Artigo de investigação

Análise em teoria de grafos de uma rede de interação proteína-proteína modelada na via de sinalização RAS

DOI:

10.3791/69681

⸱

13 de março de 2026

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

Neste artigo

Resumo

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

Este estudo aplica uma estrutura de teoria de grafos a uma rede de interação proteína-proteína modelada da via de sinalização RAS para identificar proteínas da zona 1 centralmente conectadas e caracterizar sua relevância funcional e biológica.

Resumo

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

A via de sinalização do SRA é um regulador fundamental do crescimento, proliferação e sobrevivência celular. A desregulação dessa via está fortemente implicada no desenvolvimento do câncer, mas as estratégias sistemáticas para identificar quais proteínas da via representam os alvos terapêuticos mais promissores ainda são limitadas. A lógica deste estudo foi investigar a diversidade das proteínas centrais dentro da via de sinalização do SRA e avaliar sua importância funcional na biologia do câncer. Para alcançar isso, modelamos a rede de interação proteína-proteína humana como um espaço métrico usando um arcabouço de teoria dos grafos. Distâncias de caminho mais curto foram calculadas para identificar as proteínas mais centrais, que foram então classificadas em zonas funcionais. Proteínas localizadas na zona 1, representando a zona mais conectada, foram cruzadas com conjuntos de dados curados de vias RAS. Análise de enriquecimento funcional, avaliação de oncogenes/supressores tumorais e integração de dados do genoma do câncer foram usadas para interpretar papéis biológicos e potencial terapêutico. Os resultados revelaram que 95,2% das proteínas centrais do SRA estão envolvidas na sinalização, com 59,5% classificadas como essenciais. Proteínas chave como BCL2L1, RAF1, RHOA, MAP2K1, EGFR, CDC42 e ANGPT1 foram identificadas como atores centrais em processos como resistência à apoptose, metástase, angiogênese e progressão tumoral. Várias dessas proteínas também apresentaram fortes associações com oncogenes estabelecidos e alvos terapêuticos bem-sucedidos. Em conclusão, este estudo demonstra que as proteínas centrais na via de sinalização do SRA exibem diversidade funcional que sustenta sua importância na progressão do câncer. Essas descobertas fornecem um fluxo de trabalho reprodutível baseado em rede para identificar candidatos moleculares relevantes para vias e contribuem para o desenvolvimento de terapias contra o câncer mais precisas e orientadas por vias.

Introdução

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

A via de sinalização RAS é um regulador crítico da comunicação celular e tem sido amplamente estudada devido ao seu papel central naoncogênese 1. Essa via, composta por uma série de proteínas interconectadas, transmite sinais extracelulares ao núcleo, regulando assim processos-celulares chave como proliferação, crescimento ediferenciação 2.

A descoberta dos oncogenes do SRA originou-se de estudos iniciais sobre retrovírus transformáveis, começando com a identificação do vírus sarcoma de Harvey na década de 1960, que demonstrou que genes virais podiam induzir transformação maligna em células demamíferos 3. Esse conceito foi posteriormente estendido ao câncer humano quando Der e colegas mostraram que os genes transformadores identificados nas linhas celulares de carcinoma da bexiga e do pulmão eram homólogos aos oncogenes do vírus sarcoma de Harvey e Kirsten (HRAS e KRAS), estabelecendo assim os genes RAS como oncogenes celulares legítimos implicados em malignidadeshumanas 4. Revisões subsequentes resumiram essas descobertas e suas implicações para a biologia do câncer5.

Além da oncologia, a sinalização desregulada RAS/MAPK também tem sido implicada em distúrbios cardiovasculares, incluindo cardiopatia congênita, cardiomiopatias e anomalias vasculares, ressaltando os papéis pleiotrópicos dessa via em diversos contextos fisiológicos e patológicos 6,7.

Além disso, as RASopatias demonstraram causar manifestações cardíacas significativas, ligando sinalização desregulada RAS/MAPK a doenças cardiovasculares congênitase adquiridas 8,9. Além disso, estudos de pequenas GTPases como RhoA destacam seu papel na hipertrofia cardíaca e na cardioproteção sob condições deestresse 10,12. Esses achados ressaltam a importância fisiológica mais ampla da sinalização do SRA fora da biologia do câncer e justificam explorações adicionais para desenvolver intervenções terapêuticas direcionadas em diversos contextos de doença.

