Artykuł badawczy

Analiza grafoteoriczna modelowanej sieci interakcji białko-białko w szlaku sygnalizacji RAS

DOI:

10.3791/69681

⸱

13 marca 2026

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

W tym artykule

Podsumowanie

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

Niniejsze badanie stosuje ramy teorii grafów do modelowanej sieci interakcji białko-białko szlaku sygnalizacyjnego RAS, aby zidentyfikować centralnie połączone białka strefy 1 oraz scharakteryzować ich funkcjonalne i biologiczne znaczenie.

Streszczenie

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

Szlak sygnalizacyjny RAS jest podstawowym regulatorem wzrostu, proliferacji i przetrwania komórek. Dysregulacja tego szlaku jest silnie powiązana z rozwojem nowotworów, jednak systematyczne strategie identyfikacji, które białka szlaku stanowią najbardziej obiecujące cele terapeutyczne, pozostają ograniczone. Celem tego badania było zbadanie różnorodności centralnych białek w szlaku sygnalizacyjnym RAS oraz ocena ich funkcjonalnego znaczenia w biologii nowotworów. Aby to osiągnąć, modelowaliśmy sieć interakcji białko-białko człowieka jako przestrzeń metryczną, wykorzystując ramy grafoteorii. Obliczono odległości najkrótszej ścieżki, aby zidentyfikować najbardziej centralne białka, które następnie klasyfikowano w strefy funkcjonalne. Białka znajdujące się w strefie 1, reprezentującej najbardziej połączoną strefę, zostały porównane z wyselekcjonowanymi zbiorami danych szlaków RAS. Analiza wzbogacenia funkcjonalnego, ocena onkogenów/supresorów nowotworowych oraz integracja danych z genomu nowotworu zostały wykorzystane do interpretacji ról biologicznych i potencjału terapeutycznego. Wyniki wykazały, że 95,2% białek centralnego RAS uczestniczy w sygnalizacji, a 59,5% jest klasyfikowanych jako niezbędne. Kluczowe białka, takie jak BCL2L1, RAF1, RHOA, MAP2K1, EGFR, CDC42 i ANGPT1, zostały zidentyfikowane jako centralni gracze w procesach takich jak odporność na apoptozę, przerzuty, angiogeneza i postęp guza. Kilka z tych białek wykazywało również silne powiązania z ustalonymi onkogenami i skutecznymi celami terapeutycznymi. Podsumowując, badanie to pokazuje, że centralne białka w szlaku sygnalizacyjnym RAS wykazują różnorodność funkcjonalną, która podkreśla ich znaczenie w postępie nowotworu. Te odkrycia zapewniają powtarzalny, sieciowy workflow do identyfikacji kandydatów molekularnych istotnych dla szlaków oraz przyczyniają się do rozwoju bardziej precyzyjnych, ukierunkowanych na szlaki terapii onkologicznych.

Wprowadzenie

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

Szlak sygnalizacyjny RAS jest kluczowym regulatorem komunikacji komórkowej i był szeroko badźony ze względu na swoją kluczową rolę w onkogenezie1. Ten szlak, złożony z serii połączonych białek, przekazuje sygnały zewnątrzkomórkowe do jądra, regulując tym samym kluczowe procesy komórkowe, takie jak proliferacja, wzrost i różnicowanie2.

Odkrycie onkogenów RAS wywodziło się z wczesnych badań nad transformującymi się retrowirusami, począwszy od identyfikacji wirusa mięsaka Harveya w latach 60., które wykazały, że geny wirusowe mogą indukować złośliwą transformację w komórkach ssaków3. Koncepcja ta została później rozszerzona na ludzki rak, gdy Der i współpracownicy wykazali, że geny transformujące zidentyfikowane w liniach komórkowych raka pęcherza i płuc są homologiczne z onkogenami z wirusem mięsaka Harveya i Kirsten (HRAS i KRAS), co ustanowiło geny RAS jako prawdziwe onkogeny komórkowe powiązane z nowotworami ludzkimi4. Kolejne przeglądy podsumowały te odkrycia i ich znaczenie dla biologii nowotworów5.

Poza onkologią, zaburzenia sygnalizacji RAS/MAPK również były powiązane z zaburzeniami sercowo-naczyniowymi, w tym wrodzonymi wadami serca, kardiomiopatiami oraz nieprawidłowościami naczyniowymi, co podkreśla plejotropowe role tego szlaku w różnych kontekstach fizjologicznych i patologicznych 6,7.

Ponadto wykazano, że RASopatie powodują znaczące objawy serca, łącząc dysregulowane sygnalizowanie RAS/MAPK z wrodzonymi i nabytymi chorobami sercowo-naczyniowymi 8,9. Ponadto badania małych GTPaz, takich jak RhoA, podkreślają ich rolę w przerostu serca i kardioprotekcji w warunkach stresowych 10,12. Wyniki te podkreślają szersze fizjologiczne znaczenie sygnalizacji RAS poza biologią nowotworów i uzasadniają dalsze badania w celu opracowania ukierunkowanych interwencji terapeutycznych w różnych kontekstach chorób.

