Articolo di ricerca

Analisi in teoria dei grafi di una rete di interazione proteina-proteina modellata nella via di segnalazione RAS

DOI:

10.3791/69681

⸱

13 marzo 2026

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

In questo articolo

Sommario

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

Questo studio applica un quadro di teoria dei grafi a una rete di interazione proteina-proteina modellata della via di segnalazione RAS per identificare proteine della zona 1 centralmente connesse e caratterizzarne la rilevanza funzionale e biologica.

Abstract

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

La via di segnalazione RAS è un regolatore fondamentale della crescita, proliferazione e sopravvivenza cellulare. La disregolazione di questa via è fortemente implicata nello sviluppo del cancro, tuttavia le strategie sistematiche per identificare quali proteine della via rappresentano i bersagli terapeutici più promettenti rimangono limitate. La motivazione di questo studio era di indagare la diversità delle proteine centrali all'interno della via di segnalazione RAS e valutarne il significato funzionale nella biologia del cancro. Per raggiungere questo obiettivo, abbiamo modellato la rete di interazione proteina-proteina umana come uno spazio metrico utilizzando un quadro di teoria dei grafi. Le distanze di percorso più breve venivano calcolate per identificare le proteine più centrali, che poi venivano classificate in zone funzionali. Le proteine situate nella zona 1, che rappresenta la zona più connessa, sono state incrociate con dataset curati delle vie RAS. Sono state utilizzate analisi di arricchimento funzionale, valutazione di oncogeni/soppressori tumorali e integrazione dei dati genomici del cancro per interpretare i ruoli biologici e il potenziale terapeutico. I risultati hanno rivelato che il 95,2% delle proteine del RAS centrale è coinvolto nella segnalazione, con il 59,5% classificato come essenziali. Proteine chiave come BCL2L1, RAF1, RHOA, MAP2K1, EGFR, CDC42 e ANGPT1 sono state identificate come attori centrali in processi quali la resistenza all'apoptosi, la metastasi, l'angiogenesi e la progressione tumorale. Diverse di queste proteine hanno inoltre mostrato forti associazioni con oncogeni consolidati e bersagli terapeutici di successo. In conclusione, questo studio dimostra che le proteine centrali nella via di segnalazione RAS mostrano una diversità funzionale che ne sta alla base l'importanza nella progressione del cancro. Questi risultati forniscono un flusso di lavoro riproducibile basato su rete per identificare candidati molecolari rilevanti per le vie e contribuiscono allo sviluppo di terapie oncologiche più precise e orientate alle vie di navigazione.

Introduzione

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

La via di segnalazione RAS è un regolatore critico della comunicazione cellulare ed è stata ampiamente studiata grazie al suo ruolo centrale nell'oncogenesi1. Questa via, composta da una serie di proteine interconnesse, trasmette segnali extracellulari al nucleo, regolando così processi cellulari chiave come proliferazione, crescita edifferenziazione 2.

La scoperta degli oncogeni RAS ha avuto origine da studi precoci su retrovirus trasformanti, a partire dall'identificazione del virus del sarcoma di Harvey negli anni '60, che dimostrò che i geni virali potevano indurre la trasformazione maligna nelle celluledi mammifero 3. Questo concetto fu successivamente esteso al cancro umano quando Der e colleghi dimostrarono che i geni trasformanti identificati nelle linee cellulari del carcinoma della vescica e dei polmoni umani erano omologhi agli oncogeni del virus sarcoma di Harvey e Kirsten (HRAS e KRAS), stabilendo così i geni RAS come oncogeni cellulari veri e propri implicati nelle neoplasieumane 4. Revisioni successive hanno riassunto queste scoperte e le loro implicazioni per la biologia delcancro 5.

Oltre all'oncologia, la segnalazione disregolata RAS/MAPK è stata anche implicata in disturbi cardiovascolari, tra cui cardiopatie congenite, cardiomiopatie e anomalie vascolari, sottolineando i ruoli pleiotropi di questa via in diversi contesti fisiologicie patologici 6,7.

Inoltre, è stato dimostrato che le RASopatie causano manifestazioni cardiache significative, collegando segnalazioni RAS/MAPK disregolate a malattie cardiovascolari congenite eacquisite 8,9. Inoltre, studi su piccole GTPasi come RhoA evidenziano il loro ruolo nell'ipertrofia cardiaca e nella cardioprotezione in condizioni di stress10,12. Questi risultati sottolineano l'importanza fisiologica più ampia della segnalazione RAS al di fuori della biologia del cancro e giustificano ulteriori esplorazioni per sviluppare interventi terapeutici mirati in diversi contesti di malattia.

