需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

癌症单细胞测序的全球与当前研究趋势：一项基于文献计量与可视化分析的研究

1.6K 次观看

⸱

DOI：

10.3791/67880

⸱

2025年4月18日

 ,  ,  ,  ,  ,  ,  , 
1Department of Operating Theatre, Tianjin Medical University General Hospital, 2Department of General Surgery, Tianjin Medical University General Hospital, Tianjin Medical University, 3Department of Medical Oncology, Tianjin Medical University General Hospital

* These authors contributed equally

本文内容

摘要

这项针对癌症研究中单细胞测序的文献计量学分析表明，中国和美国发表的学术论文数量显著高于其他国家。突现词检测识别出“肿瘤内异质性”、“克隆进化”和“药物递送系统”等新兴术语，这些术语预计将影响未来的研究方向。

摘要

癌症因其复杂的生物系统对人类健康构成重大挑战，亟需深入分析。单细胞测序已成为研究这些系统的关键工具，能够在单细胞水平上检测基因表达和表观遗传修饰。为阐明该领域的研究趋势、合作网络及知识传播情况，本研究利用Web of Science核心合集数据库，对2010年1月1日至2023年12月31日间的出版物进行了文献计量分析。采用R语言中的Bibliometrix软件包提取并分析关键出版数据，包括文献类型、国家、机构、作者和关键词。此外，还使用CiteSpace、VOSviewer以及文献计量在线分析平台进行数据整合与可视化。分析结果显示，来自75个国家和地区的3,129个机构的34,074名作者在788种学术期刊上发表了5,680篇关于癌症单细胞测序的研究论文。中国和美国在发文数量上位居前列。哈佛大学发表论文最多（320篇），其 affiliated 研究人员Aviv Regev被认定为该领域的重要贡献者。《Frontiers in Immunology》和《Nature Communications》等领先期刊凸显了免疫微环境和免疫治疗等既有及新兴研究方向。当前主要研究趋势及未来潜在研究方向包括肿瘤内异质性、克隆进化和药物递送系统。本研究全面综述了肿瘤学中单细胞测序的研究进展，强调了技术进步和国际合作推动下的快速发展。加强全球合作、开发整合性分析工具以及应对数据复杂性，对于推进个性化癌症治疗和深化对癌症生物学的理解至关重要。

引言

癌症是最具危害性的疾病之一，位居全球死亡原因的第二位1。据估计，到2035年，全球约四分之一的人口将直接受到癌症影响2,3。癌症的发病机制主要与细胞生长调控失常有关，这一过程受到多种致瘤因素的影响4,5。癌症的“标志性特征”（"Hallmarks of Cancer"）被定义为一组功能性能力，这些能力促进细胞从正常状态向肿瘤性生长转变，特别是对恶性肿瘤形成至关重要的能力6。测序技术在深化我们对疾病发病机制理解方面发挥着关键作用。然而，由于肿瘤本身固有的异质性，通过肿瘤组织的高通量测序分析来鉴定低丰度干细胞的基因组特征仍面临重大挑战7,8。

单细胞测序技术，包括基因组学、转录组学、表观基因组学、蛋白质组学和代谢组学，是一种在单细胞水平上解析细胞与分子图谱的强有力的方法学手段9,10。该技术在癌症研究中的应用显著加深了人们对肿瘤病灶内生物学特征及动态变化的理解，从而推动了对癌症发生与发展及转移过程的更全面认识。

文献计量分析用于研究学术出版物的结构特征和属性，已广泛应用于科学文献的定性与定量评估11,12。通过比较不同国家、机构、研究人员和出版物的贡献，可以阐明并预测特定研究领域内的潜在进展。尽管针对癌症中单细胞测序研究的系统性综述和叙述性综述数量显著增加，但在定量评估领域的综合性分析仍存在明显不足13,14,15。本研究旨在利用文献计量方法，对癌症领域内单细胞测序的发展趋势和主要研究主题进行全面分析。研究结果将为研究人员、临床医生和政策制定者提供该领域当前知识状况与理解的详细概览。

