Artículo de investigación

Análisis teórico de grafos de una red de interacción proteína-proteína modelada en la vía de señalización RAS

DOI:

10.3791/69681

⸱

13 de marzo de 2026

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

En este artículo

Resumen

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

Este estudio aplica un marco de teoría de grafos a una red de interacción proteína-proteína modelada de la vía de señalización del RAS para identificar proteínas centralmente conectadas en la zona 1 y caracterizar su relevancia funcional y biológica.

Resumen

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

La vía de señalización del RAS es un regulador fundamental del crecimiento, la proliferación y la supervivencia celular. La desregulación de esta vía está fuertemente implicada en el desarrollo del cáncer, aunque las estrategias sistemáticas para identificar qué proteínas de la vía representan los objetivos terapéuticos más prometedores siguen siendo limitadas. La razón de este estudio fue investigar la diversidad de proteínas centrales dentro de la vía de señalización del SAR y evaluar su importancia funcional en la biología del cáncer. Para lograrlo, modelamos la red de interacción proteína-proteína humana como un espacio métrico utilizando un marco de teoría de grafos. Se calcularon distancias de camino más corto para identificar las proteínas más centrales, que luego se clasificaron en zonas funcionales. Las proteínas localizadas en la zona 1, que representa la zona más conectada, fueron cruzadas con conjuntos de datos curados de las vías RAS. Se utilizaron análisis de enriquecimiento funcional, evaluación de oncogenes y supresores tumorales e integración de datos del genoma del cáncer para interpretar los roles biológicos y el potencial terapéutico. Los resultados revelaron que el 95,2% de las proteínas del SAR central están implicadas en la señalización, y el 59,5% se clasifica como esencial. Proteínas clave como BCL2L1, RAF1, RHOA, MAP2K1, EGFR, CDC42 y ANGPT1 fueron identificadas como actores centrales en procesos como la resistencia a la apoptosis, la metástasis, la angiogénesis y la progresión tumoral. Varias de estas proteínas también mostraron fuertes asociaciones con oncogenes establecidos y objetivos terapéuticos exitosos. En conclusión, este estudio demuestra que las proteínas centrales de la vía de señalización del SAR presentan una diversidad funcional que sustenta su importancia en la progresión del cáncer. Estos hallazgos proporcionan un flujo de trabajo reproducible basado en redes para identificar candidatos moleculares relevantes para las vías y contribuyen al desarrollo de terapias contra el cáncer más precisas y orientadas a las vías.

Introducción

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

La vía de señalización del RAS es un regulador crítico de la comunicación celular y ha sido ampliamente estudiada debido a su papel central en laoncogénesis 1. Esta vía, compuesta por una serie de proteínas interconectadas, transmite señales extracelulares al núcleo, regulando así procesos celulares clave como la proliferación, el crecimiento yla diferenciación 2.

El descubrimiento de los oncogenes del SAR se originó en los primeros estudios sobre retrovirus transformadores, comenzando con la identificación del virus del sarcoma de Harvey en los años 60, que demostró que los genes virales podían inducir la transformación maligna en células demamíferos 3. Este concepto se extendió posteriormente al cáncer humano cuando Der y sus colegas demostraron que los genes transformantes identificados en las líneas celulares de la vejiga y el carcinoma de pulmón eran homólogos a los oncogenes del virus del sarcoma de Harvey y Kirsten (HRAS y KRAS), estableciendo así a los genes RAS como oncogenes celulares legítimos implicados en malignidadeshumanas 4. Revisiones posteriores han resumido estos descubrimientos y sus implicaciones para la biología del cáncer5.

Más allá de la oncología, la señalización RAS/MAPK desregulada también ha estado implicada en trastornos cardiovasculares, incluyendo cardiopatía congénita, miocardiopatías y anomalías vasculares, lo que subraya los roles pleiotrópicos de esta vía en diversos contextos fisiológicosy patológicos 6,7.

Además, se ha demostrado que las RASopatías causan manifestaciones cardíacas significativas, vinculando la señalización desregulada de RAS/MAPK con enfermedades congénitas y cardiovascularesadquiridas 8,9. Además, estudios sobre pequeñas GTPasas como RhoA destacan su papel en la hipertrofia cardíaca y la cardioprotección bajo condiciones de estrés10,12. Estos hallazgos subrayan la importancia fisiológica más amplia de la señalización del SAR fuera de la biología del cáncer y justifican una exploración adicional para desarrollar intervenciones terapéuticas dirigidas en diversos contextos de enfermedades.

