Onderzoeksartikel

Grafentheoretische analyse van een gemodelleerd eiwit-eiwit interactienetwerk in de RAS-signaalroute

DOI:

10.3791/69681

⸱

13 maart 2026

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

In dit artikel

Samenvatting

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

Deze studie past een grafentheoretisch kader toe op een gemodelleerd eiwit-eiwit interactienetwerk van de RAS-signaalroute om centraal verbonden zone 1-eiwitten te identificeren en hun functionele en biologische relevantie te karakteriseren.

Samenvatting

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

Het RAS-signaalpad is een fundamentele regelaar van de groei, proliferatie en overleving van cellulaire groei. Dysregulatie van deze route is sterk betrokken bij de ontwikkeling van kanker, maar systematische strategieën om te identificeren welke route-eiwitten de meest veelbelovende therapeutische doelwitten vertegenwoordigen, blijven beperkt. De reden van deze studie was het onderzoeken van de diversiteit van centrale eiwitten binnen de RAS-signaalroute en het beoordelen van hun functionele betekenis in de kankerbiologie. Om dit te bereiken hebben we het interactienetwerk tussen mens en eiwit gemodelleerd als een metrische ruimte met behulp van een grafentheoretisch kader. Kortste padafstanden werden berekend om de meest centrale eiwitten te identificeren, die vervolgens werden geclassificeerd in functionele zones. Eiwitten in zone 1, die de meest verbonden zone vertegenwoordigen, werden gekruist met gecureerde RAS-routedatasets. Analyse van functionele verrijking, evaluatie van oncogen/tumorsuppressors en integratie van kankergenoomgegevens werden gebruikt om biologische rollen en therapeutisch potentieel te interpreteren. De resultaten toonden aan dat 95,2% van de centrale RAS-eiwitten betrokken is bij signaaltransductie, waarvan 59,5% als essentieel wordt geclassificeerd. Belangrijke eiwitten zoals BCL2L1, RAF1, RHOA, MAP2K1, EGFR, CDC42 en ANGPT1 werden geïdentificeerd als centrale spelers in processen waaronder apoptoseresistentie, metastase, angiogenese en tumorprogressie. Verschillende van deze eiwitten vertoonden ook sterke associaties met gevestigde oncogenen en succesvolle therapeutische doelwitten. Concluderend toont deze studie aan dat centrale eiwitten in de RAS-signaalweg functionele diversiteit vertonen die hun belang in de progressie van kanker onderbouwt. Deze bevindingen bieden een reproduceerbare, netwerkgebaseerde workflow voor het identificeren van pathway-relevante moleculaire kandidaten en dragen bij aan de ontwikkeling van preciezere, pathway-georiënteerde kankertherapieën.

Inleiding

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

De RAS-signaalweg is een cruciale regulator van cellulaire communicatie en is uitgebreid bestudeerd vanwege zijn centrale rol in oncogenese1. Deze route, bestaande uit een reeks onderling verbonden eiwitten, geeft extracellulaire signalen door aan de kern en reguleert zo belangrijke cellulaire processen zoals proliferatie, groei en differentiatie2.

De ontdekking van RAS-oncogenen ontstond uit vroege studies naar transformerende retrovirussen, te beginnen met de identificatie van het Harvey-sarcoomvirus in de jaren zestig, dat aantoonde dat virale genen kwaadaardige transformatie in zoogdiercellenkonden induceren. Dit concept werd later uitgebreid naar menselijke kanker toen Der en collega's aantoonden dat de transformerende genen die werden geïdentificeerd in menselijke blaas- en longcarcinoomcellijnen homoloog waren aan de Harvey en Kirsten sarcoomvirus-oncogenen (HRAS en KRAS), waarmee RAS-genen werden gevestigd als bona fide cellulaire oncogenen die betrokken zijn bij menselijke maligniteiten4. Latere reviews hebben deze ontdekkingen en hun implicaties voor kankerbiologiesamengevat 5.

Naast oncologie is ook ontregelde RAS/MAPK-signalering in verband gebracht met cardiovasculaire aandoeningen, waaronder aangeboren hartziekten, cardiomyopathieën en vasculaire afwijkingen, wat de pleiotrope rollen van dit pad in diverse fysiologische en pathologische contexten benadrukt 6,7.

Bovendien is aangetoond dat RASopathieën significante hartmanifestaties veroorzaken, waarbij ontregelde RAS/MAPK-signalering wordt gekoppeld aan aangeboren en verworven hart- en vaatziekten 8,9. Daarnaast benadrukken studies van kleine GTPases zoals RhoA hun rol in harthypertrofie en cardioprotectie onder stressomstandigheden10,12. Deze bevindingen onderstrepen het bredere fysiologische belang van RAS-signalering buiten de kankerbiologie en rechtvaardigen verdere verkenning om gerichte therapeutische interventies te ontwikkelen in diverse ziektecontexten.