访问受限。请登录或开始试用以查看此内容。

方案

本研究使用的数据来自科学引文索引核心合集（Web of Science Core Collection，2010–2023年）。

1. 数据收集

  1. 数据库选择
    1. 访问 Web of Science 核心合集（WoSCC）数据库 通过. https://webofscience. clarivate.cn/wos/author/author-search. 
    2. 使用特定的关键词构建检索策略 "单细胞测序" 和 "癌症，" 以确定相关文献。点击 搜索 单击按钮以完成文献检索。
      注意：请参阅 补充表1 有关为提高准确性和全面性而在检索策略中使用的所有关键词的完整列表。
  2. 搜索参数
    1. 选择2010年1月1日至2023年12月31日的发表时间段，以涵盖最新且最全面的研究趋势。
    2. 选择 英文 作为搜索结果的语言并选择 文章 和 综述 确保数据一致性并促进比较分析的文章类型。
    3. 通过排除单细胞测序和癌症研究领域之外的出版物，确保相关性。
  3. 数据检索与格式
    1. 整理所选的出版物 完整记录与被引文献 保留详细元数据的格式。
    2. 将收集的数据保存为 纯文本 用于后续文献计量分析的文件。
    3. 验证每条记录是否包含完整的元数据，包括引文信息和合著者信息，以支持全面的文献计量分析图1).