Varios estudios computacionales y bioinformáticos han explorado previamente la vía de señalización RAS utilizando enfoques basados en redes, enriquecimiento y biología de sistemas. Estos estudios se han centrado en la reconstrucción de vías, perturbaciones de redes impulsadas por mutaciones, diafonía de señalización y predicción de la respuesta afármacos 13,14,15. Aunque informativos, la mayoría de estos enfoques restringen el análisis a límites de rutas predefinidos o dependen de medidas de red local. En cambio, el presente estudio modela toda la red de interacción proteína-proteína humana como un espacio métrico e identifica proteínas centrales antes del mapeo de vías, proporcionando así una perspectiva complementaria y estructural, impulsada por la estructura, sobre la organización de la señalización RAS.

Los modelos de teoría de grafos proporcionan un marco innovador para comprender redes biológicas complejas. Conceptualizando la red de interacción proteína-proteína (PPI) como un espacio métrico, las proteínas pueden clasificarse en zonas según su distancia al centro de red17. Las proteínas de la zona 1, que representan los nodos más centrales y altamente conectados, suelen ser esenciales para la viabilidad celular y están desproporcionadamente implicadas en las vías relacionadas conenfermedades 18. Estudios previos basados en redes han demostrado que las proteínas centrales y altamente conectadas ejercen una influencia desproporcionada sobre la estabilidad de la red, el flujo de información y la susceptibilidad a enfermedades, y que frecuentemente se enriquecen entre genes esenciales y dianas clínicamenterelevantes 19,20,21,22. Sin embargo, pocos estudios han aplicado este marco específicamente a la vía de señalización RAS, dejando un vacío en nuestra comprensión de cómo la centralidad de la red se relaciona con la oncogénesis mediada por RAS. El estudio actual aborda esta carencia identificando sistemáticamente las proteínas centrales dentro de la vía del SAR y evaluando su papel en la biología del cáncer. Este enfoque no solo mejora la reproducibilidad al proporcionar un protocolo computacional claro, sino que también destaca nuevos objetivos para terapias contra el cáncer, avanzando así en la integración de la biología de sistemas con la oncología traslacional.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

Este estudio se basó exclusivamente en el análisis de conjuntos de datos disponibles públicamente y no involucró a participantes humanos, sujetos animales ni muestras de tejido. Por lo tanto, no se requería la aprobación de un comité de revisión institucional (IRB) ni del comité de cuidado y uso de animales (IACUC).

Recogida y preprocesamiento de datos
Se recuperaron datos humanos de IBP y proteínas curadas de la vía de señalización RAS de repositorios de acceso público, incluyendo los conjuntos de datos de interacción funcional de proteínas de Biología del Genomay la Base de Datos Comparativa de Toxicogenómica (CTD) (https://ctdbase.org/). Los conjuntos de datos se estandarizaron en archivos de texto delimitados por tabulaciones para garantizar la uniformidad. El preprocesamiento incluía la eliminación de interacciones duplicadas, la eliminación de bucles propios y el filtrado de entradas no humanas. Una lista completa de todas las proteínas incluidas en el archivo de entrada estandarizado delimitado por tabulación se proporciona en la Tabla Suplementaria S1.

Construcción de la red
La red de IBP humana se modeló como un grafo en el que las proteínas representan nodos y sus interacciones representan aristas. Para calcular las distancias de camino más corto, el algoritmo de Dijkstra se implementó usando un script Python personalizado integrado con la Boost Graph Library (C++) (http://www.boost.org/). El nodo central se definió como la proteína con la menor distancia máxima de camino corto a todas las demás. La red se particionó entonces en zonas basadas en la distancia a esta proteína central.

Clasificación de zonas y mapeo de rutas
Las proteínas se clasificaban en zonas jerárquicas (zona 1, zona 2, etc.) según su distancia a la proteína central. Se seleccionó la Zona 1, que contiene las proteínas más centrales y altamente conectadas, para su análisis. Las proteínas de la zona 1 fueron cruzadas con listas de proteínas seleccionadas de la vía de señalización del RAS. Todos los procedimientos computacionales empleados en este estudio siguen el marco previamente descrito por Fadhal et al.17, con el presente trabajo centrado específicamente en la interpretación biológica de proteínas asociadas al SAR dentro de la primera zona jerárquica de la red.