Kilka badań obliczeniowych i bioinformatycznych wcześniej badało szlak sygnalizacji RAS, wykorzystując podejścia oparte na sieci, wzbogacanie i biologii systemowej. Badania te koncentrowały się na rekonstrukcji szlaków, mutacyjnych zaburzeniach sieciowych, przenikaniu sygnałów oraz przewidywaniu odpowiedzi leków 13,14,15. Choć są one informacyjne, większość tych podejść ogranicza analizę do wcześniej określonych granic ścieżek lub opiera się na lokalnych miarach sieci. Natomiast niniejsze badanie modeluje całą ludzką sieć interakcji białko-białko jako przestrzeń metryczną i identyfikuje białka centralne przed mapowaniem szlaków, oferując tym samym komplementarną, strukturą opartą perspektywę na organizację sygnalizacji RAS.

Modele grafoteorii stanowią innowacyjne ramy do zrozumienia złożonych sieci biologicznych. Konceptualizując sieć interakcji białko-białko (PPI) jako przestrzeni metrycznej, białka można klasyfikować w strefy według ich odległości od centrum sieci17. Białka w strefie 1, które stanowią najbardziej centralne i silnie połączone węzły, są często niezbędne dla żywotności komórek i są nieproporcjonalnie zaangażowane w szlaki związane z chorobą18. Wcześniejsze badania oparte na sieciach wykazały, że białka centralne i silnie połączone wywierają nieproporcjonalny wpływ na stabilność sieci, przepływ informacji oraz podatność na choroby, a często są wzbogacone o geny niezbędne i klinicznie istotne cele 19,20,21,22. Jednak niewiele badań zastosowało tę ramę konkretnie do szlaku sygnalizacji RAS, pozostawiając lukę w naszym rozumieniu tego, jak centralność sieci odnosi się do onkogenezy mediowanej przez RAS. Obecne badanie wypełnia tę lukę, systematycznie identyfikując centralne białka w szlaku RAS i oceniając ich rolę w biologii nowotworów. To podejście nie tylko zwiększa powtarzalność poprzez zapewnienie jasnego protokołu obliczeniowego, ale także podkreśla nowe cele terapii onkologicznej, przyczyniając się do integracji biologii systemów z onkologią translacyjną.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Badanie to opierało się wyłącznie na analizie publicznie dostępnych zbiorów danych i nie obejmowało uczestników ludzkich, zwierząt ani próbek tkanek. Dlatego nie wymagano zatwierdzenia instytucjonalnej komisji przeglądowej (IRB) ani komitetu ds. opieki i użytkowania zwierząt (IACUC).

Zbieranie i wstępne przetwarzanie danych
Dane ludzkie PPI oraz wyselekcjonowane białka szlaku sygnalizacyjnego RAS zostały pobrane z publicznie dostępnych repozytoriów, w tym z zestawów danych o funkcjonalnych interakcjach białek Genome Biology23 oraz Comparative Toxicogenomics Database (CTD) (https://ctdbase.org/). Zbiory danych zostały ustandaryzowane do plików tekstowych oddzielonych tabulatorami, aby zapewnić jednolitość. Wstępne przetwarzanie obejmowało usunięcie duplikatów interakcji, eliminację pętli własnych oraz filtrowanie wpisów nie-ludzkich. Pełna lista wszystkich białek zawartych w standaryzowanym pliku wejściowym oddzielonym tabulatorami znajduje się w Tabeli Uzupełniającej S1.

Budowa sieci
Ludzka sieć PPI została zaprojektowana jako graf, w którym białka reprezentują węzły, a ich interakcje krawędzie. Aby obliczyć odległości najkrótszej ścieżki, algorytm Dijktry został zaimplementowany przy użyciu niestandardowego skryptu Pythona zintegrowanego z Boost Graph Library (C++) (http://www.boost.org/). Węzeł centralny został zdefiniowany jako białko o najmniejszej maksymalnej, najkrótszej odległości do pozostałych. Sieć została następnie podzielona na strefy w zależności od odległości od tego centralnego białka.

Klasyfikacja stref i mapowanie szlaków
Białka klasyfikowano w strefy hierarchiczne (strefa 1, strefa 2 itd.) według odległości od białka centralnego. Do analizy wybrano strefę 1, zawierającą najbardziej centralne i silnie połączone białka. Białka w strefie 1 zostały porównane z wyselekcjonowanymi listami białek szlaków sygnalizacji RAS. Wszystkie procedury obliczeniowe stosowane w tym badaniu podążają za ramami wcześniej opisanymi przez Fadhala i in.17, a obecne prace koncentrują się szczególnie na biologicznej interpretacji białek związanych z RAS w pierwszej strefie hierarchicznej sieci.