2. 数据预处理

  1. 数据收集与导入
    1. 在 R 中启动 bibliometrix 包的 biblioshiny 界面。
      注：具体代码如下：
      library(bibliometrix)
      packageVersion("bibliometrix")
      ​biblioshiny()
    2. 访问 WoSCC 数据库，并选择一个包含文献计量数据的合并 纯文本 文件。
    3. 导入数据并以 R 数据格式导出，用于后续分析。
  2. 出版物与引用的年度增长趋势
    1. 将 PY（出版年份）和 Z9（引用次数）列转换为数值格式。
    2. 按出版年份对数据进行分组，计算每年的出版物数量和总引用次数。
    3. 创建柱状图表示每年的出版物数量，并叠加折线图以展示随时间变化的引用次数。
      注：具体代码见 补充文件1 中的 代码1。
  3. 国家层面的出版与合作分析
    1. 国家出版与合作聚合
      1. 利用“出版年份（PY）”和“作者国家（AU_CO1）”字段，汇总每个国家的年度出版物和引用情况。
      2. 将分析重点放在按出版数量排名前10的国家。
    2. 指标计算
      1. 计算关键指标，包括出版物数量（NP）、引用频次（NC）、单国出版物（SCP）和多国合作出版物（MCP）16。
      2. 计算多国合作出版物比例（MCP_Ratio），作为国际科研合作的衡量指标。
      3. 使用 R 中的 H 指数函数，计算每个国家在14年期间的影响指数（H 指数、G 指数和 M 指数）17。
        注：具体代码见 补充文件1 中的 代码2。使用文献计量学在线分析平台（https://bibliometric.com/）分析国家间的合作关系。从 WoSCC 上传纯文本格式的数据，使用 "国家关系" 功能评估国际科研合作，最终生成主要贡献国家之间的合作网络可视化图谱。
  4. 机构层面的出版与合作分析
    1. 数据提取与排序
      1. 从 WoSCC 数据库的 分析结果 功能中的 所属机构 部分提取机构数据。
      2. 根据各机构发表文章总数，按降序对机构进行排序。
    2. 数据可视化
      1. 使用 R 中的 ggplot2 包生成水平条形图，展示领先机构的出版数量。
        注：具体代码见 补充文件1 中的 代码3。
    3. 合著者关系分析
      1. VOSviewer 中的分析设置：启动 VOSviewer，然后从主菜单选择 创建。选择 基于文献数据创建图谱，并选择 从文献数据库文件读取数据。最后导入纯文本文件。
      2. 配置与参数设置：在 VOSviewer 中将分析类型设为 合著关系，选择 全计数 方法，并将 机构 作为分析单位。设置参数，每篇文献最多包含 1,200 个机构，每个机构的最低阈值为 30 篇文献，以确保网络分析的全面性。
      3. 可视化与解读：点击 完成 完成设置，生成展示机构间合作网络的可视化图谱。确保图谱突出显示连接性与合作水平，识别科研活动的核心枢纽及机构间的关键合作领域。
  5. 作者与作者合作分析
    1. 高产作者识别：访问 WoSCC 数据库 中的 研究人员档案 部分，根据作者发表文章总数进行排序。
    2. 数据可视化：使用 R 中的 ggplot2 包创建水平条形图，直观展示领先作者的出版数量。
    3. 作者贡献评估：从 WoSCC 数据库 获取出版数量排名前10的作者的额外指标，包括 H 指数、所属国家和所属机构。
      注：具体代码见 补充文件1 中的 代码4。
    4. 作者合作网络
      1. VOSviewer 中的分析设置：启动 VOSviewer，点击 创建 按钮，然后选择 基于文献数据创建图谱。通过选择 从文献数据库文件读取数据 导入包含文献数据的相关纯文本文件。
      2. 配置与参数设置：将分析类型设为 合著关系，使用 全计数 方法，选择 作者 作为分析单位。调整参数，每篇文献最多包含 33 个机构，每位作者的最低阈值为 15 篇文献，以确保捕获有意义的合作数据。
      3. 可视化与洞察：点击 完成 生成叠加可视化图谱，展示作者合作的时序演变，揭示合著网络的动态发展与增长趋势。
  6. 期刊与共被引期刊分析
    1. 期刊指标计算：使用 R 中的 H 指数 函数，计算各期刊的关键指标，包括每来源出版物数量（NP）、引用频次（NC）、首次出版年份（PY_start）以及影响指数（H 指数、G 指数和 M 指数）。
    2. 获取影响因子与排名：从 WoSCC 数据库获取期刊的影响因子和分区排名，进一步评估各期刊在领域内的影响力与地位。
      注：具体代码见 补充文件1 中的 代码5。
    3. 知识流动分析
      1. CiteSpace 中的数据导入与设置：打开 CiteSpace，进入 数据 菜单，选择 导入/导出，并选择 WOS 以导入数据。根据需要配置输入和输出路径。
      2. 图谱选择与配置：在 CiteSpace 中选择 叠加图谱 和 JCR 期刊图谱 选项，将 z-score 设置为 0。此设置可生成双图谱，展示期刊之间的知识流动。
  7. 共被引文献与聚类网络分析
    1. CiteSpace 中的数据导入与设置
      1. 打开 CiteSpace，进入 数据 菜单，选择 导入/导出。
      2. 从 WoSCC 数据库导入纯文本格式数据，将分析时间切片设置为 2010 年 1 月至 2023 年 12 月，时间间隔为一年，以获得详细的时间信息。
    2. 网络配置与剪枝
      1. 在 CiteSpace 中将节点类型设为“参考文献”，使用 路径搜索器 选项和 剪枝切片网络 功能对网络进行剪枝。
      2. 点击 运行  执行分析，生成参考文献共被引图谱，并调整字体和颜色设置以提高可读性。
    3. 识别高影响力文献
      1. 在 CiteSpace 中选择 突现性 选项，并将参数 γ 设置为 [0, 1]。
      2. 刷新数据，生成被引突现强度最强的前 20 篇文献列表。
  8. 关键词共现分析
    1. 在 R 中进行关键词频率分析
      1. 使用 R 中的 bibliometrix 包进行关键词分析，重点关注文档中出现频率最高的关键词。
      2. 将字段设为 作者关键词，限制数量为前 20 个关键词，并过滤同义词以确保一致性。
    2. 在 CiteSpace 中进行关键词突现分析
      1. 在 CiteSpace 中选择 突现性 选项，并将参数 γ 设置为 [0, 1]，以执行关键词突现分析。
      2. 刷新数据，生成被引突现强度最强的前 30 个关键词列表。
    3. 在 VOSviewer 中进行关键词共现网络分析
      1. 打开 VOSviewer，选择 创建，然后选择 基于文献数据创建图谱。
      2. 使用 从文献数据库文件读取数据 选项导入纯文本文件。
      3. 将分析类型设为 共现，使用 全计数 方法，以 作者关键词 作为分析单位。
      4. 设置最低阈值为关键词出现次数不少于 40 次，点击 完成 完成分析，生成可视化关键词共现网络，展示该领域内的关键词关系。