Diversos estudos computacionais e bioinformáticos já exploraram anteriormente a via de sinalização RAS usando abordagens baseadas em redes, enriquecimento e biologia de sistemas. Esses estudos focaram na reconstrução de vias, perturbações de redes impulsionadas por mutações, diafonia de sinalização e previsão de resposta a medicamentos 13,14,15. Embora informativas, a maioria dessas abordagens restringe a análise a limites pré-definidos de caminhos ou depende de medidas de rede local. Em contraste, o presente estudo modela toda a rede de interação proteína-proteína humana como um espaço métrico e identifica proteínas centrais antes do mapeamento das vias, fornecendo assim uma perspectiva complementar e orientada pela estrutura sobre a organização da sinalização RAS.

Modelos de teoria dos grafos fornecem uma estrutura inovadora para entender redes biológicas complexas. Ao conceitualizar a rede de interação proteína-proteína (PPI) como um espaço métrico, as proteínas podem ser classificadas em zonas de acordo com sua distância ao centro darede 17. Proteínas na zona 1, que representam os nós mais centrais e altamente conectados, são frequentemente essenciais para a viabilidade celular e desproporcionalmente envolvidas nas vias relacionadas àdoença 18. Estudos anteriores baseados em redes demonstraram que proteínas centrais e altamente conectadas exercem uma influência desproporcional sobre a estabilidade da rede, fluxo de informações e suscetibilidade a doenças, sendo frequentemente enriquecidas entre genes essenciais e alvos clinicamente relevantes 19,20,21,22. No entanto, poucos estudos aplicaram essa estrutura especificamente à via de sinalização do RAS, deixando uma lacuna em nossa compreensão de como a centralidade da rede se relaciona à oncogênese mediada pelo RAS. O estudo atual aborda essa lacuna identificando sistematicamente proteínas centrais dentro da via RAS e avaliando seus papéis na biologia do câncer. Essa abordagem não apenas aumenta a reprodutibilidade ao fornecer um protocolo computacional claro, mas também destaca novos alvos para terapias contra o câncer, avançando assim a integração da biologia de sistemas com a oncologia translacional.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

Este estudo foi baseado exclusivamente na análise de conjuntos de dados públicos e não envolveu participantes humanos, animais ou amostras de tecido. Portanto, não era necessária aprovação de um conselho de revisão institucional (IRB) ou do comitê de cuidado e uso de animais (IACUC).

Coleta e pré-processamento de dados
Dados de IBP humanos e proteínas curadas da via de sinalização RAS foram recuperados de repositórios acessíveis publicamente, incluindo os conjuntos de dados de interação funcional de proteínas da Genome Biology23 e o Banco de Dados Comparativo de Toxicogenômica (CTD) (https://ctdbase.org/). Os conjuntos de dados foram padronizados em arquivos de texto delimitados por tabulação para garantir uniformidade. O pré-processamento incluiu a remoção de interações duplicadas, a eliminação de auto-loops e a filtragem de entradas não humanas. Uma lista completa de todas as proteínas incluídas no arquivo de entrada padronizado delimitado por tab é fornecida na Tabela Suplementar S1.

Construção da rede
A rede de IBPs humana foi modelada como um grafo no qual proteínas representam nós e suas interações representam arestas. Para calcular as distâncias de caminho mais curto, o algoritmo de Dijkstra foi implementado usando um script Python personalizado integrado à Boost Graph Library (C++) (http://www.boost.org/). O nó central foi definido como a proteína com a menor distância máxima de caminho mais curto em relação a todas as outras. A rede foi então dividida em zonas com base na distância dessa proteína central.

Classificação de zonas e mapeamento de caminhos
As proteínas foram classificadas em zonas hierárquicas (zona 1, zona 2, etc.) de acordo com sua distância da proteína central. A Zona 1, contendo as proteínas mais centrais e altamente conectadas, foi selecionada para análise. Proteínas da zona 1 foram cruzadas com listas de proteínas curadas da via de sinalização RAS. Todos os procedimentos computacionais empregados neste estudo seguem a estrutura previamente descrita por Fadhal et al.17, com o presente trabalho focando especificamente na interpretação biológica das proteínas associadas à AR dentro da primeira zona hierárquica da rede.

