân tích tương tác thuốc bằng BigQuery Graph

1. Giới thiệu

Trong lớp học lập trình này, bạn sẽ tìm hiểu cách sử dụng BigQuery Graph để mô hình hoá và phân tích mạng lưới tương tác giữa thuốc và mục tiêu. Bạn sẽ tận dụng sức mạnh của các truy vấn biểu đồ (GQL) để khám phá cách thuốc tương tác với các mục tiêu sinh học, xác định các tác dụng phụ tiềm ẩn (chẳng hạn như nguy cơ tim mạch) và khám phá các liệu pháp kết hợp tiềm ẩn.

🧬 Trường hợp sử dụng – Mạng lưới tương tác giữa thuốc và mục tiêu

Câu hỏi về doanh nghiệp: Bán kính ảnh hưởng đầy đủ của một hợp chất là gì – hợp chất đó liên kết với mục tiêu nào, đường dẫn sinh học nào bị ảnh hưởng và những lĩnh vực bệnh nào có liên quan?

Bảng:

Bảng	Mô tả
`compounds`	Các phân tử thuốc có cơ chế hoạt động và giai đoạn phát triển
`targets`	Các mục tiêu protein có tên gen và mã nhận dạng UniProt
`interactions`	Ái lực liên kết giữa hợp chất và mục tiêu (mục tiêu chính + mục tiêu phụ)
`pathways`	Các đường dẫn sinh học có mối liên kết với lĩnh vực bệnh
`target_pathways`	Bảng giao nhau liên kết các mục tiêu với các đường dẫn mà chúng tham gia

Mô hình biểu đồ thuộc tính:

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

Giản đồ biểu đồ

🔍 Truy vấn minh hoạ

Truy vấn	Nội dung hiển thị
Câu hỏi 1: Hồ sơ liên kết mục tiêu	Truyền tải 1 bước – hợp chất đến tất cả mục tiêu chính và mục tiêu phụ
Câu hỏi 2: Phát hiện nguy cơ tim mạch hERG	Truyền tải 2 bước – hợp chất → mục tiêu hERG → đường dẫn tim mạch
Câu hỏi 3: Các cặp hợp chất có mục tiêu chung	So khớp hai chiều – hai hợp chất hội tụ trên cùng một nút mục tiêu
Câu hỏi 4: Bán kính ảnh hưởng của đường dẫn bệnh	Tổng hợp 2 bước – phạm vi bao phủ đầy đủ của đường dẫn và lĩnh vực bệnh cho mỗi hợp chất
Câu hỏi 5: Lựa chọn hợp chất an toàn	Các hợp chất có phạm vi bao phủ cao về ung thư nhưng không có nguy cơ tim mạch hERG

Bạn sẽ thực hiện

Tạo tập dữ liệu và lược đồ BigQuery cho mạng lưới tương tác giữa thuốc
Tải dữ liệu mẫu (Hợp chất, Mục tiêu, Tương tác, Đường dẫn, Đường dẫn mục tiêu)
Tạo Biểu đồ thuộc tính trong BigQuery kết nối các thực thể này
Truy vấn biểu đồ để hiểu các tương tác giữa hợp chất, đường dẫn sinh học và bán kính ảnh hưởng của bệnh bằng cách sử dụng tính năng truyền tải biểu đồ (GRAPH_TABLE và MATCH)
So sánh GQL và SQL tiêu chuẩn để hiểu tính đơn giản và sức mạnh biểu đạt của cú pháp biểu đồ

Bạn cần có

Trình duyệt web như Chrome
Dự án trên Google Cloud đã bật tính năng thanh toán

Lớp học lập trình này dành cho nhà phát triển ở mọi cấp độ, kể cả người mới bắt đầu.

2. Trước khi bắt đầu

Tạo một dự án trên Google Cloud

Trong Bảng điều khiển Google Cloud, hãy chọn hoặc tạo một dự án trên Google Cloud.
Đảm bảo rằng bạn đã bật tính năng thanh toán cho dự án trên Cloud.

Bắt đầu Cloud Shell

Nhấp vào Kích hoạt Cloud Shell ở đầu bảng điều khiển Cloud.
Xác minh quy trình xác thực:

gcloud auth list

Xác nhận dự án của bạn:

gcloud config get project

Đặt dự án nếu cần:

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

Bật API

Chạy lệnh này để bật API BigQuery bắt buộc:

gcloud services enable bigquery.googleapis.com

3. Xác định lược đồ và tải dữ liệu

Trước tiên, bạn cần tạo một tập dữ liệu để lưu trữ các bảng liên quan đến biểu đồ và điền dữ liệu mẫu vào các bảng đó.