访问受限。请登录或开始试用以查看此内容。

结果

出版物与引用数量的年度增长趋势
2010年至2023年期间，在WoSCC数据库中总共识别出6,767篇与癌症单细胞测序相关的出版物。其中，2010年至2023年间发表的602项研究被排除在分析之外，随后排除了5篇非英文发表的研究。此外，根据预设的排除标准，进一步排除了480篇文章，其中包括361篇会议摘要、83篇编辑材料以及36篇归类为其他类别的文章。最终，共有5,680篇文章被纳入本研究，包括5,090篇研究性论文和590篇综述文章。

根据 WoSCC 引文报告，这些文献的累计被引次数为 162,233 次，平均每篇文章被引 28.56 次。年均增长率为 40.26%，呈现出总体上升趋势。图 2 展示了该领域发表文章数量与被引频次的统计结果，显示出两个阶段的发展趋势。2010 年至 2015 年期间，年度发表文章数量呈现相对稳定的增长；自 2016 年以来，年度发表文章数量出现显著增长。2010 年至 2023 年间，年度被引频次存在波...

访问受限。请登录或开始试用以查看此内容。

讨论

文献计量分析是一种用于评估重要出版物特征及其学术影响力的定量方法26。本研究对2010年至2023年间从WoSCC数据库中提取的5,680篇与癌症研究中单细胞测序相关的文章进行了系统的文献计量分析。该分析旨在评估当前研究现状，识别关键研究热点，并阐明新兴趋势，为科研人员和政策制定者提供可操作的见解。

根据发表和引用数据，癌症研究中单细胞测序技术的发展通常可分为两个不同阶段：2010年至2015年的缓慢增长期和2016年至2023年的快速扩张期。这种阶段划分主要基于若干关键指标，包括论文发表数量、引用次数以及新方法学的出现。在缓慢增长期（2010–2015年），研究活动相对有限，发表文章数量逐步增加，年度引用增长微弱。这一时期主要集中于单细胞测序技术的基础性开发，研究人员主要致力于优化实验方案并探索单细胞分析的可行性27。相比之下，快速发展期（2016–2023年）则表现出论文发表量和引用量的显著激增，表明该领域受到日益广泛的关注。这一增长主要得益于技术进步，例如测序平台的改进、更复杂计算...