Análise de enriquecimento funcional
A análise de enriquecimento funcional foi realizada usando anotações de CTD ao lado de bancos de dados curados de vias, com significância estatística definida por um corte corrigido do valor P de 0,01.

Avaliação de oncogenes e supressores tumorais
Proteínas centrais que se sobrepõem à via de sinalização do SRA foram examinadas mais detalhadamente quanto a seus papéis oncogênicos ou supressores tumorais. Os dados foram extraídos de projetos de sequenciamento genômico em grande escala e validados com base de dados relacionados ao câncer. As proteínas foram classificadas em oncogenes, supressores tumorais, proteínas relacionadas à apoptose ou alvos terapêuticos, com base em evidênciaspublicadas 24,25.

Reprodutibilidade e validação
Todas as análises computacionais foram repetidas em triplicado usando conjuntos de dados independentes de PPI. Esses procedimentos, incluindo todos os passos do protocolo e detalhes da implementação, foram realizados seguindo a metodologia descrita em nosso trabalho publicadoanteriormente 17. Os resultados foram consistentes em execuções independentes, confirmando a robustez e reprodutibilidade do protocolo. Para garantir a reprodutibilidade, cada etapa do fluxo de trabalho foi revisada e descrita com detalhes suficientes para esclarecer como a análise é realizada. O fluxo de trabalho completo, incluindo código-fonte e conjuntos de dados, é fornecido no Supplementary Data S4. Todas as análises podem ser reproduzidas em uma estação de trabalho padrão sem a necessidade de hardware especializado.

Esquema do fluxo de trabalho
Um esquema geral do desenho do estudo é fornecido (Figura 1). Este diagrama resume cada etapa do protocolo: 1) Coleta e pré-processamento de dados, 2) Construção da rede, 3) Classificação e mapeamento de zonas, 4) Análise de enriquecimento funcional, 5) Avaliação de oncogênios/supressores tumorais e 6) Visualização dos resultados.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

Em nosso trabalho anterior, desenvolvemos a metodologia baseada em zonas para modelar redes PPI como espaçosmétricos 17. Essa abordagem permitiu a classificação das proteínas em zonas hierárquicas de acordo com sua distância ao nó central; com a zona 1 representando as proteínas mais altamente conectadas e funcionalmente essenciais. Com base nessa base, o presente estudo foca especificamente nas proteínas da zona 1 identificadas em nossos trabalhos anteriores e in...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

Este estudo apresenta uma estrutura de teoria de grafos para analisar redes de interação proteína-proteína dentro da via de sinalização RAS, a fim de identificar proteínas centralmente conectadas com relevância funcional. Ao modelar a rede PPI como um espaço métrico e focar nas proteínas da zona 1 definidas por distâncias mínimas de caminho mais curto, a análise destaca proteínas que ocupam posições estruturalmente centrais dentro da via. Proteínas incluindo BCL2L1, RAF1, RHOA, MAP2K1, E...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Todos os autores declaram que não há conflitos de interesse relacionados a esta obra.

Agradecimentos

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

Esse trabalho foi apoiado pelo Recanato de Pesquisa Científica, Vice-Presidente de Estudos de Pós-Graduação e Pesquisa Científica da King Faisal University, Arábia Saudita KFU260567.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Proteína humana – Conjuntos de dados de interação proteicaRepositórios públicos (Genome Biology, BioGRID, IntAct)IDs de acesso (conforme citado nas referências)N/A
Lista de proteínas das vias de sinalização RASBanco de Dados de Toxicogenômica Comparativahttps://ctdbase.org/ RRID:SCR_006530
Python (Versão 3.10 ou superior)Fundação de Software Python (EUA)https://www.python.org/RRID:SCR_008394
Biblioteca de Grafos Boost (C++)Boost.org (EUA)https://www.boost.org/N/A
Cytoscape (usado para visualização)Consórcio CytoscapeVersão 3.9.1RRID:SCR_003032
Dados de sequenciamento genômico em grande escala do câncerO Atlas do Genoma do Câncer (TCGA)https://www.cancer.gov/ccg/research/genome-sequencing/tcgaRRID:SCR_003193

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Central ProteinsCancer ProgressionFunctional EnrichmentTherapeutic TargetsOncogene EvaluationNetwork ModelingApoptosis Resistance

Artigos relacionados