Analiza wzbogacania funkcjonalnego
Analiza wzbogacenia funkcjonalnego została przeprowadzona przy użyciu adnotacji CTD wraz z wyselekcjonowanymi bazami danych szlaków, z istotnością statystyczną zdefiniowaną przez skorygowany próg wartości P wynoszący 0,01.

Ocena onkogenu i supresorów nowotworowych
Białka centralne nakładające się na szlak sygnalizacyjny RAS zostały dodatkowo zbadane pod kątem ich roli onkogennej lub supresorów nowotworowych. Dane zostały wyodrębnione z dużych projektów sekwencjonowania genomu nowotworowego i zweryfikowane w bazach danych związanych z rakiem. Białka zostały sklasyfikowane na onkogeny, supresory nowotworowe, białka związane z apoptozą lub cele terapeutyczne na podstawie opublikowanych dowodów24,25.

Powtarzalność i walidacja
Wszystkie analizy obliczeniowe powtarzano w trzech egzemplarzach przy użyciu niezależnych zbiorów danych PPI. Procedury te, w tym wszystkie kroki protokołu i szczegóły wdrożenia, zostały wykonane zgodnie z metodologią opisaną w naszej wcześniej opublikowanej pracy17. Wyniki były spójne we wszystkich niezależnych testach, co potwierdzało odporność i powtarzalność protokołu. Aby zapewnić powtarzalność, każdy etap przepływu pracy został przeanalizowany i opisany z wystarczającą dokładnością, aby wyjaśnić, jak przeprowadza się analizę. Pełny przepływ pracy, w tym kod źródłowy i zbiory danych, jest przedstawiony w Supplementary Data S4. Wszystkie analizy można odtworzyć na standardowej stacji roboczej bez potrzeby specjalistycznego sprzętu.

Schemat workflow
Przedstawiono ogólny schemat projektu badania (Rysunek 1). Ten diagram podsumowuje każdy etap protokołu: 1) Zbieranie i wstępne przetwarzanie danych, 2) Konstrukcja sieci, 3) Klasyfikacja i mapowanie stref, 4) Analiza wzbogacenia funkcjonalnego, 5) Ocena onkogenów/supresorów nowotworów oraz 6) Wizualizacja wyników.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

W naszych poprzednich pracach opracowaliśmy metodologię opartą na strefach modelowania sieci PPI jako przestrzeni metrycznych17. To podejście umożliwiło klasyfikację białek w strefy hierarchiczne zgodnie z ich odległością od węzła centralnego; strefa 1 reprezentuje najbardziej połączone i funkcjonalnie niezbędne białka. Opierając się na tych podstawach, niniejsze badanie koncentruje się szczególnie na białkach strefy 1 zidentyfikowanych w naszych wcześniejszych badaniach oraz bada ich rolę w szlak...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Niniejsze badanie przedstawia ramy teorii grafów do analizy sieci interakcji białko-białko w szlaku sygnalizacji RAS, aby zidentyfikować centralnie połączone białka o funkcjonalnym znaczeniu. Modelując sieć PPI jako przestrzeń metryczną i koncentrując się na białkach strefy 1 określonych przez minimalne odległości najkrótszej ścieżki, analiza podkreśla białka zajmujące strukturalnie centralne pozycje w szlaku. Białka takie jak BCL2L1, RAF1, RHOA, MAP2K1, EGFR, CDC42 i ANGPT1 były konsekwentnie klasyfikowane w strefie 1 i...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Wszyscy autorzy deklarują, że nie ma konfliktów interesów związanych z tą pracą.

Podziękowania

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

Prace te były wspierane przez dziekana ds. badań naukowych, wiceprezydentury ds. studiów magisterskich i badań naukowych na Uniwersytecie King Faisal w Arabii Saudyjskiej KFU260567.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Białko ludzkie– Zbiory danych interakcji białekPubliczne repozytoria (Biologia Genomu, BioGRID, IntAct)Identyfikatory akcesyjne (jak cytowane w źródłach)Nie ma
Lista białek szlaków sygnalizacji RASBaza danych toksykologomiki porównawczejhttps://ctdbase.org/ RRID:SCR_006530
Python (wersja 3.10 lub wyższa)Python Software Foundation (USA)https://www.python.org/RRID:SCR_008394
Biblioteka grafów Boost (C++)Boost.org (USA)https://www.boost.org/Nie ma
Cytoscape (wykorzystywany do wizualizacji)Konsorcjum CytoscapeWersja 3.9.1RRID:SCR_003032
Dane sekwencjonowania genomu nowotworów na dużą skalęAtlas Genomu Raka (TCGA)https://www.cancer.gov/ccg/research/genome-sequencing/tcgaRRID:SCR_003193

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

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

Powiązane artykuły