访问受限。请登录或开始试用以查看此内容。

披露

作者无任何利益冲突需要披露。

材料

本文使用的材料清单
姓名公司目录编号评论
bibliometrix 包综合R档案网络 (CRAN)bibliometrix 4.3.0一种森林图，支持每行显示多个置信区间、自定义各个文本元素的字体、自定义置信区间、文本与表达式混合显示等功能。
CiteSpaceChaomei Chen，德雷塞尔大学CiteSpace 6.2.R4（64位）beta 基础版‌CiteSpace‌ 是一种科学文献分析工具。其主要功能是通过可视化手段分析科学文献中蕴含的知识，展示科学知识的结构、规律与分布。CiteSpace 的主要功能包括：研究合作分析 ‌, 重要的期刊评价 ‌，核心主题挖掘等。
dplyr综合R档案网络 (CRAN)dplyr 1.1.4dbplyr 是 dplyr 的数据库后端。它能够将远程数据库表当作内存中的数据框使用，方法是自动将 dplyr 代码转换为 SQL。
草图综合 R 存档网络 (CRAN)esquisse 2.0.1此插件允许您使用 ggplot2 包对数据进行可视化，从而实现交互式的数据探索。您可绘制条形图、曲线图、散点图、直方图、箱线图以及 sf 对象，并导出图形或获取用于重现该图形的代码。
forcats综合 R 存档网络（CRAN）forcats 1.0.0R 使用因子来处理分类变量，即具有固定且已知取值集合的变量。因子还有助于重新排序字符向量，以改善显示效果。forcats 包的目标是提供一套工具，用于解决因子常见的问题，包括更改水平顺序或数值。 
ggplot2综合R档案网络 (CRAN)ggplot2 3.5.1ggplot2 是一个基于《图形语法》的声明式图形创建系统。您只需提供数据，告知 ggplot2 如何将变量映射到图形属性、使用何种图形基本元素，其余细节由其自动处理。
ggpmisc综合R档案网络 (CRAN)ggpmisc 0.6.1包装 ‘ggpmisc’ （其他扩展至 ‘ggplot2’) 是 R 软件包的一组扩展 ‘ggplot2’ (>= 3.0.0）的版本，重点在于与拟合模型相关的注释和绘图功能。模型拟合对象中的估计值可以通过 ggplot 以文本、表格或方程形式展示。针对多种模型拟合函数，可绘制预测值、残差、偏差和权重的图形。
ggsci综合R档案网络 (CRAN)ggsci 3.2.0ggsci 提供了一系列受科学期刊、数据可视化库、科幻电影和电视剧启发的 ggplot2 颜色调色板。
openxlsx综合 R 存档网络 (CRAN)openxlsx 4.2.7.1该 R 包通过提供用于编写、设置样式和编辑工作表的高级接口，简化了 .xlsx 文件的创建。借助 Rcpp 的使用，其读写速度可与 xlsx 和 XLConnect 包相媲美，同时消除了对 Java 的依赖。
readxl综合 R 存档网络（CRAN）readxl 1.4.3readxl 包使得将数据从 Excel 导入 R 变得简单。与许多现有包（如 gdata、xlsx、xlsReadWrite）相比，readxl 没有外部依赖，因此它’在所有操作系统上均易于安装和使用。它专为处理表格数据而设计。
reshape2综合 R 存档网络 (CRAN)reshape2 1.4.4Reshape2 是 reshape 包的重构版本。自 reshape 首次发布以来已逾五年，在此期间，我在 R 编程以及如何在 R 中处理数据方面积累了大量经验。Reshape2 利用这些经验开发了一个全新的数据重塑包，功能更加集中，且速度显著提升。
stringr综合 R 存档网络 (CRAN)stringr 1.5.1字符串并非 R 语言中引人注目或备受关注的组成部分，但它们在许多数据清洗和预处理任务中发挥着重要作用。stringr 包提供了一套统一的函数，旨在使字符串操作尽可能简便。
tidytext综合 R 存档网络（CRAN）tidytext 0.4.2使用整洁数据（tidy data）原则可使许多文本挖掘任务变得更加简便、高效，并与当前广泛使用的工具保持一致。利用整洁数据框进行文本挖掘所需的大部分基础设施已存在于 dplyr、broom、tidyr 和 ggplot2 等 R 包中。在本软件包中，我们提供了函数及配套数据集，以支持文本与整洁格式之间的相互转换，并实现整洁工具与现有文本挖掘包之间的无缝切换。欢迎阅读我们的书籍，深入了解基于整洁数据原则的文本挖掘方法。
tidyverse综合R档案网络 (CRAN)tidyverse 2.0.0tidyverse 是一套富有见解的 R 语言软件包集合，专为数据科学设计。所有包均遵循统一的设计理念、语法规则和数据结构。
维恩图综合 R 存档网络 (CRAN)VennDiagram 1.7.3VennDiagram 是一个 R 软件包，用于生成高分辨率、可自定义的维恩图（最多四个集合）和欧拉图（最多三个集合）。该软件包支持多种特殊情况的处理，包括双集合比例缩放，并提供对图形形状和结构的广泛自定义功能。
VOSviewer 荷兰莱顿大学科学与技术研究中心VOSviewer 版本 1.6.19VOSviewer 是一种用于构建和可视化文献计量网络的软件工具。这些网络可包含期刊、研究人员或单篇出版物，并可根据引用、文献耦合、共被引或共同作者关系构建。VOSviewer 还提供文本挖掘功能，可用于构建和可视化从科学文献集合中提取的重要术语的共现网络。

