研究文章

RAS信号通路中模拟蛋白质-蛋白质相互作用网络的图论分析

DOI：

10.3791/69681

⸱

2026年3月13日

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

本文内容

摘要

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

本研究将图论框架应用于RAS信号通路的模拟蛋白质-蛋白质相互作用网络，以鉴定中心连接区域1的蛋白质，并表征其功能和生物学意义。

摘要

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

RAS 信号通路是细胞生长、增殖和存活的基本调控因子。该通路的失调在癌症发生中具有重要作用，但目前仍缺乏系统性的策略来识别哪些通路蛋白是最有前景的治疗靶点。本研究旨在探讨 RAS 信号通路中核心蛋白的多样性，并评估其在癌症生物学中的功能重要性。为此，我们采用图论框架将人类蛋白质-蛋白质相互作用网络建模为一个度量空间。通过计算最短路径距离来识别最核心的蛋白，并将其分类为不同的功能区域。位于第1区（代表连接性最强的区域）的蛋白与经过人工整理的 RAS 通路数据集进行了交叉比对。通过功能富集分析、癌基因/肿瘤抑制基因评估以及癌症基因组数据整合，解析这些蛋白的生物学作用和治疗潜力。结果显示，95.2% 的核心 RAS 蛋白参与信号传导，其中 59.5% 被归类为必需蛋白。BCL2L1、RAF1、RHOA、MAP2K1、EGFR、CDC42 和 ANGPT1 等关键蛋白被鉴定为在抗凋亡、转移、血管生成和肿瘤进展等过程中发挥核心作用的分子。其中多个蛋白还与已知的癌基因及成功的治疗靶点表现出强烈关联。综上所述，本研究表明 RAS 信号通路中的核心蛋白具有功能多样性，这种多样性构成了其在癌症进展中重要性的基础。这些发现提供了一种可重复的、基于网络的分析流程，可用于识别通路相关的关键分子候选物，并有助于开发更精准、以通路为导向的癌症治疗策略。

引言

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

RAS信号通路是细胞通讯的关键调控因子，因其在肿瘤发生中的核心作用而被广泛研究1。该通路由一系列相互关联的蛋白质组成，将细胞外信号传递至细胞核，从而调控增殖、生长和分化等关键细胞过程2。

RAS 癌基因的发现源于对转化逆转录病毒的早期研究，始于20世纪60年代鉴定出Harvey肉瘤病毒，该病毒表明病毒基因可在哺乳动物细胞中诱导恶性转化3。当Der及其同事发现人膀胱癌和肺癌细胞系中的转化基因与Harvey和Kirsten肉瘤病毒癌基因（HRAS和KRAS）同源时，这一概念随后被扩展至人类癌症，从而确立了RAS基因作为真正参与人类恶性肿瘤的细胞癌基因的地位4。后续综述已总结了这些发现及其对癌症生物学的意义5。

除了肿瘤学领域外，RAS/MAPK 信号通路的失调还与心血管疾病相关，包括先天性心脏病、心肌病和血管异常，凸显了该通路在多种生理和病理过程中的多效性作用6,7。

此外，RASopathies 已被证实可导致显著的心脏表现，将 RAS/MAPK 信号通路的失调与先天性和获得性心血管疾病联系起来8,9。同时，对 RhoA 等小 GTP 酶的研究揭示了它们在应激条件下介导心肌肥厚和心脏保护作用的重要功能10,12。这些发现强调了 RAS 信号通路在癌症生物学之外更广泛的生理学意义，并为在多种疾病背景下进一步探索靶向治疗干预措施提供了依据。

以往多项计算和生物信息学研究已采用基于网络、富集分析以及系统生物学的方法对RAS信号通路进行了探索。这些研究主要聚焦于通路重构、由突变驱动的网络扰动、信号串扰以及药物反应预测13,14,15。尽管这些研究提供了重要信息，但大多数方法将分析局限于预定义的通路边界，或依赖于局部网络度量。相比之下，本研究将整个人类蛋白质-蛋白质相互作用网络建模为一个度量空间，并在通路映射之前识别出核心蛋白质，从而为RAS信号通路的组织结构提供了一种互补的、基于结构的视角。