Análisis de enriquecimiento funcional
El análisis de enriquecimiento funcional se realizó utilizando anotaciones CTD junto con bases de datos de rutas seleccionadas, con significación estadística definida por un corte de valor P corregido de 0,01.

Evaluación de oncogenes y supresores tumorales
Se examinaron más a fondo las proteínas centrales que se solapaban con la vía de señalización del SRA para determinar sus funciones oncogénicas o supresoras tumorales. Se extrajeron datos de grandes proyectos de secuenciación del genoma del cáncer y se validaron con bases de datos relacionadas con el cáncer. Las proteínas se clasificaron en oncogenes, supresores tumorales, proteínas relacionadas con la apoptosis o objetivos terapéuticos según la evidenciapublicada 24,25.

Reproducibilidad y validación
Todos los análisis computacionales se repitieron en triplicado utilizando conjuntos de datos independientes de PPI. Estos procedimientos, incluyendo todos los pasos del protocolo y detalles de implementación, se realizaron siguiendo la metodología descrita en nuestro trabajo previamentepublicado 17. Los resultados fueron consistentes en ejecuciones independientes, confirmando la robustez y reproducibilidad del protocolo. Para garantizar la reproducibilidad, cada paso del flujo de trabajo ha sido revisado y descrito con suficiente detalle para aclarar cómo se realiza el análisis. El flujo de trabajo completo, incluyendo código fuente y conjuntos de datos, se proporciona en el Supplementary Data S4. Todos los análisis pueden reproducirse en una estación de trabajo estándar sin necesidad de hardware especializado.

Esquema del flujo de trabajo
Se proporciona un esquema general del diseño del estudio (Figura 1). Este diagrama resume cada paso del protocolo: 1) Recogida y preprocesamiento de datos, 2) Construcción de la red, 3) Clasificación y mapeo de zonas, 4) Análisis de enriquecimiento funcional, 5) Evaluación de oncogenos/supresores tumorales, y 6) Visualización de resultados.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

En nuestro trabajo anterior, desarrollamos la metodología basada en zonas para modelar redes PPI como espaciosmétricos 17. Este enfoque permitió clasificar las proteínas en zonas jerárquicas según su distancia al nodo central; con la zona 1 representando las proteínas más conectadas y funcionalmente esenciales. Partiendo de esta base, el presente estudio se centra específicamente en las proteínas de la zona 1 identificadas en nuestro trabajo anterior e investiga s...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

Este estudio presenta un marco de teoría de grafos para analizar redes de interacción proteína-proteína dentro de la vía de señalización RAS con el fin de identificar proteínas centralmente conectadas con relevancia funcional. Al modelar la red PPI como un espacio métrico y centrarse en proteínas de la zona 1 definidas por distancias mínimas de camino más corto, el análisis destaca proteínas que ocupan posiciones estructuralmente centrales dentro de la vía. Proteínas como BCL2L1, RAF1, R...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Todos los autores declaran que no existen conflictos de interés relacionados con esta obra.

Agradecimientos

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

Este trabajo fue apoyado por el Decano de Investigación Científica, Vicepresidencia de Estudios de Posgrado e Investigación Científica, Universidad King Faisal, Arabia Saudí KFU260567.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Proteína humana y guiño; Conjuntos de datos de interacciones proteicasRepositorios públicos (Biología del Genoma, BioGRID, IntAct)IDs de acceso (citados en las referencias)N/A
Lista de proteínas de la vía de señalización del RASBase de Datos Comparativa de Toxicogenómicahttps://ctdbase.org/ RRID:SCR_006530
Python (Versión 3.10 o superior)Fundación de Software Python (EE. UU.)https://www.python.org/RRID:SCR_008394
Biblioteca de grafos Boost (C++)Boost.org (EE. UU.)https://www.boost.org/N/A
Cytoscape (usado para visualización)Consorcio CytoscapeVersión 3.9.1RRID:SCR_003032
Datos a gran escala de secuenciación del genoma del cáncerEl Atlas del Genoma del Cáncer (TCGA)https://www.cancer.gov/ccg/research/genome-sequencing/tcgaRRID:SCR_003193

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Central ProteinsCancer ProgressionFunctional EnrichmentTherapeutic TargetsOncogene EvaluationNetwork ModelingApoptosis Resistance

Artículos relacionados