参考文献

  1. Kocarnik, J. M., et al. Cancer incidence, mortality, years of life lost, years lived with disability, and disability-adjusted life years for 29 cancer groups from 2010 to 2019: A systematic analysis for the global burden of disease study 2019. JAMA Oncol. 8 (3), 420-444 (2022).
  2. Soerjomataram, I., Bray, F. Planning for tomorrow: Global cancer incidence and the role of prevention 2020-2070. Nat Rev Clin Oncol. 18 (10), 663-672 (2021).
  3. Bray, F., et al. Global cancer statistics 2022: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 74 (3), 229-263 (2024).
  4. Zhang, Y., Zhang, Z. The history and advances in cancer immunotherapy: Understanding the characteristics of tumor-infiltrating immune cells and their therapeutic implications. Cell Mol Immunol. 17 (8), 807-821 (2020).
  5. Xu, X., et al. Metabolic reprogramming and epigenetic modifications in cancer: From the impacts and mechanisms to the treatment potential. Exp Mol Med. 55 (7), 1357-1370 (2023).
  6. Hanahan, D. Hallmarks of cancer: New dimensions. Cancer Discov. 12 (1), 31-46 (2022).
  7. Kashyap, A., et al. Quantification of tumor heterogeneity: From data acquisition to metric generation. Trends Biotechnol. 40 (6), 647-676 (2022).
  8. Vredevoogd, D. W., Peeper, D. S. Heterogeneity in functional genetic screens: Friend or foe. Front Immunol. 14, 1162706(2023).
  9. Jovic, D., et al. Single-cell RNA sequencing technologies and applications: A brief overview. Clin Transl Med. 12 (3), e694(2022).
  10. Hong, M., et al. RNA sequencing: New technologies and applications in cancer research. J Hematol Oncol. 13 (1), 166(2020).
  11. Moed, H. F. New developments in the use of citation analysis in research evaluation. Arch Immunol Ther Exp (Warsz). 57 (1), 13-18 (2009).
  12. Ninkov, A., Frank, J. R., Maggio, L. A. Bibliometrics: Methods for studying academic publishing. Perspect Med Educ. 11 (3), 173-176 (2022).
  13. Li, X., Wang, L., Wang, L., Feng, Z., Peng, C. Single-cell sequencing of hepatocellular carcinoma reveals cell interactions and cell heterogeneity in the microenvironment. Int J Gen Med. 14, 10141-10153 (2021).
  14. Li, Y., Jin, J., Bai, F. Cancer biology deciphered by single-cell transcriptomic sequencing. Protein Cell. 13 (3), 167-179 (2022).
  15. Bai, X., Li, Y., Zeng, X., Zhao, Q., Zhang, Z. Single-cell sequencing technology in tumor research. Clin Chim Acta. 518, 101-109 (2021).
  16. Zhang, L., et al. Worldwide research trends on tumor burden and immunotherapy: A bibliometric analysis. Int J Surg. 110 (3), 1699-1710 (2024).
  17. Ghorbani, B. D. A scientometrics research perspective in applied linguistics. Meihami, H., Esfandiari, R. , Springer Nature. Switzerland, Cham. 197-234 (2024).
  18. Chen, C. M., Leydesdorff, L. Patterns of connections and movements in dual-map overlays: A new method of publication portfolio analysis. J Assoc Inf Sci Technol. 65 (2), 334-351 (2014).
  19. Shen, S., et al. Analyzing and mapping the research status, hotspots, and frontiers of biological wound dressings: An in-depth data-driven assessment. Int J Pharm. 629, 122385(2022).
  20. Small, H., Sweeney, E., Greenlee, E. Clustering the science citation index using co-citations .2. Mapping science. Scientometrics. 8 (5-6), 321-340 (1985).
