Forschungsartikel

Graphentheoretische Analyse eines modellierten Protein-Protein-Interaktionsnetzwerks im RAS-Signalweg

DOI:

10.3791/69681

⸱

13. März 2026

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

In diesem Artikel

Zusammenfassung

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

Diese Studie wendet einen graphentheoretischen Rahmen auf ein modelliertes Protein-Protein-Interaktionsnetzwerk des RAS-Signalwegs an, um zentral verbundene Proteine der Zone 1 zu identifizieren und deren funktionelle sowie biologische Relevanz zu charakterisieren.

Zusammenfassung

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

Der RAS-Signalweg ist ein grundlegender Regulator für Zellwachstum, Proliferation und Überleben. Die Dysregulation dieses Weges ist stark in der Krebsentwicklung beteiligt, doch systematische Strategien zur Identifizierung der Proteine des Weges sind die vielversprechendsten therapeutischen Ziele bleiben begrenzt. Die Begründung dieser Studie war es, die Vielfalt zentraler Proteine im RAS-Signalweg zu untersuchen und ihre funktionelle Bedeutung in der Krebsbiologie zu bewerten. Um dies zu erreichen, modellierten wir das menschliche Protein-Protein-Interaktionsnetzwerk als metrischen Raum mit einem graphentheoretischen Rahmenwerk. Die kürzesten Wegentfernungen wurden berechnet, um die zentralsten Proteine zu identifizieren, die dann in funktionelle Zonen klassifiziert wurden. Proteine, die sich in Zone 1 befinden und die am stärksten verbundene Zone repräsentieren, wurden mit kuratierten RAS-Datensätzen abgeglichen. Funktionelle Anreicherungsanalyse, Onkogen-/Tumorsuppressor-Evaluation sowie Integration von Krebsgenomdaten wurden verwendet, um biologische Rollen und therapeutisches Potenzial zu interpretieren. Die Ergebnisse zeigten, dass 95,2 % der zentralen RAS-Proteine an der Signalübertragung beteiligt sind, wobei 59,5 % als essentiell eingestuft werden. Schlüsselproteine wie BCL2L1, RAF1, RHOA, MAP2K1, EGFR, CDC42 und ANGPT1 wurden als zentrale Akteure in Prozessen wie Apoptoseresistenz, Metastase, Angiogenese und Tumorprogression identifiziert. Mehrere dieser Proteine zeigten zudem starke Assoziationen mit etablierten Onkogenen und erfolgreichen therapeutischen Zielen. Abschließend zeigt diese Studie, dass zentrale Proteine im RAS-Signalweg eine funktionelle Vielfalt aufweisen, die ihre Bedeutung für das Krebsverlauf untermauert. Diese Ergebnisse bieten einen reproduzierbaren netzwerkbasierten Workflow zur Identifizierung wegrelevanter molekularer Kandidaten und tragen zur Entwicklung präzisererer, weg-orientierter Krebstherapien bei.

Einleitung

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

Der RAS-Signalweg ist ein entscheidender Regulator der zellulären Kommunikation und wurde aufgrund seiner zentralen Rolle bei der Onkogenese1 umfassend untersucht. Dieser Signalweg, bestehend aus einer Reihe miteinander verbundener Proteine, überträgt extrazelluläre Hinweise an den Zellkern und reguliert so wichtige zelluläre Prozesse wie Proliferation, Wachstum und Differenzierung2.

Die Entdeckung von RAS-Onkogenen entstand aus frühen Studien zu transformierenden Retroviren, beginnend mit der Identifizierung des Harvey-Sarkomvirus in den 1960er Jahren, das zeigte, dass virale Gene eine bösartige Transformation in Säugetierzelleninduzieren können. Dieses Konzept wurde später auf menschlichen Krebs ausgeweitet, als Der und Kollegen zeigten, dass die in menschlichen Blasen- und Lungenkarzinom-Zelllinien identifizierten transformierenden Gene homolog zu den Harvey-und-Kirsten-Sarkom-Virus-Onkogenen (HRAS und KRAS) sind, wodurch RAS-Gene als echte zelluläre Onkogene etabliert wurden, die mit menschlichen Malignitäten in Verbindunggebracht werden 4. Nachfolgende Übersichtsberichte fassten diese Entdeckungen und ihre Auswirkungen auf die Krebsbiologiezusammen.