基于图论的模型为理解复杂的生物网络提供了一个创新的框架。通过将蛋白质-蛋白质相互作用（PPI）网络概念化为一个度量空间，可以根据蛋白质与网络中心的距离将其划分为不同的区域17。第1区的蛋白质代表最核心且连接度最高的节点，通常对细胞存活至关重要，并在疾病相关通路中发挥不成比例的重要作用18。以往基于网络的研究表明，处于中心位置且高度连接的蛋白质对网络稳定性、信息传递以及疾病易感性具有显著影响，并且在必需基因和具有临床意义的靶点中常常显著富集19,20,21,22。然而，极少有研究将这一框架专门应用于RAS信号通路，导致我们对网络中心性如何影响RAS介导的肿瘤发生仍存在认知空白。本研究通过系统性地识别RAS通路中的中心蛋白并评估其在癌症生物学中的作用，填补了这一空白。该方法不仅通过提供清晰的计算流程增强了研究的可重复性，还揭示了癌症治疗中的新靶点，从而推动了系统生物学与转化肿瘤学的融合。

访问受限。请登录或开始试用以查看此内容。

方案

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

本研究完全基于公开可用数据集的分析，未涉及人类受试者、动物实验或组织样本。因此，无需获得机构审查委员会（IRB）或动物护理与使用委员会（IACUC）的批准。

数据收集与预处理
人类蛋白质-蛋白质相互作用（PPI）数据及经过人工整理的RAS信号通路相关蛋白质数据来自公开可用的数据库资源，包括Genome Biology功能蛋白质相互作用数据集23和比较毒物基因组学数据库（CTD）(https://ctdbase.org/)。数据集被标准化为制表符分隔的文本文件，以确保格式统一。预处理步骤包括去除重复的相互作用关系、剔除自环（self-loops）以及过滤非人类条目。标准化后的制表符分隔输入文件中所包含的所有蛋白质的完整列表见补充表S1。

网络构建
将人类蛋白质-蛋白质相互作用（PPI）网络建模为一个图，其中蛋白质代表节点，其相互作用代表边。为计算最短路径距离，使用集成 Boost 图库（C++）的自定义 Python 脚本实现了 Dijkstra 算法（http://www.boost.org/）。中心节点定义为到所有其他节点的最大最短路径距离最小的蛋白质。随后，网络根据与该中心蛋白的距离被划分为若干区域。

区域分类与通路映射
根据蛋白质与核心蛋白的距离，将其分类到不同的层级区域（区域1、区域2等）。选择包含最核心且连接度最高的蛋白质的区域1进行分析。将区域1中的蛋白质与人工审编的RAS信号通路蛋白列表进行交叉比对。本研究中采用的所有计算流程均遵循Fadhal等人先前描述的框架17，本工作重点在于对第一层级网络区域内RAS相关蛋白的生物学意义进行解读。

功能富集分析
使用 CTD 注释结合人工审编的通路数据库进行功能富集分析，统计学显著性由校正后的 P 值截断值 0.01 定义。

癌基因与肿瘤抑制基因评估
进一步分析了与RAS信号通路重叠的关键蛋白，以明确其作为癌基因或肿瘤抑制基因的功能。数据来源于大规模癌症基因组测序项目，并通过癌症相关数据库进行验证。根据已发表的证据，将这些蛋白分类为癌基因、肿瘤抑制基因、凋亡相关蛋白或治疗靶点24,25。

可重复性与验证
所有计算分析均使用独立的蛋白质-蛋白质相互作用（PPI）数据集进行了三次重复。这些过程包括所有实验步骤和实施细节，均按照我们先前发表的研究中所描述的方法进行17。在多次独立运行中结果一致，证实了该实验方案的稳健性和可重复性。为确保可重复性，工作流程的每一步均已经过审查，并提供了足够详细的描述，以阐明分析的具体执行方式。完整的工作流程（包括源代码和数据集）已在补充数据S4中提供。所有分析均可在标准工作站上完成，无需专用硬件。