  21. Butler, A., Hoffman, P., Smibert, P., Papalexi, E., Satija, R. Integrating single-cell transcriptomic data across different conditions, technologies, and species. Nat Biotechnol. 36 (5), 411-420 (2018).
  22. Stuart, T., et al. Comprehensive integration of single-cell data. Cell. 177 (7), 1888-1902.e21 (2019).
  23. Baysoy, A., Bai, Z., Satija, R., Fan, R. The technological landscape and applications of single-cell multi-omics. Nat Rev Mol Cell Biol. 24 (10), 695-713 (2023).
  24. Macosko, E. Z., et al. Highly parallel genome-wide expression profiling of individual cells using nanoliter droplets. Cell. 161 (5), 1202-1214 (2015).
  25. Tirosh, I., et al. Dissecting the multicellular ecosystem of metastatic melanoma by single-cell RNA-seq. Science (New York, N.Y.). 352 (6282), 189-196 (2016).
  26. Martinez-Simon, A., et al. Covid-19 publications in anaesthesiology journals: A bibliometric analysis. Br J Anaesth. 128 (3), e239-e241 (2022).
  27. Wen, L., Tang, F. Single-cell sequencing in stem cell biology. Genome Biol. 17, 71(2016).
  28. Zhang, Y., et al. Single-cell RNA sequencing in cancer research. J Exp Clin Cancer Res. 40 (1), 81(2021).
  29. Tang, F., et al. MRNA-seq whole-transcriptome analysis of a single-cell. Nat Methods. 6 (5), 377-382 (2009).
  30. Navin, N., et al. Tumour evolution inferred by single-cell sequencing. Nature. 472 (7341), 90-94 (2011).
  31. Tang, J., et al. Single-cell exome sequencing reveals multiple subclones in metastatic colorectal carcinoma. Genome Med. 13 (1), 148(2021).
  32. Song, H., et al. Single-cell analysis of human primary prostate cancer reveals the heterogeneity of tumor-associated epithelial cell states. Nat Commun. 13 (1), 141(2022).
  33. Zheng, X., et al. Single-cell transcriptomic profiling unravels the adenoma-initiation role of protein tyrosine kinases during colorectal tumorigenesis. Signal Transduct Target Ther. 7 (1), 60(2022).
  34. Chan, T. J., Zhang, X., Mak, M. Biophysical informatics reveals distinctive phenotypic signatures and functional diversity of single-cell lineages. Bioinformatics. 39 (1), btac833(2023).
  35. Chen, Y. P., et al. Single-cell transcriptomics reveals regulators underlying immune cell diversity and immune subtypes associated with prognosis in nasopharyngeal carcinoma. Cell Res. 30 (11), 1024-1042 (2020).
  36. Small, H. Co-citation in scientific literature - new measure of relationship between 2 documents. J Am Soc Inf Sci. 24 (4), 265-269 (1973).
  37. Villani, A. -C., et al. Single-cell RNA-seq reveals new types of human blood dendritic cells, monocytes, and progenitors. Science (New York, N.Y.). 356 (6335), eaah4573(2017).
  38. Sun, D., et al. Identifying phenotype-associated subpopulations by integrating bulk and single-cell sequencing data. Nat Biotechnol. 40 (4), 527-538 (2022).
  39. Pe'er, D., et al. Tumor heterogeneity. Cancer Cell. 39 (8), 1015-1017 (2021).
  40. Liu, X., et al. Single-cell transcriptomics links malignant T cells to the tumor immune landscape in cutaneous T-cell lymphoma. Nat Commun. 13 (1), 1158(2022).
  41. Yan, Y., et al. Clonal phylogeny and evolution of critical cytogenetic aberrations in multiple myeloma at single-cell level by qm-fish. Blood Adv. 6 (2), 441-451 (2022).

访问受限。请登录或开始试用以查看此内容。

重印与许可

标签

癌症单细胞测序的全球与当前研究趋势：一项基于文献计量与可视化分析的研究
联系我们
向图书馆推荐

隐私

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。