Verschillende computationele en bioinformatische studies hebben eerder de RAS-signaalroute onderzocht met behulp van netwerkgebaseerde, verrijkings- en systeembiologische benaderingen. Deze studies hebben zich gericht op padreconstructie, mutatiegedreven netwerkverstoringen, signaaloverpraat en voorspelling van geneesmiddelrespons 13,14,15. Hoewel informatief, beperken de meeste van deze benaderingen de analyse tot vooraf gedefinieerde padgrenzen of vertrouwen ze op lokale netwerkmaten. Daarentegen modelleert de huidige studie het gehele interactienetwerk tussen mensen en eiwitten als een metrische ruimte en identificeert centrale eiwitten vóór de routekaartlegging, waardoor een complementair, structuurgedreven perspectief op de organisatie van RAS-signalering wordt geboden.

Grafentheoretische modellen bieden een innovatief kader voor het begrijpen van complexe biologische netwerken. Door het eiwit-eiwitinteractie (PPI) netwerk als een metrische ruimte te conceptualiseren, kunnen eiwitten worden ingedeeld in zones op basis van hun afstand tot netwerkcentrum17. Eiwitten in zone 1, die de meest centrale en sterk verbonden knooppunten vertegenwoordigen, zijn vaak essentieel voor cellevensvatbaarheid en onevenredig betrokken bij ziektegerelateerde routes18. Eerdere netwerkgebaseerde studies hebben aangetoond dat centrale en sterk verbonden eiwitten een onevenredige invloed uitoefenen op netwerkstabiliteit, informatiestroom en vatbaarheid voor ziekten, en vaak worden verrijkt tussen essentiële genen en klinisch relevante doelen 19,20,21,22. Echter, weinig studies hebben dit kader specifiek toegepast op de RAS-signaalroute, waardoor er een kloof ontstaat in ons begrip van hoe netwerkcentraliteit zich verhoudt tot RAS-gemedieerde oncogenese. De huidige studie pakt deze kloof aan door systematisch centrale eiwitten binnen de RAS-route te identificeren en hun rol in de kankerbiologie te evalueren. Deze aanpak verbetert niet alleen de reproduceerbaarheid door een duidelijk computationeel protocol te bieden, maar benadrukt ook nieuwe doelen voor kankertherapieën, waardoor de integratie van systeembiologie met translationele oncologie wordt bevorderd.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Deze studie was uitsluitend gebaseerd op de analyse van publiek beschikbare datasets en betrof geen menselijke deelnemers, dierlijke proefpersonen of weefselmonsters. Daarom was er geen goedkeuring van de institutionele beoordelingscommissie (IRB) of een animal care and use committee (IACUC) vereist.

Dataverzameling en voorverwerking
Menselijke PPI-gegevens en gecureerde RAS-signaleringsroute-eiwitten werden opgehaald uit publiek toegankelijke archieven, waaronder Genome Biology functional protein interaction datasets23 en de Comparative Toxicogenomics Database (CTD) (https://ctdbase.org/). Datasets werden gestandaardiseerd tot tab-gescheiden tekstbestanden om uniformiteit te waarborgen. Preprocessing omvatte het verwijderen van dubbele interacties, het elimineren van zelfloops en het filteren van niet-menselijke invoeren. Een volledige lijst van alle eiwitten die zijn opgenomen in het gestandaardiseerde tab-gescheiden invoerbestand wordt gegeven in Aanvullende Tabel S1.

Netwerkconstructie
Het menselijke PPI-netwerk werd gemodelleerd als een grafiek waarin eiwitten knopen vertegenwoordigen en hun interacties randen weergeven. Om de kortste padafstanden te berekenen, werd Dijkstra's algoritme geïmplementeerd met een aangepaste Python-script geïntegreerd met de Boost Graph Library (C++) (http://www.boost.org/). De centrale knoop werd gedefinieerd als het eiwit met de kleinste maximale kortste padafstand tot alle andere. Het netwerk werd vervolgens opgedeeld in zones op basis van de afstand tot dit centrale eiwit.

Zoneclassificatie en padmapping
Eiwitten werden ingedeeld in hiërarchische zones (zone 1, zone 2, enz.) op basis van hun afstand tot het centrale eiwit. Zone 1, met de meest centrale en sterk verbonden eiwitten, werd geselecteerd voor analyse. Eiwitten in zone 1 werden gekruist met gecureerde lijsten van RAS-signaleringsroutes voor eiwitten. Alle computationele procedures die in deze studie worden gebruikt, volgen het eerder beschreven kader van Fadhal et al.17, waarbij het huidige werk zich specifiek richt op de biologische interpretatie van RAS-geassocieerde eiwitten binnen de eerste hiërarchische netwerkzone.