Diversi studi computazionali e bioinformatici hanno precedentemente esplorato la via di segnalazione RAS utilizzando approcci basati su rete, arricchimento e biologia dei sistemi. Questi studi si sono concentrati sulla ricostruzione delle vie di marcia, sulle perturbazioni della rete guidate da mutazioni, sulla diafonia di segnalazione e sulla previsione della risposta ai farmaci 13,14,15. Sebbene informativi, la maggior parte di questi approcci limita l'analisi ai confini predefiniti dei percorsi o si basa su misure di rete locali. Al contrario, il presente studio modella l'intera rete di interazione proteina-proteina umana come uno spazio metrico e identifica le proteine centrali prima della mappatura delle vie di marcia, fornendo così una prospettiva complementare e guidata dalla struttura sull'organizzazione della segnalazione RAS.

I modelli di teoria dei grafi forniscono un quadro innovativo per comprendere le reti biologiche complesse. Concettualizzando la rete di interazione proteina-proteina (PPI) come uno spazio metrico, le proteine possono essere classificate in zone in base alla loro distanza dal centro di rete17. Le proteine nella zona 1, che rappresentano i nodi più centrali e altamente connessi, sono spesso essenziali per la vitalità cellulare e sproporzionatamente coinvolte nelle vie correlate allamalattia 18. Studi precedenti basati su reti hanno dimostrato che le proteine centrali e altamente connesse esercitano un'influenza sproporzionata sulla stabilità della rete, sul flusso di informazioni e sulla suscettibilità alle malattie, e sono frequentemente arricchite tra geni essenziali e bersagli clinicamenterilevanti 19,20,21,22. Tuttavia, pochi studi hanno applicato questo quadro specificamente alla via di segnalazione RAS, lasciando una lacuna nella nostra comprensione di come la centralità della rete si relazioni all'oncogenesi mediata dalla RAS. L'attuale studio colma questa lacuna identificando sistematicamente le proteine centrali all'interno del percorso RAS e valutando il loro ruolo nella biologia del cancro. Questo approccio non solo migliora la riproducibilità fornendo un protocollo computazionale chiaro, ma mette anche in evidenza nuovi obiettivi per le terapie oncologiche, promuovendo così l'integrazione della biologia dei sistemi con l'oncologia traslazionale.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

Questo studio si è basato esclusivamente sull'analisi di dataset pubblici e non ha coinvolto partecipanti umani, soggetti animali o campioni di tessuto. Pertanto, non era richiesta l'approvazione di un comitato di revisione istituzionale (IRB) o del comitato per la cura e l'uso degli animali (IACUC).

Raccolta e preelaborazione dei dati
I dati PPI umani e le proteine curate della via di segnalazione RAS sono stati recuperati da repository accessibili pubblicamente, inclusi i dataset di interazione funzionale delle proteineGenome Biology 23 e il Comparative Toxicogenomics Database (CTD) (https://ctdbase.org/). I dataset sono stati standardizzati in file di testo delimitati da tabulazioni per garantire l'uniformità. La pre-elaborazione includeva la rimozione delle interazioni duplicate, l'eliminazione di auto-loop e il filtraggio delle voci non umane. Un elenco completo di tutte le proteine incluse nel file di input standardizzato delimitato per tabulazioni è fornito nella Tabella Supplementare S1.

Costruzione della rete
La rete PPI umana è stata modellata come un grafo in cui le proteine rappresentano nodi e le loro interazioni rappresentano gli archi. Per calcolare le distanze di percorso più brevi, l'algoritmo di Dijkstra è stato implementato utilizzando uno script Python personalizzato integrato con la Boost Graph Library (C++) (http://www.boost.org/). Il nodo centrale è stato definito come la proteina con la distanza massima minima di percorso più breve rispetto a tutte le altre. La rete è stata poi suddivisa in zone basate sulla distanza da questa proteina centrale.

Classificazione delle zone e mappatura dei percorsi
Le proteine sono state classificate in zone gerarchiche (zona 1, zona 2, ecc.) in base alla loro distanza dalla proteina centrale. È stata selezionata la Zona 1, contenente le proteine più centrali e altamente connesse, per l'analisi. Le proteine della zona 1 sono state incrociate con liste proteiche curate delle vie di segnalazione RAS. Tutte le procedure computazionali impiegate in questo studio seguono il quadro precedentemente descritto da Fadhal et al.17, con il presente lavoro che si concentra specificamente sull'interpretazione biologica delle proteine associate al RAS all'interno della prima zona di rete gerarchica.