Über die Onkologie hinaus wurde dysregulierte RAS/MAPK-Signalübertragung auch mit kardiovaskulären Erkrankungen in Verbindung gebracht, darunter angeborene Herzkrankheiten, Kardiomyopathien und vaskuläre Auffälligkeiten, was die pleiotropen Rollen dieses Weges in verschiedenen physiologischen und pathologischen Kontexten unterstreicht 6,7.

Darüber hinaus wurde gezeigt, dass RASopathien signifikante kardiale Manifestationen verursachen, wodurch dysregulierte RAS/MAPK-Signalübertragung mit angeborenen und erworbenen Herz-Kreislauf-Erkrankungen in Verbindung gebrachtwerden 8,9. Darüber hinaus heben Studien zu kleinen GTPasen wie RhoA ihre Rolle bei der kardialen Hypertrophie und Kardioprotektion unter Stressbedingungenhervor. Diese Erkenntnisse unterstreichen die breitere physiologische Bedeutung der RAS-Signalübertragung außerhalb der Krebsbiologie und rechtfertigen eine weitere Untersuchung zur Entwicklung gezielter therapeutischer Interventionen in unterschiedlichen Krankheitskontexten.

Mehrere computergestützte und bioinformatische Studien haben den RAS-Signalweg bereits mit netzwerkbasierten, anreicherungs- und systembiologischen Ansätzen untersucht. Diese Studien konzentrierten sich auf die Rekonstruktion der Signalwege, mutationsgetriebene Netzwerkstörungen, Signalübersprechen und die Vorhersage der Arzneimittelantwort 13,14,15. Obwohl informativ, beschränken die meisten dieser Ansätze die Analyse auf vordefinierte Weggrenzen oder verlassen sich auf lokale Netzwerkmessungen. Im Gegensatz dazu modelliert die vorliegende Studie das gesamte menschliche Protein-Protein-Interaktionsnetzwerk als metrischen Raum und identifiziert zentrale Proteine vor der Signalwegkartierung, wodurch eine komplementäre, strukturgetriebene Perspektive auf die Organisation der RAS-Signalisierung bereitgestellt wird.

Graphentheoretische Modelle bieten einen innovativen Rahmen zum Verständnis komplexer biologischer Netzwerke. Durch die Konzeptualisierung des Protein-Protein-Interaktionsnetzwerks (PPI) als metrischen Raum können Proteine entsprechend ihrer Entfernung zum Netzwerkzentrum17 in Zonen klassifiziert werden. Proteine in Zone 1, die die zentralesten und am stärksten verbundenen Knoten darstellen, sind oft für die Zelllebensfähigkeit unerlässlich und überproportional an krankheitsbedingten Signalwegen beteiligt18. Frühere netzwerkbasierte Studien haben gezeigt, dass zentrale und hoch verbundene Proteine einen unverhältnismäßigen Einfluss auf die Netzwerkstabilität, den Informationsfluss und die Anfälligkeit für Krankheiten haben und häufig unter essentiellen Genen und klinisch relevanten Zielen angereichert werden. Allerdings haben nur wenige Studien diesen Rahmen speziell auf den RAS-Signalweg angewandt, was eine Lücke in unserem Verständnis darüber hinterlässt, wie Netzwerkzentralität mit RAS-vermittelter Onkogenese zusammenhängt. Die aktuelle Studie schließt diese Lücke, indem sie systematisch zentrale Proteine im RAS-Weg identifiziert und ihre Rolle in der Krebsbiologie bewertet. Dieser Ansatz verbessert nicht nur die Reproduzierbarkeit durch ein klares rechnergestütztes Protokoll, sondern hebt auch neuartige Ziele für Krebstherapien hervor und fördert so die Integration von Systembiologie mit translationaler Onkologie.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

Diese Studie basierte ausschließlich auf der Analyse öffentlich zugänglicher Datensätze und umfasste weder menschliche Teilnehmer, Tierprobanden noch Gewebeproben. Daher war keine Genehmigung des Institutional Review Board (IRB) oder des Animal Care and Use Committee (IACUC) erforderlich.