Functionele verrijkingsanalyse
Functionele verrijkingsanalyse werd uitgevoerd met behulp van CTD-annotaties naast gecureerde pathwaydatabases, met statistische significantie gedefinieerd door een gecorrigeerde P-waarde cutoff van 0,01.

Evaluatie van oncogeen en tumorsuppressoren
Centrale eiwitten die overlappen met de RAS-signaalroute werden verder onderzocht op hun oncogene of tumorsuppressorfuncties. Gegevens werden geëxtraheerd uit grootschalige projecten voor het volgen van het kankergenoom en gevalideerd aan kankergerelateerde databases. Eiwitten werden geclassificeerd in oncogenen, tumorsuppressoren, apoptose-gerelateerde eiwitten of therapeutische doelen op basis van gepubliceerd bewijs24,25.

Reproduceerbaarheid en validatie
Alle computationele analyses werden driemaal herhaald met behulp van onafhankelijke PPI-datasets. Deze procedures, inclusief alle protocolstappen en implementatiedetails, werden uitgevoerd volgens de methodologie beschreven in ons eerder gepubliceerde werk17. De resultaten waren consistent over onafhankelijke runs heen, wat de robuustheid en reproduceerbaarheid van het protocol bevestigde. Om reproduceerbaarheid te waarborgen, is elke stap van de workflow beoordeeld en met voldoende detail beschreven om te verduidelijken hoe de analyse wordt uitgevoerd. De volledige workflow, inclusief broncode en datasets, wordt verstrekt in de Aanvullende Data S4. Alle analyses kunnen worden gereproduceerd op een standaard werkstation zonder dat gespecialiseerde hardware nodig is.

Workflowschema
Een algemeen schema van het studieontwerp wordt verstrekt (Figuur 1). Dit diagram vat elke stap van het protocol samen: 1) Dataverzameling en preprocessing, 2) Netwerkconstructie, 3) Zoneclassificatie en -mapping, 4) Analyse van functionele verrijking, 5) Evaluatie van oncogenen/tumorsuppressor, en 6) Visualisatie van resultaten.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

In ons eerdere werk hebben we de zone-gebaseerde methodologie ontwikkeld voor het modelleren van PPI-netwerken als metrische ruimtes17. Deze benadering maakte het mogelijk om eiwitten in hiërarchische zones te classificeren op basis van hun afstand tot de centrale knoop; waarbij zone 1 de meest verbonden en functioneel essentiële eiwitten vertegenwoordigt. Voortbouwend op deze basis richt deze studie zich specifiek op zone 1-eiwitten die in ons eerdere onderzoek z...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Deze studie presenteert een grafentheoretisch kader voor het analyseren van eiwit-eiwitinteractienetwerken binnen de RAS-signaalroute om centraal verbonden eiwitten met functionele relevantie te identificeren. Door het PPI-netwerk te modelleren als een metrische ruimte en zich te richten op zone 1-eiwitten die worden gedefinieerd door minimale kortste-padafstanden, benadrukt de analyse eiwitten die structureel centrale posities binnen de route innemen. Eiwitten zoals BCL2L1, RAF1, RHOA, ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

Alle auteurs geven aan dat er geen belangenconflicten zijn met betrekking tot dit werk.

Dankbetuigingen

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

Dit werk werd ondersteund door het decanaat van wetenschappelijk onderzoek, vicevoorzitterschap voor graduate studies en wetenschappelijk onderzoek, King Faisal University, Saoedi-Arabië KFU260567.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Human protein–protein interactie datasetsPublieke repositories (Genome Biology, BioGRID, IntAct)Accession IDs (zoals geciteerd in refs)N/A
RAS signaaltransductie pad eiwitlijstComparative Toxicogenomics Databasehttps://ctdbase.org/ RRID:SCR_006530
Python (Versie 3.10 of hoger)Python Software Foundation (USA)https://www.python.org/RRID:SCR_008394
Boost Graph Library (C++)Boost.org (USA)https://www.boost.org/N/A
Cytoscape (gebruikt voor visualisatie)Cytoscape ConsortiumVersie 3.9.1RRID:SCR_003032
Grootschalige kanker genoom sequencing dataThe Cancer Genome Atlas (TCGA)https://www.cancer.gov/ccg/research/genome-sequencing/tcgaRRID:SCR_003193

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Central ProteinsCancer ProgressionFunctional EnrichmentTherapeutic TargetsOncogene EvaluationNetwork ModelingApoptosis Resistance

Gerelateerde artikelen