Chuyển đến BigQuery Studio trong Bảng điều khiển Google Cloud.
Nhấp vào Trình chỉnh sửa SQL để mở thẻ truy vấn mới.
Chạy câu lệnh sau để tạo tập dữ liệu drug_target_graph:

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

Bây giờ, hãy tạo 5 bảng nguồn bằng cách chạy các truy vấn DDL sau trong BigQuery Studio.

1. Tạo bảng `compounds`

Chứa các phân tử thuốc, cơ chế hoạt động, giai đoạn phát triển và lĩnh vực điều trị.

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. Tạo bảng `targets`

Chứa các mục tiêu protein, tên gen, mã nhận dạng UniProt và các lớp mục tiêu.

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. Tạo bảng `interactions`

Chứa dữ liệu về ái lực liên kết giữa hợp chất và mục tiêu (mục tiêu chính so với mục tiêu phụ).

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. Tạo bảng `pathways`

Chứa các đường dẫn sinh học, các lĩnh vực bệnh liên quan và mức độ liên quan đến ung thư.

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. Tạo bảng `target_pathways`

Bảng giao nhau liên kết các mục tiêu với các đường dẫn sinh học mà chúng tham gia.

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. Tạo biểu đồ thuộc tính

Sau khi tạo thành công các bảng, bạn có thể tạo biểu đồ thuộc tính. Biểu đồ này liên kết các nút (Hợp chất, Mục tiêu, Đường dẫn) bằng cách sử dụng các bảng cạnh (Interactions và Target Pathways).

Chạy câu lệnh sau trong Trình chỉnh sửa SQL của 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)
);

Thao tác này sẽ tạo một biểu đồ có tên là drug_target_interaction_graph trong tập dữ liệu của bạn.

Giản đồ biểu đồ

5. Truy vấn 1: Hồ sơ liên kết mục tiêu đầy đủ cho mỗi hợp chất

Hãy chạy truy vấn biểu đồ đầu tiên. Đây là truyền tải 1 bước giúp trả lời câu hỏi: Hợp chất nào liên kết với mục tiêu nào và ái lực của chúng là gì?

Truy vấn GQL

Chạy truy vấn sau trong Trình chỉnh sửa 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;

Sau đây là nội dung bạn sẽ thấy trong kết quả:

Biểu đồ kết quả quý 1

6. Truy vấn 2: Phát hiện nguy cơ tim mạch

Câu hỏi về doanh nghiệp

Trong quá trình khám phá thuốc, một trong những lý do phổ biến nhất khiến một hợp chất đầy hứa hẹn thất bại trong các thử nghiệm lâm sàng là độc tính tim mạch – cụ thể là liên kết không chủ ý với protein hERG (gen: KCNH2), một kênh ion kali điều chỉnh nhịp tim. Tác động phụ trên hERG có thể gây ra chứng rối loạn nhịp tim gây tử vong và là nguyên nhân của một số trường hợp thu hồi thuốc nổi tiếng.

Câu hỏi chúng ta muốn trả lời là:

"Những hợp chất nào trong quy trình của chúng tôi có sự kiện liên kết phụ trên protein hERG và những đường dẫn tim mạch nào có nguy cơ?"

Đây là câu hỏi 2 bước: chúng ta cần truyền tải từ Hợp chất, thông qua Mục tiêu (hERG), đến Đường dẫn – kết nối 3 loại thực thể trên 2 mối quan hệ trong một truy vấn.

Viết truy vấn GQL

Chạy truy vấn sau trong Trình chỉnh sửa SQL 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;

Lưu ý cách mệnh đề MATCH đọc gần giống như một câu: "Tìm một Hợp chất liên kết với một Mục tiêu tham gia vào một Đường dẫn" – với các bộ lọc được áp dụng ở mỗi nút và cạnh dọc theo đường dẫn.

Sau đây là dữ liệu bạn sẽ thấy trong kết quả:

Kết quả dưới dạng biểu đồ cho bảng Quý 2

Trực quan hoá mạng lưới rủi ro dưới dạng biểu đồ

Một bảng cho chúng ta thấy dữ liệu – nhưng không cho chúng ta thấy cấu trúc của rủi ro. Có nhiều hợp chất hội tụ trên cùng một đường dẫn không? Có một hợp chất có rủi ro cao hay nhiều hợp chất?

Hình ảnh trực quan của biểu đồ sẽ cho thấy ngay điều này. Chạy ô bên dưới để hiển thị cùng một quá trình truyền tải 2 bước dưới dạng mạng lưới tương tác:

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

Bạn sẽ thấy một biểu đồ như sau:

Trực quan hoá biểu đồ

Mỗi đường dẫn trong biểu đồ theo dõi một chuỗi trách nhiệm hoàn chỉnh: một hợp chất (nút màu xanh dương) liên kết với protein hERG ở trung tâm, liên kết với một hoặc nhiều đường dẫn tim mạch (nút màu xanh lá cây). Danh sách các hàng phẳng trong bảng giờ đây là một mạng lưới rủi ro có thể nhìn thấy – các hợp chất có nhiều đường dẫn tiếp xúc sẽ nổi bật ngay lập tức với mức độ ưu tiên cao hơn để xem xét về độ an toàn.

