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

使用 BigQuery 圖表分析藥物交互作用

1. 簡介

在本程式碼研究室中，您將瞭解如何使用 BigQuery 圖表，建立及分析藥物與標靶的互動網路。您將運用圖表查詢 (GQL) 的強大功能，探索藥物與生物標靶的互動方式、找出潛在副作用 (例如心臟風險)，以及發掘潛在的組合療法。

🧬 用途 - 藥物與標靶互動網路

業務問題： 化合物的完整影響範圍為何？會與哪些目標結合？會影響哪些生物途徑？與哪些疾病領域有關？

資料表：

資料表	說明
`compounds`	藥物分子，包括作用機制和開發階段
`targets`	含有基因名稱和 UniProt ID 的蛋白質目標
`interactions`	複合目標繫結親和度 (主要目標 + 非目標)
`pathways`	與疾病區域關聯的生物途徑
`target_pathways`	連結目標與參與路徑的連接表

屬性圖模型：

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

圖表結構定義

🔍 示範查詢

查詢	代表意義
Q1：目標繫結設定檔	單一躍點遍歷 - 複合至所有主要和非目標
第 2 季：hERG 心臟風險偵測	2 跳遍歷 - 化合物 → hERG 靶點 → 心臟途徑
第 3 題：共用目標複合字組	雙向比對：兩個化合物會聚在同一個目標節點
Q4：疾病路徑爆破半徑	2 跳匯總 - 每個化合物的完整路徑和疾病領域涵蓋範圍
Q5：安全化合物選擇	具有高腫瘤覆蓋率，但沒有 hERG 心臟毒性的化合物

學習內容

為藥物交互作用網路建立 BigQuery 資料集和結構定義
載入樣本資料 (化合物、目標、互動、路徑、目標路徑)
在 BigQuery 中建立連結這些實體的屬性圖
查詢圖表，瞭解化合物互動、生物途徑和疾病影響範圍 (使用圖表遍歷 GRAPH_TABLE 和 MATCH)
並列比較 GQL 和標準 SQL，瞭解圖表語法的簡潔性和表達能力

軟硬體需求

網路瀏覽器，例如 Chrome
已啟用計費功能的 Google Cloud 雲端專案

本程式碼研究室適合各種程度的開發人員，包括初學者。

2. 事前準備

建立 Google Cloud 專案

在 Google Cloud 控制台中，選取或建立 Google Cloud 專案。
確認 Cloud 專案已啟用計費功能。

啟動 Cloud Shell

按一下 Google Cloud 控制台頂端的「啟用 Cloud Shell」。
驗證：

gcloud auth list

確認專案：

gcloud config get project

視需要設定：

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

啟用 API

執行下列指令，啟用必要的 BigQuery API：

gcloud services enable bigquery.googleapis.com

3. 定義結構定義並載入資料

首先，您需要建立資料集來儲存圖表相關資料表，並填入範例資料。

前往 Google Cloud 控制台的「BigQuery Studio」。
點選「SQL 編輯器」，開啟新的查詢分頁。
執行下列陳述式，建立 drug_target_graph 資料集：

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

現在，請在 BigQuery Studio 中執行下列 DDL 查詢，建立 5 個來源資料表。

1. 建立 `compounds` 表格

包含藥物分子、作用機制、開發階段和治療領域。

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. 建立 `targets` 表格

包含蛋白質目標、基因名稱、UniProt ID 和目標類別。

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. 建立 `interactions` 表格

含有化合物靶點結合親和力資料 (主要靶點與非靶點)。

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. 建立 `pathways` 表格

包含生物途徑、相關疾病領域和癌症關聯性。

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. 建立 `target_pathways` 表格

連結目標與所屬生物路徑的交集資料表。

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. 建立屬性圖表

成功建立資料表後，您現在可以建構屬性圖形。這會使用邊緣資料表 (Interactions 和 Target Pathways) 連結節點 (化合物、目標、路徑)。

在 BigQuery Studio SQL 編輯器中執行下列陳述式：

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)
);

這會在資料集中建立名為 drug_target_interaction_graph 的圖表。

圖表結構定義

5. 查詢 1：每個複合項目的完整目標繫結設定檔

現在執行第一個圖形查詢。這是 1 跳轉移，可回答以下問題：哪些化合物會與哪些目標結合，以及它們的親和力為何？

GQL 查詢

在 SQL 編輯器中執行下列查詢：

SELECT
  compound_name,
  dev_stage,
  target_name,
  gene_name,
  target_class,
  interaction_type,
  ROUND(affinity_nm, 3) AS affinity_nm,
  ROUND(ic50_nm, 3)     AS ic50_nm,
  pchembl_value
FROM GRAPH_TABLE(
  drug_target_graph.drug_target_interaction_graph
  MATCH (c:Compound)-[b:BINDS_TO]->(t:Target)
  COLUMNS (
    c.compound_name    AS compound_name,
    c.dev_stage        AS dev_stage,
    t.target_name      AS target_name,
    t.gene_name        AS gene_name,
    t.target_class     AS target_class,
    b.interaction_type AS interaction_type,
    b.affinity_nm      AS affinity_nm,
    b.ic50_nm          AS ic50_nm,
    b.pchembl_value    AS pchembl_value
  )
)
ORDER BY compound_name, interaction_type, affinity_nm;