Datenerhebung und Vorverarbeitung
Humane PPI-Daten und kuratierte RAS-Signalwegproteine wurden aus öffentlich zugänglichen Repositorien abgerufen, darunter Genome Biology functional protein interaction datasets23 und die Comparative Toxicogenomics Database (CTD) (https://ctdbase.org/). Datensätze wurden zu tab-getrennten Textdateien standardisiert, um Einheitlichkeit zu gewährleisten. Die Vorverarbeitung umfasste das Entfernen doppelter Interaktionen, das Entfernen von Selbstschleifen und das Filtern nicht-menschlicher Einträge. Eine vollständige Liste aller Proteine, die in der standardisierten, tab-getrennten Eingabedatei enthalten sind, ist in der ergänzenden Tabelle S1 bereitgestellt.

Netzwerkbau
Das menschliche PPI-Netzwerk wurde als Graph modelliert, in dem Proteine Knoten repräsentieren und ihre Interaktionen Kanten darstellen. Zur Berechnung der kürzesten Pfadentfernungen wurde Dijkstras Algorithmus mit einem benutzerdefinierten Python-Skript implementiert, das in die Boost Graph Library (C++) (http://www.boost.org/) integriert war. Der zentrale Knoten wurde definiert als das Protein mit der kleinsten maximalen kürzesten Wegentfernung zu allen anderen. Das Netzwerk wurde dann in Zonen unterteilt, basierend auf der Entfernung zu diesem zentralen Protein.

Zonenklassifikation und Wegkartierung
Die Proteine wurden entsprechend ihrer Entfernung zum zentralen Protein in hierarchische Zonen (Zone 1, Zone 2 usw.) eingeteilt. Zone 1, die die zentralsten und hoch verbundenen Proteine enthält, wurde für die Analyse ausgewählt. Die Proteine in Zone 1 wurden mit kuratierten Listen der RAS-Signalweg-Proteine abgeglichen. Alle in dieser Studie verwendeten rechnergestützten Verfahren folgen dem zuvor von Fadhal et al.17 beschriebenen Rahmen, wobei sich die vorliegende Arbeit speziell auf die biologische Interpretation von RAS-assoziierten Proteinen innerhalb der ersten hierarchischen Netzwerkzone konzentriert.

Funktionale Anreicherungsanalyse
Die funktionale Anreicherungsanalyse wurde unter Verwendung von CTD-Annotationen zusammen mit kuratierten Pathway-Datenbanken durchgeführt, wobei die statistische Signifikansgröße durch einen korrigierten P-Wert-Cutoff von 0,01 definiert wurde.

Bewertung von Onkogenen und Tumorsuppressoren
Zentrale Proteine, die sich mit dem RAS-Signalweg überlappen, wurden weiter hinsichtlich ihrer onkogenen oder tumorsuppressorischen Rollen untersucht. Die Daten wurden aus groß angelegten Projekten zur Krebsgenomsequenzierung extrahiert und gegen krebsbezogene Datenbanken validiert. Proteine wurden basierend auf veröffentlichten Evidenzenin Onkogene, Tumorsuppressoren, apoptosebezogene Proteine oder therapeutische Ziele klassifiziert.