Xem lý do GQL thanh lịch hơn SQL

Để thực thi cùng một truy vấn 2 bước trong SQL tiêu chuẩn, bạn cần 4 phép kết hợp rõ ràng. Bạn đang tốn công sức nhận thức để mô tả cách kết hợp các bảng thay vì mối quan hệ bạn đang tìm kiếm. GQL giúp bạn tập trung vào câu hỏi.

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;

Tìm hiểu sâu hơn – phát hiện rủi ro chuyển hoá nhiều bước

Truy vấn ở trên xác định các hợp chất liên kết trực tiếp với protein hERG. Tuy nhiên, trong quy trình làm việc về độ an toàn của thuốc thực tế, rủi ro đôi khi bị loại bỏ một bước: một hợp chất có thể được chuyển hoá trong cơ thể thành một phân tử thứ cấp (chất chuyển hoá) sau đó liên kết với hERG – một trách nhiệm mà các xét nghiệm liên kết trực tiếp có thể bỏ sót hoàn toàn.

Nếu biểu đồ thuộc tính của bạn bao gồm bảng nút Chất chuyển hoá và cạnh METABOLISES_INTO, bạn có thể mở rộng cùng một mẫu MATCH thành quá trình truyền tải 3 bước:

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

Cấu trúc truy vấn GQL sẽ thay đổi chính xác một nút và một cạnh. SQL tương đương sẽ yêu cầu thêm 2 phép kết hợp JOIN. Đây là mẫu giúp quá trình truyền tải biểu đồ đặc biệt mạnh mẽ cho việc phân tích thác an toàn – độ phức tạp của truy vấn tăng tuyến tính trong khi thông tin chi tiết về sinh học tăng theo cấp số nhân.

7. Truy vấn 3: Các cặp hợp chất có mục tiêu chung

Để tìm các ứng viên cho liệu pháp kết hợp, chúng ta có thể xác định thời điểm 2 hợp chất khác nhau liên kết với cùng một nút mục tiêu. Chúng ta sử dụng so khớp hai chiều để trả lời câu hỏi: Những hợp chất ung thư nào hội tụ trên cùng một mục tiêu?

Chạy truy vấn sau trong Trình chỉnh sửa 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;

Sau đây là dữ liệu bạn sẽ thấy trong kết quả:

Biểu đồ kết quả quý 3

Trực quan hoá biểu đồ

Bạn có thể trực quan hoá Biểu đồ ngay trong BigQuery bằng cách chạy mã sau trong trình chỉnh sửa 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

Quá trình truyền tải hai chiều này cho thấy các cặp hợp chất hội tụ trên cùng một mục tiêu protein – một mẫu khó phát hiện trong bảng tương tác phẳng nhưng có thể nhìn thấy ngay dưới dạng biểu đồ. Trong quá trình khám phá thuốc, các cặp mục tiêu chung là điểm xuất phát cho việc thiết kế liệu pháp kết hợp: 2 hợp chất tác động vào cùng một nút trong đường dẫn ung thư có thể tạo ra hiệu ứng hiệp đồng hoặc báo hiệu sự dư thừa không chủ ý trong quy trình

Trực quan hoá biểu đồ

8. Truy vấn 4: Bán kính ảnh hưởng của đường dẫn bệnh

Tác động sinh học của mỗi hợp chất rộng đến mức nào? Hãy thực hiện truyền tải 2 bước với tính năng tổng hợp để trả lời câu hỏi: Mỗi hợp chất ảnh hưởng đến bao nhiêu đường dẫn sinh học và mục tiêu riêng biệt, được nhóm theo lĩnh vực bệnh?

Chạy truy vấn sau trong Trình chỉnh sửa 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;

Sau đây là nội dung bạn sẽ thấy trong kết quả:

Kết quả biểu đồ q4

9. Truy vấn 5: Lựa chọn hợp chất an toàn

Cuối cùng, hãy truy vấn các hợp chất có phạm vi bao phủ cao về ung thư nhưng tránh rõ ràng các trách nhiệm phụ hERG (tim mạch). Điều này phù hợp với các mẫu lựa chọn ưu tiên độ an toàn phổ biến trong quy trình khám phá thuốc.

