研究文章

RAS信号通路中蛋白质-蛋白质相互作用网络的图论分析

DOI：

10.3791/69681

⸱

2026年3月13日

 , 
1Department of Mathematics & Statistics, College of Science, King Faisal University, 2Department of Mathematics & Applied Mathematics, University of the Western Cape

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究将图论框架应用于RAS信号通路的建模蛋白质-蛋白质相互作用网络，以识别中心连接的区域1蛋白并表征其功能和生物学相关性。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

RAS信号通路是细胞生长、增殖和存活的基本调控因子。该通路的失调与癌症发生密切相关，但识别哪些通路蛋白最具前景治疗靶点的系统策略仍然有限。本研究的目的是调查RAS信号通路中中心蛋白的多样性，并评估其在癌症生物学中的功能意义。为此，我们利用图论框架将人类蛋白质-蛋白质相互作用网络建模为度量空间。通过计算最短路径距离来识别最中心的蛋白质，然后将其分类为功能区。位于第1区的蛋白质，即连接最为紧密的区，与经过精心管理的RAS通路数据集进行了交叉比对。通过功能富集分析、致癌基因/肿瘤抑制因子评估及癌症基因组数据整合，解析其生物学角色和治疗潜力。结果显示，95.2%的中枢RAS蛋白参与信号传导，其中59.5%被归类为必需。关键蛋白如BCL2L1、RAF1、RHOA、MAP2K1、EGFR、CDC42和ANGPT1被识别为细胞凋亡抵抗、转移、血管生成和肿瘤进展过程的核心参与者。其中若干蛋白质还与已建立的致癌基因和成功的治疗靶点有强烈关联。总之，本研究表明RAS信号通路中的中心蛋白表现出功能多样性，这支撑了其在癌症进展中的重要性。这些发现为识别通路相关分子候选物提供了可重复的网络工作流程，并有助于开发更精准、循路导向的癌症治疗。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

RAS信号通路是细胞通信的关键调控因子，因其在致癌发生中的核心作用，已被广泛研究。该通路由一系列相互连接的蛋白质组成，将细胞外信号传递到细胞核，从而调控增殖、生长和分化等关键细胞过程2。

RAS致癌基因的发现源自早期对转化逆转录病毒的研究，始于20世纪60年代哈维肉瘤病毒的鉴定，证明病毒基因能够诱导哺乳动物细胞中的恶性转化3。这一概念后来被扩展到人类癌症领域，Der及其同事证明了在人类膀胱癌和肺癌细胞系中鉴定的转化基因与Harvey和Kirsten病毒致癌基因（HRAS和KRAS）同源，从而确立了RAS基因作为与人类恶性肿瘤相关的真实细胞致癌基因4。后续综述总结了这些发现及其对癌症生物学的影响。

除了肿瘤学外，调节异常的RAS/MAPK信号传导也被认为与心血管疾病有关，包括先天性心脏病、心肌病和血管异常，强调了该通路在多种生理和病理环境中的多效作用6,7。

此外，RA病已被证明会引起显著的心脏症状，将调节失调的RAS/MAPK信号与先天性和获得性心血管疾病联系起来（8,9）。此外，对小型GTP酶如RhoA的研究强调了它们在压力条件下心脏肥大和心脏保护中的作用（10,12）。这些发现强调了RAS信号在癌症生物学之外的更广泛生理重要性，并支持进一步探索以在多种疾病情境下开发靶向治疗干预。

此前已有多项计算和生物信息学研究通过基于网络、富集和系统生物学的方法探索了RAS信号通路。这些研究重点包括通路重建、突变驱动的网络扰动、信号串扰以及药物反应预测13、14、15。虽然信息量很大，但大多数方法将分析限制在预设的通路边界或依赖局部网络测量。相比之下，本研究将整个人类蛋白质-蛋白质相互作用网络建模为度量空间，并在通路绘制前识别中心蛋白，从而为RAS信号组织提供了互补的结构驱动视角。

