Исследовательская статья

Графово-теоретический анализ моделируемой сети взаимодействия белка и белка в сигнальном пути RAS

DOI:

10.3791/69681

⸱

13 марта 2026 г.

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

В этой статье

Краткое содержание

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

В данном исследовании применяется графово-теоретическая основа к смоделированной сети взаимодействия белок-белок сигнального пути RAS для выявления централизованно связанных белков зоны 1 и характеристики их функциональной и биологической значимости.

Аннотация

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

Сигнальный путь RAS является фундаментальным регулятором роста, пролиферации и выживания клеток. Дисрегуляция этого пути тесно связана с развитием рака, однако систематические стратегии определения наиболее перспективных терапевтических мишеней остаются ограниченными. Целью этого исследования было изучение разнообразия центральных белков в сигнальном пути RAS и оценка их функциональной значимости в биологии рака. Для достижения этого мы смоделировали сеть взаимодействия человека белок-белок в виде метрического пространства, используя графово-теоретическую основу. Были вычислены расстояния по кратчайшим путям для идентификации наиболее центральных белков, которые затем классифицировались по функциональным зонам. Белки, расположенные в зоне 1, представляющие наиболее связанную зону, были сопоставлены с отображёнными наборами данных по путям RAS. Для интерпретации биологических ролей и терапевтического потенциала использовались функциональный анализ обогащения, оценка онкогенов/супрессоров опухолей и интеграция данных генома рака. Результаты показали, что 95,2% центральных белков RAS участвуют в передаче сигналов, из которых 59,5% классифицируются как необходимые. Ключевые белки, такие как BCL2L1, RAF1, RHOA, MAP2K1, EGFR, CDC42 и ANGPT1, были выявлены как центральные участники процессов, включая устойчивость к апоптозу, метастазы, ангиогенез и прогрессирование опухоли. Некоторые из этих белков также проявили тесную связь с установленными онкогенами и успешными терапевтическими целями. В заключение это исследование демонстрирует, что центральные белки в сигнальном пути RAS демонстрируют функциональное разнообразие, которое и является основой их важности в прогрессировании рака. Эти результаты обеспечивают воспроизводимый сетевой рабочий процесс для выявления молекулярных кандидатов, релевантных для пути, и способствуют разработке более точных, ориентированных на пути терапии рака.

Введение

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

Сигнальный путь RAS является критически важным регулятором клеточной коммуникации и был широко изучен благодаря своей центральной роли вонкогенезе 1. Этот путь, состоящий из серии взаимосвязанных белков, передаёт внеклеточные сигналы ядру, тем самым регулируя ключевые клеточные процессы, такие как пролиферация, рост идифференциация.

Открытие онкогенов RAS возникло в результате ранних исследований трансформирующихся ретровирусов, начиная с идентификации вируса саркомы Харви в 1960-х годах, который показал, что вирусные гены могут вызывать злокачественную трансформацию в клеткахмлекопитающих 3. Позже эта концепция была распространена и на рак человека, когда Дер и коллеги показали, что трансформирующие гены, выявленные в клетках карциномы человека мочевого пузыря и лёгких, являются гомологичны онкогенам вируса саркомы Харви и Кирстен (HRAS и KRAS), тем самым установив гены RAS как подлинные клеточные онкогены, причастные к злокачественным заболеваниямчеловека 4. Последующие обзоры резюмировали эти открытия и их значение для биологиирака 5.

Помимо онкологии, нарушение сигнализации RAS/MAPK также связано с сердечно-сосудистыми заболеваниями, включая врождённые болезни сердца, кардиомиопатии и сосудистые аномалии, что подчеркивает плейотропную роль этого пути в различных физиологических и патологическихконтекстах 6,7.

Кроме того, было показано, что РАСопатии вызывают значительные сердечно-сосудистые проявления, связывая нарушение сигнализации РАС/МАПК с врождёнными и приобретёнными сердечно-сосудистымизаболеваниями 8,9. Кроме того, исследования малых GTPаз, таких как RhoA, подчёркивают их роль в гипертрофии сердца и кардиопротекции при стрессовыхусловиях 10,12. Эти результаты подчёркивают более широкое физиологическое значение сигнализации РАС за пределами биологии рака и оправдывают дальнейшие исследования для разработки целенаправленных терапевтических вмешательств в различных контекстах заболеваний.