結果會顯示以下資訊：

圖表：第 1 季結果

6. 查詢 2：心臟風險偵測

業務問題

在藥物探索過程中，有潛力的化合物在臨床試驗中失敗的最常見原因之一是心毒性，具體來說，就是意外與 hERG 蛋白質 (基因：KCNH2) 結合。hERG 蛋白質是調控心律的鉀離子通道。hERG 靶外作用可能會導致致命的心律不整，並造成多起備受矚目的藥物下市事件。

我們想回答的問題是：

「我們管道中的哪些化合物會與 hERG 蛋白質發生非目標結合事件，以及這會對哪些心臟途徑造成風險？」

這是雙跳問題：我們需要從化合物開始，經過目標 (hERG) 抵達路徑，在單一查詢中透過兩個關係連結三種實體類型。

撰寫 GQL 查詢

在 BQ SQL 編輯器中執行下列查詢：

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;

請注意，MATCH 子句的讀取方式幾乎像是一個句子：「Find a Compound that binds to a Target that participates in a Pathway」(找出與參與路徑的目標繫結的化合物)，且篩選器會套用至路徑中的每個節點和邊緣。

結果會顯示下列資料：

第 2 季圖表結果表

以圖表形式呈現風險網路

表格會顯示資料，但不會顯示風險的結構。多種化合物是否會匯聚在同一條路徑上？是單一高風險化合物還是多種？

圖表視覺化效果可立即顯示這項資訊。執行下方儲存格，以互動式網路的形式，呈現相同的 2 躍點遍歷：

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

您應該會看到類似下方的圖表：

圖表視覺化

圖表中的每個路徑都會追蹤完整的責任鏈：化合物 (藍色節點) 會與中央的 hERG 蛋白質結合，並連線至一或多個心臟路徑 (綠色節點)。資料表中的平面資料列清單現在已成為可見的風險網路，具有多個路徑暴露的化合物會立即顯示為安全審查的較高優先順序。

請參閱「Why GQL Is More Elegant Than SQL」(為什麼 GQL 比 SQL 更優雅)

如要在標準 SQL 中執行相同的 2 躍點查詢，您需要 4 個明確的聯結。您花費認知力氣描述如何聯結資料表，而不是您要尋找的關係。GQL 可讓您專心處理問題。

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;

深入瞭解：多跳代謝物風險偵測

上述查詢會找出直接與 hERG 蛋白質結合的化合物。但在實際的藥物安全工作流程中，風險有時會間接發生：化合物可能會在體內代謝轉化為次級分子 (代謝物)，然後與 hERG 結合，而直接結合試驗可能會完全錯過這項風險。

如果您的屬性圖形包含代謝物節點表格和 METABOLISES_INTO 邊緣，您可以將相同的 MATCH 模式擴充為 3 跳躍式遍歷：

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

GQL 查詢結構會剛好變更一個節點和一條邊緣。對等的 SQL 則需要兩個額外的 JOIN。這種模式讓圖形遍歷特別適合用於安全級聯分析，因為查詢複雜度會線性成長，而生物學洞察則會指數成長。

7. 查詢 3：共用目標複合配對

如要找出適合組合療法的候選藥物，我們可以找出兩種不同化合物與相同目標節點的結合時間。我們使用雙向比對來回答以下問題：哪些腫瘤化合物會與完全相同的目標結合？

在 SQL 編輯器中執行下列查詢：

SELECT
  compound_a,
  compound_b,
  shared_target,
  gene_name,
  ROUND(affinity_a_nm, 3) AS affinity_a_nm,
  ROUND(affinity_b_nm, 3) AS affinity_b_nm
FROM GRAPH_TABLE(
  drug_target_graph.drug_target_interaction_graph
  MATCH (c1:Compound)-[b1:BINDS_TO]->(t:Target)<-[b2:BINDS_TO]-(c2:Compound)
  WHERE c1.compound_id < c2.compound_id
    AND c1.therapeutic_area = 'Oncology'
    AND c2.therapeutic_area = 'Oncology'
  COLUMNS (
    c1.compound_name AS compound_a,
    c2.compound_name AS compound_b,
    t.target_name    AS shared_target,
    t.gene_name      AS gene_name,
    b1.affinity_nm   AS affinity_a_nm,
    b2.affinity_nm   AS affinity_b_nm
  )
)
ORDER BY compound_a, compound_b, affinity_a_nm;

結果會顯示下列資料：

第 3 季結果圖表

圖表視覺化

您可以在 SQL 編輯器中執行下列程式碼，直接在 BigQuery 中將圖表視覺化。

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

這種雙向遍歷會找出匯聚於相同蛋白質目標的化合物對，這種模式很難在平面互動資料表中發現，但會立即顯示為圖表。在藥物探索中，共用目標配對是組合療法設計的起點：兩種化合物擊中癌症途徑中的相同節點可能會產生協同效應，或者發出管道中意外冗餘的信號