图论模型为理解复杂生物网络提供了创新框架。通过将蛋白质间相互作用（PPI）网络概念化为度量空间，蛋白质可以根据其距离网络中心的距离被分类为区域17。1区蛋白是最中心且高度连接的淋巴结，通常对细胞存活至关重要，并且在疾病相关通路中参与比例较高18。以往基于网络的研究表明，中心蛋白和高度连接蛋白对网络稳定性、信息流动和疾病易感性产生不成比例的影响，且在关键基因和临床相关靶点中常富集19,20,21,222。然而，很少有研究专门将该框架应用于RAS信号通路，这在我们理解网络中心性与RAS介导的肿瘤发生关系上留下了空白。本研究通过系统识别RAS通路中的中心蛋白并评估其在癌症生物学中的作用，弥补了这一空白。这种方法不仅通过提供清晰的计算方案提升了可重复性，还突出了癌症治疗的新靶点，从而推动系统生物学与转化肿瘤学的整合。

访问受限。请登录或开始试用以查看此内容。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究完全基于公开数据集的分析，未涉及人类参与者、动物受试者或组织样本。因此，无需获得机构审查委员会（IRB）或动物护理与使用委员会（IACUC）的批准。

数据收集与预处理
从公开可访问的数据库检索了人类PPI数据和经过整理的RAS信号通路蛋白，包括基因组生物学功能性蛋白相互作用数据集23 和比较毒理基因组数据库（CTD）（https://ctdbase.org/）。数据集被标准化为带制表符的文本文件以确保一致性。预处理包括删除重复交互、消除自循环以及过滤非人类条目。标准化制表分隔输入文件中包含的所有蛋白质的完整列表见 补充表S1。

网络建设
人类PPI网络被建模为一个图，其中蛋白质代表节点，其相互作用代表边缘。为了计算最短路径距离，Dijkstra算法通过与Boost图库（C++）（http://www.boost.org/）集成的自定义Python脚本实现。中心节点被定义为与其他所有蛋白之间最大最短路径距离最小的蛋白质。随后，网络根据距离该中心蛋白的距离被划分为不同区域。

区域分类与路径绘制
蛋白质根据与中心蛋白的距离被划分为层级区（第1区、第2区等）。选择了包含最中心且高度连通蛋白的1区进行分析。第1区的蛋白质与经过精心管理的RAS信号通路蛋白列表进行了交叉参考。本研究采用的所有计算程序均遵循Fadhal等人17所述的框架，当前工作特别聚焦于第一层级网络区内RAS相关蛋白的生物学解释。

功能富集分析
功能富集分析利用CTD注释与精心策划的通路数据库进行，统计显著性由修正后的P值阈值0.01定义。

癌基因与肿瘤抑制因子评估
进一步研究了与RAS信号通路重叠的中心蛋白及其致癌或肿瘤抑制作用。数据从大规模癌症基因组测序项目中提取，并在癌症相关数据库中进行了验证。蛋白质被分类为致癌基因、肿瘤抑制蛋白、凋亡相关蛋白或治疗靶点，基于已发表的证据24,25。

可重复性与验证
所有计算分析均以三份形式重复，使用独立的PPI数据集。这些程序，包括所有协议步骤和实施细节，均遵循我们之前发表的17号工作中描述的方法论。结果在独立运行中保持一致，证实了该方案的稳健性和可重复性。为确保可重复性，工作流程的每一步都经过详细审查和描述，以明确分析的执行方式。完整的工作流程，包括源代码和数据集，均在 补充数据S4中提供。所有分析都可以在标准工作站上复现，无需专用硬件。

工作流程示意图
附有研究设计的整体示意图（见图1）。下图总结了方案的每一步：1）数据收集与预处理，2）网络构建，3）区域分类与绘图，4）功能富集分析，5）癌基因/肿瘤抑制因子评估，6）结果可视化。

访问受限。请登录或开始试用以查看此内容。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

在我们之前的工作中，我们开发了基于区域的方法论，用于将PPI网络建模为度量空间17。这种方法使蛋白质能够根据距离中心节点的距离进行层级分类;其中1区代表了连接最紧密且功能最必需的蛋白质。在此基础上，本研究特别聚焦于我们早期研究中识别的1区蛋白，并探讨它们在RAS信号通路中的作用。

通过交叉比对区域1蛋白与经过精选的RAS通路数据集，发现了42个与RAS信号传导相关的中心蛋白。这些蛋白质的完整列表见 补充表S2。其中40种蛋白（95.2%）被功能性归类为信号蛋白，25种（59.5%）被认为必需蛋白（见表1）。这一分布强烈支持了中心蛋白不仅结构重要，而且在生物学上不可或缺的假说，强化了它们作为先前被报道为药物靶点或临床可操作节点的蛋白质的候选地位。

功能富集证实MAPK级联信号（35.7%）、正信号调控（激活下游过程）及细胞周期过程（16.6%）均有...