Ранее несколько вычислительных и биоинформатических исследований изучали сигнальный путь RAS с использованием сетевых, обогащающих и системных биологических подходов. Эти исследования были сосредоточены на реконструкции путей, нарушениях сетей, вызванных мутациями, перекрёстном пересечении сигналов и прогнозировании ответа на лекарства 13,14,15. Хотя они информативны, большинство таких подходов ограничивают анализ заранее определёнными границами путей или опираются на локальные сетевые показатели. В отличие от этого, настоящее исследование моделирует всю сеть взаимодействия человека и белка как метрическое пространство и выявляет центральные белки до картирования путей, предоставляя тем самым комплементарный, структурно ориентированный взгляд на организацию сигнализации RAS.

Графово-теоретические модели предоставляют инновационную основу для понимания сложных биологических сетей. Концептуализируя сеть взаимодействия белок-белок (ИПП) как метрического пространства, белки можно классифицировать по зонам в зависимости от их расстояния от центрасети 17. Белки в зоне 1, которые представляют собой самые центральные и тесно связанные узлы, часто необходимы для жизнеспособности клеток и непропорционально участвуют в заболеваниях путях18. Предыдущие сетевые исследования показали, что центральные и сильно связанные белки оказывают непропорциональное влияние на стабильность сети, информационный поток и восприимчивость к болезням, а также часто обогащаются среди ключевых генов и клинически значимыхмишень 19,20,21,22. Однако немногие исследования применяли эту концепцию именно к сигнальному пути RAS, что оставляет пробел в нашем понимании того, как центральность сети связана с онкогенезом, опосредованным RAS. Текущее исследование устраняет этот пробел, систематически выявляя центральные белки в пути RAS и оценивая их роль в биологии рака. Такой подход не только повышает воспроизводимость, обеспечивая чёткий вычислительный протокол, но и выделяет новые цели для лечения рака, тем самым способствуя интеграции системной биологии с трансляционной онкологией.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Это исследование основывалось исключительно на анализе общедоступных наборов данных и не включало участников людей, животных или образцов тканей. Поэтому одобрение институционального контрольного совета (IRB) или комитета по уходу и использованию животных (IACUC) не требовалось.

Сбор и предобработка данных
Данные человеческих PPI и отобранные белки сигнальных путей RAS были получены из общедоступных репозиториев, включая функциональные белковые датасеты23 Genome Biology и Comparative Toxicogenomics Database (CTD) (https://ctdbase.org/). Наборы данных стандартизировались в текстовые файлы с разделением табуляций для обеспечения единообразия. Предварительная обработка включала удаление дублирующихся взаимодействий, устранение самопетель и фильтрацию нечеловеческих записей. Полный список всех белков, включённых в стандартизированный файл с разделением по табуляциям, приведён в дополнительной таблице S1.

Строительство сети
Человеческая сеть PPI была смоделирована в виде графа, в котором белки представляют узлы, а их взаимодействия — рёбра. Для вычисления самых коротких расстояний до пути алгоритм Дейкстры был реализован с использованием собственного скрипта на Python, интегрированного с библиотекой Boost Graph (C++) (http://www.boost.org/). Центральный узел определялся как белок с минимальным максимальным коротким расстоянием по пути к всем остальным. Затем сеть была разделена на зоны в зависимости от расстояния от этого центрального белка.

Классификация зон и картографирование путей
Белки классифицировались по иерархическим зонам (зона 1, зона 2 и др.) в зависимости от их удаленности от центрального белка. Зона 1, содержащая наиболее центральные и тесно связанные белки, была выбрана для анализа. Белки в зоне 1 были сверены с отображёнными списками белков сигнальных путей RAS. Все вычислительные процедуры, использованные в этом исследовании, следуют ранее описанной рамкам Фадхаля и др.17, при этом настоящая работа сосредоточена именно на биологической интерпретации белков, связанных с RAS, в первой иерархической сетевой зоне.