工作流程示意图
本研究设计的整体示意图如（图1）所示。该图总结了本实验方案的各个步骤：1）数据收集与预处理，2）网络构建，3）区域分类与映射，4）功能富集分析，5）癌基因/肿瘤抑制基因评估，以及 6）结果可视化。

访问受限。请登录或开始试用以查看此内容。

结果

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

在我们之前的研究中，我们建立了基于区域的方法，用于将蛋白质-蛋白质相互作用网络建模为度量空间17。该方法能够根据蛋白质与中心节点的距离，将其分类为不同层级的区域；其中第1区代表连接度最高且功能上最关键的蛋白质。在此基础上，本研究重点聚焦于我们先前研究中鉴定出的第1区蛋白质，并探究其在RAS信号通路中的作用。

将第1区蛋白质与经过整理的RAS通路数据集进行交叉比对，鉴定出42种与RAS信号传导相关的核心蛋白质。这些蛋白质的完整列表见补充表S2。其中，40种蛋白质（95.2%）在功能上被归类为信号传导蛋白，25种（59.5%）被认为是必需蛋白（表1）。该分布特征有力支持了以下假说：核心蛋白质不仅在结构上具有重要性，而且在生物学上也是不可或缺的，进一步印证了它们作为既往报道的药物靶点或临床可干预节点蛋白的候选地位。

功能富集分析证实，MAPK级联信号通路（35.7%）、正向信号调控（激活下游过程）（40.4%）以及细胞...

访问受限。请登录或开始试用以查看此内容。

讨论

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

本研究提出了一种基于图论的框架，用于分析RAS信号通路中的蛋白质-蛋白质相互作用网络，以识别具有功能相关性的中心连接蛋白。通过将PPI网络建模为度量空间，并聚焦于由最短路径距离最小化定义的1区蛋白，该分析突出了在通路中占据结构中心位置的蛋白质。包括BCL2L1、RAF1、RHOA、MAP2K1、EGFR、CDC42和ANGPT1在内的蛋白质 consistently 被归类于1区，并在信号传导、MAPK级联调控以及细胞周期相关过程中显著富集。这些发现支持将网络拓扑结构作为一种系统性方法，用于优先筛选RAS信号的下游效应分子，尤其考虑到RAS本身药物靶向性的局限26,27。

该研究方法通过将网络结构与生物学注释相结合，推动了系统层面癌症研究的发展。尽管一些被识别出的蛋白质（如 EGFR 和 MAP2K1）是已被广泛认可的致癌驱动因子，但该框架还强调了在经典通路分析中较少被关注的蛋白质，例如 ANGPT1 和 BCL2L1。这种整合性视角超越了以基因为中心的解读方式，并...

访问受限。请登录或开始试用以查看此内容。

披露

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

所有作者声明本研究不存在任何利益冲突。

致谢

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

本工作由沙特阿拉伯费萨尔国王大学研究生与科学研究副院长办公室资助，项目编号KFU260567。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
人类蛋白质–蛋白质相互作用数据集公共数据库（Genome Biology、BioGRID、IntAct）登录号（如参考文献中所列）N/A
RAS信号通路相关蛋白质列表比较毒物基因组学数据库（Comparative Toxicogenomics Database）https://ctdbase.org/ RRID:SCR_006530
Python（版本 3.10 或更高）Python 软件基金会（USA）https://www.python.org/RRID:SCR_008394
Boost 图库（C++）Boost.org（USA）https://www.boost.org/N/A
Cytoscape（用于可视化）Cytoscape 联盟版本 3.9.1RRID:SCR_003032
大规模癌症基因组测序数据癌症基因组图谱（The Cancer Genome Atlas, TCGA）https://www.cancer.gov/ccg/research/genome-sequencing/tcgaRRID:SCR_003193

参考文献

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

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

相关文章