访问受限。请登录或开始试用以查看此内容。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究提出了一个图论框架，用于分析RAS信号通路内蛋白质间相互作用网络，以识别具有功能相关性的中心连接蛋白。通过将PPI网络建模为度量空间，并聚焦于由最小最短路径距离定义的第1区蛋白，分析突出了在通路中结构居中的位置的蛋白质。包括BCL2L1、RAF1、RHOA、MAP2K1、EGFR、CDC42和ANGPT1在内的蛋白质均被一致归类于1区，并在信号传导、MAPK级联调控及细胞周期相关过程中富集。这些发现支持将网络拓扑作为优先排序RAS信号下游效应子的系统方法，尤其是在RAS本身药物可药性有限的情况下26,27。

该方法通过将网络结构与生物注释整合，促进了系统级癌症研究的发展。虽然若干已鉴定的蛋白，如EGFR和MAP2K1，是公认的致癌驱动因子，但该框架也强调了一些在典型通路分析中较少被突出的蛋白质，如ANGPT1和BCL2L1。这一综合视角超越了基因中心解释，也与以往研究表明高度连接的节点能够影响...

访问受限。请登录或开始试用以查看此内容。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

所有作者声明，本研究无利益冲突。

致谢

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

该工作得到了沙特阿拉伯费萨尔国王大学研究生与科学研究副院长办公室KFU260567的支持。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
人体蛋白–蛋白质相互作用数据集公共存储库（基因组生物学、BioGRID、IntAct）入场编号（见参考文献）无
RAS信号通路蛋白列表比较毒理基因组学数据库https://ctdbase.org/ RRID：SCR_006530
Python（版本3.10及以上）Python软件基金会（美国）https://www.python.org/RRID：SCR_008394
提升图库（C++）Boost.org（美国）https://www.boost.org/无
Cytoscape（用于可视化）Cytoscape联盟版本 3.9.1RRID：SCR_003032
大规模癌症基因组测序数据癌症基因组图谱（TCGA）https://www.cancer.gov/ccg/research/genome-sequencing/tcgaRRID：SCR_003193