Reproduzierbarkeit und Validierung
Alle computergestützten Analysen wurden dreifach mit unabhängigen PPI-Datensätzen wiederholt. Diese Verfahren, einschließlich aller Protokollschritte und Implementierungsdetails, wurden nach der in unserer zuvor veröffentlichten Arbeitbeschriebenen Methodik 17 durchgeführt. Die Ergebnisse waren über unabhängige Durchläufe hinweg konsistent und bestätigten die Robustheit und Reproduzierbarkeit des Protokolls. Um die Reproduzierbarkeit sicherzustellen, wurde jeder Schritt des Workflows überprüft und detailliert beschrieben, um zu verdeutlichen, wie die Analyse durchgeführt wird. Der vollständige Workflow, einschließlich Quellcode und Datensätze, wird im Supplementary Data S4 bereitgestellt. Alle Analysen können auf einer Standard-Arbeitsstation ohne spezielle Hardware reproduziert werden.

Workflow-Schaltplan
Ein Gesamtschema des Studiendesigns wird bereitgestellt (Abbildung 1). Dieses Diagramm fasst jeden Schritt des Protokolls zusammen: 1) Datenerhebung und Vorverarbeitung, 2) Netzwerkaufbau, 3) Zonenklassifikation und -kartierung, 4) Analyse funktioneller Anreicherung, 5) Bewertung von Onkogen-/Tumorsuppressoren und 6) Visualisierung der Ergebnisse.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

In unserer vorherigen Arbeit haben wir die zonenbasierte Methodik zur Modellierung von PPI-Netzwerken als metrische Räume17 entwickelt. Dieser Ansatz ermöglichte die Klassifizierung von Proteinen in hierarchische Zonen entsprechend ihrer Entfernung zum zentralen Knoten; wobei Zone 1 die am stärksten verbundenen und funktionell wichtigen Proteine repräsentiert. Aufbauend auf dieser Grundlage konzentriert sich die vorliegende Studie speziell auf Zone-1-Proteine, die...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

Diese Studie präsentiert einen graphentheoretischen Rahmen zur Analyse von Protein-Protein-Interaktionsnetzwerken innerhalb des RAS-Signalwegs, um zentral verbundene Proteine mit funktioneller Relevanz zu identifizieren. Durch die Modellierung des PPI-Netzwerks als metrischen Raum und Fokus auf Zone-1-Proteine, die durch minimale kürzeste Wegentfernungen definiert sind, hebt die Analyse Proteine hervor, die strukturell zentrale Positionen innerhalb des Signalwegs einnehmen. Proteine wie ...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

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

Alle Autoren erklären, dass es keine Interessenkonflikte im Zusammenhang mit diesem Werk gibt.

Danksagungen

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

Diese Arbeit wurde von der Dekanat für wissenschaftliche Forschung, der Vizepräsidentschaft für Graduiertenstudien und wissenschaftliche Forschung der King Faisal University, Saudi-Arabien, KFU260567.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Menschliches Protein– Datensätze für ProteininteraktionenÖffentliche Archive (Genombiologie, BioGRID, IntAct)Accessions-IDs (wie in den Quellen zitiert)N/A
Liste der Proteine des RAS-SignalwegsVergleichende Toxikogenomik-Datenbankhttps://ctdbase.org/ RRID:SCR_006530
Python (Version 3.10 oder höher)Python Software Foundation (USA)https://www.python.org/RRID:SCR_008394
Boost-Graphenbibliothek (C++)Boost.org (USA)https://www.boost.org/N/A
Cytoscape (zur Visualisierung verwendet)Cytoscape-KonsortiumVersion 3.9.1RRID:SCR_003032
Großräumige KrebsgenomsequenzierungsdatenDer Krebsgenom-Atlas (TCGA)https://www.cancer.gov/ccg/research/genome-sequencing/tcgaRRID:SCR_003193

Referenzen

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

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

RAS Signaling PathwayProtein Protein InteractionGraph Theoretical AnalysisCentral ProteinsCancer ProgressionFunctional EnrichmentTherapeutic TargetsOncogene EvaluationNetwork ModelingApoptosis Resistance

Verwandte Artikel