Chạy truy vấn sau trong Trình chỉnh sửa 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;

Sau đây là kết quả bạn sẽ thấy:

Kết quả biểu đồ Q5

Bạn đã thực thi thành công các quá trình truyền tải biểu đồ nâng cao trong BigQuery để trích xuất các hồ sơ chính về độ an toàn và hiệu quả!

10. Phần thưởng: Trò chuyện với biểu đồ

Tính năng Phân tích đàm thoại của BigQuery hiện hỗ trợ biểu đồ làm nguồn tri thức. Điều này cho phép bạn trò chuyện với biểu đồ vừa tạo bằng ngôn ngữ tự nhiên.

Bắt đầu: Thêm biểu đồ làm nguồn tri thức

Để bắt đầu, hãy tạo tác nhân đàm thoại theo các bước tại đây. Chọn biểu đồ bạn đã tạo trong thanh tìm kiếm.

Thiết lập tính năng Phân tích đàm thoại bằng biểu đồ

Sử dụng tính năng Phân tích đàm thoại của BigQuery để trò chuyện với biểu đồ

Sau khi bạn thêm nguồn tri thức dưới dạng biểu đồ, hãy hoàn tất phần còn lại của quá trình thiết lập tác nhân phân tích đàm thoại .

Sau đó, bạn có thể bắt đầu trò chuyện với biểu đồ bằng ngôn ngữ tự nhiên!

Trò chuyện với biểu đồ của bạn!

Câu hỏi khác

Tất cả các mục tiêu cho các hợp chất hiện đang trong giai đoạn 2 của thử nghiệm là gì?
Những mục tiêu nào được chia sẻ giữa các hợp chất tim mạch và ung thư?

11. Dọn dẹp

Để tránh các khoản phí liên tục cho tài khoản Google Cloud, hãy xoá các tài nguyên được tạo trong lớp học lập trình này.

Chạy truy vấn sau để loại bỏ lược đồ và tất cả các bảng theo tầng:

DROP SCHEMA IF EXISTS drug_target_graph CASCADE;

12. Xin chúc mừng

Xin chúc mừng! Bạn đã mô hình hoá và phân tích thành công mạng lưới tương tác giữa thuốc và mục tiêu bằng BigQuery Graph.

Kiến thức bạn học được

Cách mô hình hoá mối quan hệ giữa các thực thể (hợp chất, mục tiêu, đường dẫn) dưới dạng biểu đồ thuộc tính.
Cách xác định lược đồ và tạo Biểu đồ thuộc tính trong BigQuery.
Cách viết các quá trình truyền tải biểu đồ phức tạp bằng GQL và so sánh chúng với SQL truyền thống.
Cách tận dụng GRAPH_TABLE, MATCH và so khớp hai chiều để giải quyết các vấn đề trong lĩnh vực khoa học sự sống.

Phân tích tương tác thuốc bằng BigQuery Graph

1. Giới thiệu

🧬 Trường hợp sử dụng – Mạng lưới tương tác giữa thuốc và mục tiêu

🔍 Truy vấn minh hoạ

Bạn sẽ thực hiện

Bạn cần có

2. Trước khi bắt đầu

Tạo một dự án trên Google Cloud

Bắt đầu Cloud Shell

Bật API

3. Xác định lược đồ và tải dữ liệu

1. Tạo bảng compounds

2. Tạo bảng targets

3. Tạo bảng interactions

4. Tạo bảng pathways

5. Tạo bảng target_pathways

4. Tạo biểu đồ thuộc tính

5. Truy vấn 1: Hồ sơ liên kết mục tiêu đầy đủ cho mỗi hợp chất

Truy vấn GQL

6. Truy vấn 2: Phát hiện nguy cơ tim mạch

Câu hỏi về doanh nghiệp

Viết truy vấn GQL

Trực quan hoá mạng lưới rủi ro dưới dạng biểu đồ

Xem lý do GQL thanh lịch hơn SQL

Tìm hiểu sâu hơn – phát hiện rủi ro chuyển hoá nhiều bước

7. Truy vấn 3: Các cặp hợp chất có mục tiêu chung

Trực quan hoá biểu đồ

8. Truy vấn 4: Bán kính ảnh hưởng của đường dẫn bệnh

9. Truy vấn 5: Lựa chọn hợp chất an toàn

10. Phần thưởng: Trò chuyện với biểu đồ

Bắt đầu: Thêm biểu đồ làm nguồn tri thức

Sử dụng tính năng Phân tích đàm thoại của BigQuery để trò chuyện với biểu đồ

Câu hỏi khác

11. Dọn dẹp

12. Xin chúc mừng

Kiến thức bạn học được

Tài liệu tham khảo

1. Tạo bảng `compounds`

2. Tạo bảng `targets`

3. Tạo bảng `interactions`

4. Tạo bảng `pathways`

5. Tạo bảng `target_pathways`