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Luo, X., et al. Novel paradigms in KRAS targeting: unveiling strategies to combat drug resistance. Chin Med J. 138 (18), 2243-2267 (2025).
  2. Overmeyer, J. H., Maltese, W. A. Death pathways triggered by activated Ras in cancer cells. Front Biosci (Landmark Ed). 16 (5), 1693-1713 (2011).
  3. Harvey, J. J. An unidentified virus which causes the rapid production of tumours in mice. Nature. 204 (4963), 1104-1105 (1964).
  4. Krontiris, T. G., Cooper, G. M. Transforming genes of human bladder and lung carcinoma cell lines are homologous to the ras genes of Harvey and Kirsten sarcoma viruses. Proc Natl Acad Sci U S A. 79 (11), 3637-3640 (1982).
  5. Malumbres, M., Barbacid, M. RAS oncogenes: the first 30 years. Nat Rev Cancer. 3 (6), 459-465 (2003).
  6. Ramos-Kuri, M., et al. Molecules linked to Ras signaling as therapeutic targets in cardiac pathologies. Biol Res. 54 (1), 23(2021).
  7. Hilal, N., et al. RASopathies and cardiac manifestations. Front Cardiovasc Med. 10, 1176828(2023).
  8. Chennappan, S., et al. RASopathies in cardiac disease. Annu Rev Med. 76, 301-314 (2025).
  9. Hilal, N., et al. RASopathies and cardiac manifestations. Front Cardiovasc Med. 10, 1176828(2023).
  10. Wang, X., et al. Roles of small GTPases in cardiac hypertrophy. Mol Med Rep. 29 (2), 13332(2024).
  11. Miyamoto, S. Untangling the role of RhoA in the heart: protective effect and mechanism. Cell Death Dis. 15, 579(2024).
  12. Pang, J. M., et al. MicroRNA-708 emerges as a potential candidate to target undruggable NRAS. PLoS One. 18 (4), e0284744(2023).
  13. Adariani, S. R., et al. A comprehensive analysis of RAS-effector interactions reveals interaction hotspots and new binding partners. J Biol Chem. , (2021).
  14. Tang, R., et al. Multiplexed screens identify RAS paralogues HRAS and NRAS as suppressors of KRAS-driven lung cancer growth. Nat Cell Biol. 25 (1), 159-169 (2023).
  15. Montero-Bullón, J. F., et al. Integrated in silico MS-based phosphoproteomics and network enrichment analysis of RASopathy proteins. Orphanet J Rare Dis. 16 (1), 303(2021).
  16. Fadhal, E., Gamieldien, J., Mwambene, E. C. Protein interaction networks as metric spaces: a novel perspective on distribution of hubs. BMC Syst Biol. 8 (1), 1(2014).
  17. Fadhal, E., Mwambene, E. C., Gamieldien, J. Modelling human protein interaction networks as metric spaces has potential in disease research and drug target discovery. BMC Syst Biol. 8 (1), 2(2014).
  18. Viacava Follis, A. Centrality of drug targets in protein networks. BMC Bioinformatics. 22 (1), 527(2021).
  19. Rout, T., et al. Centrality measures and their applications in network analysis: unveiling important elements and their impact. Procedia Comput Sci. 235, 2756-2765 (2024).
  20. Barabási, A. L., Gulbahce, N., Loscalzo, J. Network medicine: a network-based approach to human disease. Nat Rev Genet. 12 (1), 56-68 (2011).
  21. Peng, Q., Schork, N. J. Utility of network integrity methods in therapeutic target identification. Front Genet. 5, 12(2014).
  22. Wu, G., Feng, X., Stein, L. A human functional protein interaction network and its application to cancer data analysis. Genome Biol. 11 (5), R53(2010).
  23. Bult, C. J., et al. The mouse genome database: genotypes, phenotypes, and models of human disease. Nucleic Acids Res. 41 (D1), D885-D891 (2012).
  24. Vogelstein, B., et al. Cancer genome landscapes. Science. 339 (6127), 1546-1558 (2013).
  25. Mizuno, S., et al. High-throughput functional evaluation of MAP2K1 variants in cancer. Mol Cancer Ther. 22 (2), 227-239 (2023).
  26. He, W., et al. A bioinformatic and mechanistic study elicits the antifibrotic effect of ursolic acid through the attenuation of oxidative stress with the involvement of ERK, PI3K/Akt, and p38 MAPK signaling pathways in human hepatic stellate cells and rat liver. Drug Des Devel Ther. 9, 3989-4104 (2015).
  27. Liotta, L., Petricoin, E. Molecular profiling of human cancer. Nat Rev Genet. 1 (1), 48-56 (2000).
  28. Schubbert, S., et al. Hyperactive Ras in developmental disorders and cancer. Nat Rev Cancer. 7 (4), 295-308 (2007).
  29. Cox, A. D., et al. Convergence of targeted and immune therapies for the treatment of oncogene-driven cancers. Cancer Discov. 13 (1), 19-22 (2023).
  30. Vasan, N., et al. At a crossroads: how to translate the roles of PI3K in oncogenic and metabolic signalling into improvements in cancer therapy. Nat Rev Clin Oncol. 19, 471-485 (2022).
  31. Czarnecka, A. M., et al. Targeted therapy in melanoma and mechanisms of resistance. Int J Mol Sci. 21, 4576(2020).
  32. Sahin, I., et al. Liquid biopsy: novel perspectives on the importance and spectrum of PIK3CA, PTEN and RET mutations in solid tumors. Mol Clin Oncol. 16, 1(2022).
  33. Haefliger, S., et al. Prevalence of molecular alterations in a Swiss cohort of 512 colorectal carcinoma patients by targeted next-generation sequencing analysis in routine diagnostics. Pathobiology. 90 (3), 166-175 (2023).
  34. Amato, O., et al. PIK3CA copy-number gain and inhibitors of the PI3K/AKT/mTOR pathway in triple-negative breast cancer. Cold Spring Harb Mol Case Stud. 9 (2), a006255(2023).
  35. Mizuno, S., et al. High-throughput functional evaluation of MAP2K1 variants in cancer. Mol Cancer Ther. 22 (2), 227-239 (2023).
  36. Haefliger, S., et al. Prevalence of molecular alterations in a Swiss cohort of 512 colorectal carcinoma patients by targeted next-generation sequencing analysis in routine diagnostics. Pathobiology. 90 (3), 166-175 (2023).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

Central ProteinsCancer ProgressionFunctional EnrichmentTherapeutic TargetsOncogene EvaluationNetwork ModelingApoptosis Resistance

相关文章