Анализ функционального обогащения
Анализ функционального обогащения проводился с использованием аннотаций CTD и курируемых баз данных путей, при этом статистическая значимость определялась скорректированным порогом P-значения 0,01.

Оценка онкогена и супрессоров опухолей
Центральные белки, перекрывающиеся с сигнальным путём RAS, были дополнительно изучены на предмет их онкогенной или опухолоподавляющей роли. Данные были извлечены из крупномасштабных проектов секвенирования генома рака и проверены по базам данных, связанных с раком. Белки были классифицированы на онкогены, супрессоры опухолей, белки, связанные с апоптозом, или терапевтические мишени на основе опубликованныхданных 24,25.

Воспроизводимость и валидация
Все вычислительные анализы повторялись в трёх экземплярах с использованием независимых наборов данных PPI. Эти процедуры, включая все этапы протокола и детали реализации, выполнялись по методологии, описанной в нашей ранее опубликованной работе17. Результаты были последовательны при независимых забегах, что подтверждает надёжность и воспроизводимость протокола. Для обеспечения воспроизводимости каждый этап рабочего процесса был рассмотрен и описан с достаточной детализацией, чтобы уточнить, как проводится анализ. Полный рабочий процесс, включая исходный код и наборы данных, представлен в Дополнительном разделе 4 Дополнительных данных. Все анализы могут быть воспроизведены на стандартной рабочей станции без необходимости специализированного оборудования.

Схема рабочих процессов
Приведена общая схема проекта исследования (рисунок 1). Эта диаграмма суммирует каждый этап протокола: 1) Сбор и предварительная обработка данных, 2) Построение сети, 3) Классификация и картирование зон, 4) Функциональный анализ обогащения, 5) Оценка онкогенов/опухолевых супрессоров и 6) Визуализация результатов.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

В нашей предыдущей работе мы разработали зональную методологию моделирования сетей PPI как метрическихпространств 17. Этот подход позволил классифицировать белки по иерархическим зонам в зависимости от их расстояния от центрального узла; где зона 1 представляет собой наиболее тесно связанные и функционально необходимые белки. Опираясь на эту основу, настоящее исследование сосредоточено на белках зоны 1, выявленных в нашей предыдущей работе, и исследует их роль в с...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

В данном исследовании представлена графово-теоретическая основа для анализа сетей взаимодействия белок-белок в сигнальном пути RAS с целью выявления центрально связанных белков, имеющих функциональное значение. Моделируя сеть PPI как метрическое пространство и сосредотачиваясь на белках зоны 1, определяемых минимальными расстояниями по кратчайшим путям, анализ выделяет белки, занимающие структурно центральные позиции внутри пути. Белки, включая BCL2L1, RAF1, RHOA, MAP2K1, EGFR, CDC42 и A...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Все авторы заявляют, что не существует конфликтов интересов, связанных с этой работой.

Благодарности

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

Эта работа была поддержана деканом научных исследований, вице-президентом по аспирантуре и научным исследованиям Университета короля Фейсала, Саудовская Аравия KFU260567.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Человеческий белок&ндаш; Наборы данных по взаимодействию белковПубличные репозитории (Genome Biology, BioGRID, IntAct)Идентификаторы присоединения (как указано в ссылках)Н/Д
Список белков сигнальных путей RASСравнительная база данных по токсикогеномикеhttps://ctdbase.org/ RRID:SCR_006530
Python (версия 3.10 и выше)Фонд программного обеспечения Python (США)https://www.python.org/RRID:SCR_008394
Библиотека Boost Graph (C++)Boost.org (США)https://www.boost.org/Н/Д
Cytoscape (используется для визуализации)Консорциум CytoscapeВерсия 3.9.1RRID:SCR_003032
Крупномасштабные данные секвенирования генома ракаАтлас генома рака (TCGA)https://www.cancer.gov/ccg/research/genome-sequencing/tcgaRRID:SCR_003193

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Central ProteinsCancer ProgressionFunctional EnrichmentTherapeutic TargetsOncogene EvaluationNetwork ModelingApoptosis Resistance

Похожие статьи