圖表視覺化

8. 查詢 4：疾病路徑爆發半徑

每種化合物的生物影響範圍有多廣？讓我們執行匯總的 2 躍點遍歷，回答以下問題：每種化合物會影響多少生物路徑和不同目標？並依疾病領域分組。

在 SQL 編輯器中執行下列查詢：

SELECT
  compound_name,
  dev_stage,
  disease_area,
  COUNT(DISTINCT pathway_id) AS pathways_affected,
  COUNT(DISTINCT target_id)  AS targets_involved,
  STRING_AGG(DISTINCT pathway_name ORDER BY pathway_name) AS pathway_list
FROM GRAPH_TABLE(
  drug_target_graph.drug_target_interaction_graph
  MATCH (c:Compound)-[b:BINDS_TO]->(t:Target)-[p:PARTICIPATES_IN]->(pw:Pathway)
  COLUMNS (
    c.compound_name AS compound_name,
    c.dev_stage     AS dev_stage,
    t.target_id     AS target_id,
    pw.pathway_id   AS pathway_id,
    pw.pathway_name AS pathway_name,
    pw.disease_area AS disease_area
  )
)
GROUP BY compound_name, dev_stage, disease_area
ORDER BY compound_name, pathways_affected DESC;

結果會顯示以下資訊：

第 4 季結果圖表

9. 查詢 5：安全化合物選擇

最後，讓我們查詢具有高腫瘤覆蓋率的化合物，但明確避免 hERG (心臟) 脫靶負債。這符合藥物發現管道中常見的安全優先選擇模式。

在 SQL 編輯器中執行下列查詢：

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;

以下是結果中顯示的輸出內容：

圖表：第 5 季業績

您已成功在 BigQuery 中執行進階圖形遍歷，擷取重要的安全性與療效設定檔！

10. 加分題：與圖表對話

BigQuery 對話式數據分析現在支援圖表做為知識來源。這項功能可讓您以自然語言與剛建立的圖表對話。

開始使用：將圖表新增為知識來源

如要開始使用，請按照這裡的步驟建立對話式代理程式。從搜尋列選取您建立的圖表。

設定圖表對話式數據分析

使用 BigQuery 對話式數據分析與圖表對話

將知識來源新增為圖表後，請完成其餘對話式數據分析代理設定。

接著就能用自然語言與圖表對話！

與圖表對話！

其他問題

目前處於第 2 階段試驗的化合物有哪些靶點？
心血管和腫瘤化合物之間共用哪些標靶？

11. 清理

如要避免系統持續向您的 Google Cloud 帳戶收取費用，請刪除本程式碼研究室建立的資源。

執行下列查詢，以連鎖方式捨棄結構定義和所有資料表：

DROP SCHEMA IF EXISTS drug_target_graph CASCADE;

12. 恭喜

恭喜！您已成功使用 BigQuery Graph 建立藥物與標靶互動網路的模型並進行分析。

目前所學內容

如何將實體關係 (化合物、目標、途徑) 模擬為屬性圖形。
如何在 BigQuery 中定義結構定義並建立屬性圖。
如何使用 GQL 編寫複雜的圖形遍歷，並與傳統 SQL 進行比較。
瞭解如何運用 GRAPH_TABLE、MATCH 和雙向比對，解決生命科學領域的問題。

使用 BigQuery 圖表分析藥物交互作用

1. 簡介

🧬 用途 - 藥物與標靶互動網路

🔍 示範查詢

學習內容

軟硬體需求

2. 事前準備

建立 Google Cloud 專案

啟動 Cloud Shell

啟用 API

3. 定義結構定義並載入資料

1. 建立 compounds 表格

2. 建立 targets 表格

3. 建立 interactions 表格

4. 建立 pathways 表格

5. 建立 target_pathways 表格

4. 建立屬性圖表

5. 查詢 1：每個複合項目的完整目標繫結設定檔

GQL 查詢

6. 查詢 2：心臟風險偵測

業務問題

撰寫 GQL 查詢

以圖表形式呈現風險網路

請參閱「Why GQL Is More Elegant Than SQL」(為什麼 GQL 比 SQL 更優雅)

深入瞭解：多跳代謝物風險偵測

7. 查詢 3：共用目標複合配對

圖表視覺化

8. 查詢 4：疾病路徑爆發半徑

9. 查詢 5：安全化合物選擇

10. 加分題：與圖表對話

開始使用：將圖表新增為知識來源

使用 BigQuery 對話式數據分析與圖表對話

其他問題

11. 清理

12. 恭喜

目前所學內容

參考文件

1. 建立 `compounds` 表格

2. 建立 `targets` 表格

3. 建立 `interactions` 表格

4. 建立 `pathways` 表格

5. 建立 `target_pathways` 表格