Analisi dell'arricchimento funzionale
L'analisi di arricchimento funzionale è stata effettuata utilizzando annotazioni CTD insieme a database di percorsi curati, con la significatività statistica definita da un cutoff corretto del valore P di 0,01.

Valutazione di oncogeni e soppressori tumorali
Le proteine centrali che si sovrappongono alla via di segnalazione RAS sono state ulteriormente esaminate per il loro ruolo oncogenico o soppressore tumorale. I dati sono stati estratti da progetti di sequenziamento genomico su larga scala e validati contro database relativi al cancro. Le proteine sono state classificate in oncogeni, soppressori tumorali, proteine correlate all'apoptosi o bersagli terapeutici sulla base delle evidenzepubblicate 24,25.

Riproducibilità e validazione
Tutte le analisi computazionali sono state ripetute in triplicata utilizzando dataset PPI indipendenti. Queste procedure, inclusi tutti i passaggi del protocollo e i dettagli di implementazione, sono state eseguite seguendo la metodologia descritta nel nostro lavoroprecedentemente pubblicato 17. I risultati sono stati coerenti tra le esecuzioni indipendenti, confermando la robustezza e la riproducibilità del protocollo. Per garantire la riproducibilità, ogni fase del flusso di lavoro è stata rivista e descritta con sufficiente dettaglio da chiarire come viene eseguita l'analisi. Il flusso di lavoro completo, inclusi il codice sorgente e i dataset, è fornito nel Supplementary Data S4. Tutte le analisi possono essere riprodotte su una workstation standard senza la necessità di hardware specializzato.

Schema del flusso di lavoro
Viene fornito uno schema generale del disegno dello studio (Figura 1). Questo diagramma riassume ogni fase del protocollo: 1) Raccolta e preelaborazione dati, 2) costruzione della rete, 3) classificazione e mappatura delle zone, 4) analisi dell'arricchimento funzionale, 5) valutazione di oncogeni/soppressori tumorali e 6) visualizzazione dei risultati.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Nel nostro lavoro precedente, abbiamo sviluppato la metodologia basata sulle zone per modellare le reti PPI come spazimetrici 17. Questo approccio permise la classificazione delle proteine in zone gerarchiche in base alla loro distanza dal nodo centrale; con la zona 1 che rappresenta le proteine più connesse e funzionalmente essenziali. Partendo da queste basi, il presente studio si concentra specificamente sulle proteine della zona 1 identificate nei nostri lavor...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

Questo studio presenta un quadro di teoria dei grafi per analizzare le reti di interazione proteina-proteina all'interno della via di segnalazione RAS, al fine di identificare proteine centralmente connesse con rilevanza funzionale. Modellando la rete PPI come uno spazio metrico e concentrandosi sulle proteine della zona 1 definite da distanze minime di percorso più breve, l'analisi evidenzia le proteine che occupano posizioni strutturalmente centrali all'interno del percorso. Proteine t...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Tutti gli autori dichiarano che non ci sono conflitti di interesse legati a questo lavoro.

Ringraziamenti

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

Questo lavoro è stato sostenuto dal Preside della Ricerca Scientifica, Vicepresidente per gli Studi Post-Laurea e la Ricerca Scientifica, King Faisal University, Arabia Saudita KFU260567.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Proteina umana – Dataset di interazione proteicaRepository pubblici (Genome Biology, BioGRID, IntAct)ID di accessione (come citato nelle riferimenti)N/A
Elenco delle proteine delle vie di segnalazione RASDatabase di Tossicogenomica Comparativahttps://ctdbase.org/ RRID:SCR_006530
Python (Versione 3.10 o superiore)Python Software Foundation (USA)https://www.python.org/RRID:SCR_008394
Libreria Grafica Boost (C++)Boost.org (USA)https://www.boost.org/N/A
Cytoscape (utilizzato per la visualizzazione)Consorzio CytoscapeVersione 3.9.1RRID:SCR_003032
Dati su larga scala sul sequenziamento del genoma del cancroL'Atlante del Genoma del Cancro (TCGA)https://www.cancer.gov/ccg/research/genome-sequencing/tcgaRRID:SCR_003193

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

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

Articoli correlati