方法文章

共病研究热点与关键靶点的文献计量学与生物信息学探索：间质性肺疾病与肺动脉高压

54 次观看

⸱

DOI：

10.3791/71631

⸱

2026年8月7日

 ,  ,  , 
1Graduate School, Beijing University of Chinese Medicine, 2Physical Examination Center, China-Japan Friendship Hospital, 3Qihuang School, Beijing University of Chinese Medicine, 4National Center for Integrative Medicine, China-Japan Friendship Hospital, 5School of Population Medicine and Public Health, Chinese Academy of Medical Sciences and Peking Union Medical College

本文内容

摘要

本方案以间质性肺疾病和肺动脉高压为例，结合文献计量学与生物信息学，系统性地初步探索其研究趋势、热点、关键靶点及相关通路。通过修改提示词，该方案可复制用于分析任意疾病组合。

摘要

间质性肺疾病（ILD）与肺动脉高压（PH）常作为共病同时存在，导致临床预后不良且治疗选择有限。明确重要的研究热点并揭示关键的共病靶点，对于改善疾病管理及开发新型治疗策略至关重要。本实验方案从 Web of Science 核心合集和 Scopus 数据库中检索相关文献，利用 CiteSpace 和 VOSviewer 绘制研究热点与演变趋势图谱。随后，从 GeneCards 数据库中识别与两种疾病相关的重叠基因靶点。使用 STRING 构建蛋白质-蛋白质相互作用网络以鉴定枢纽基因，并通过 R 语言进行 KEGG 通路富集分析，以阐明关键信号通路。结果表明，文献计量学可从宏观角度识别该跨学科领域的发展脉络；生物信息学分析揭示 FN1、IL6 和 TNF 为潜在的核心共病靶点；KEGG 富集分析提示以 PI3K-Akt 和 MAPK 为中心的免疫相关通路深度参与了共病的发病机制。通过整合上述两种方法，本方案系统描绘了 ILD-PH 共病研究的发展轨迹与研究热点，同时初步筛选出潜在的共病靶点及通路，为后续实验研究与临床验证提供了方向和计算基础。该整合框架提供了一种可重复的方法学，适用于其他复杂疾病共病的研究。

引言

间质性肺疾病（ILD）是一组以肺间质炎症和纤维化为病理特征的弥漫性肺部疾病的总称。在疾病进展过程中，常合并多种共病，其中肺动脉高压（PH）是显著影响预后的常见共病之一1,2。流行病学数据显示，ILD患者中PH的发病率因疾病亚型和病程阶段而异，范围在13%至86%之间3,4,5。这种共病状态不仅显著降低患者的生活质量、增加死亡风险，还加重了社会经济和医疗负担6,7。与肺动脉高压不同，与间质性肺疾病相关的肺动脉高压的发病机制更为复杂，涉及低氧性肺血管收缩、促纤维化和炎症因子介导的血管重塑以及细胞外基质沉积等多种病理过程8,9,10。目前，针对该共病的临床诊断和治疗策略仍相对有限，缺乏特异性的靶向药物，其潜在的分子机制、关键信号通路及早期生物标志物仍有待系统阐明11,12。

作为一种检测研究焦点和演化轨迹的客观工具，文献计量学近年来得到了广泛应用13,14。生物信息学分析通过整合先前发现的疾病相关靶点，识别关键靶点和核心通路15。对于共病研究而言，将宏观层面的研究热点与分子水平的通路及靶点信息相结合，有助于深入理解共病机制，并为后续实验研究提供计算预测和方向性指导。然而，关于间质性肺病与肺动脉高压共病的研究仍缺乏将宏观知识图谱与微观分子网络相结合的系统性整合分析。因此，本研究利用Web of Science核心合集（WoSCC）和Scopus数据库，通过文献计量学方法全面勾勒ILD-PH共病研究的发展脉络和研究热点。同时，采用生物信息学工具识别与该共病相关的核心基因和潜在分子通路，为后续实验研究和靶向探索提供候选分子基础和实验设计方向。

方案

本研究使用了公开的二级数据库，包括 GeneCards、STRING 和 KEGG。根据第 32 条规定 中国人类遗传资源管理条例这些数据库未涉及在中国境内直接收集人类遗传资源，因此本研究无需伦理审批和知情同意。 本节所用软件和平台的详细版本信息见于 材料表.

1. 文献收集与整理

  1. 访问MeSH数据库（材料表）。
  2. 分别检索疾病术语“Interstitial Lung Disease”和“Pulmonary Hypertension”，以获取其相关的副主题词。
  3. 基于已确定的MeSH术语和副主题词，制定全面的检索策略。
  4. 2026年3月9日，打开WoSCC数据库（材料表）。
  5. 选择高级检索。输入检索策略：TS=("Diffuse Parenchymal Lung Disease" OR "Diffuse Parenchymal Lung Diseases" OR "Interstitial Lung Disease" OR "Interstitial Lung Diseases") AND TS=("Pulmonary Hypertension")。设置发表日期范围为2016年1月1日至2025年12月31日，然后点击检索。
  6. 选择文章和综述文章作为文献类型，语言选择英语。记录内容选择完整记录和被引参考文献。将记录以txt格式导出并保存为wos.txt，然后转换为csv格式并保存为wos.csv。
  7. 2026年3月9日，打开Scopus数据库（材料表）。
  8. 将检索字段设置为“标题”/“摘要”/“关键词”。输入检索策略：TITLE-ABS-KEY(("Diffuse Parenchymal Lung Disease" OR "Diffuse Parenchymal Lung Diseases" OR "Interstitial Lung Disease" OR "Interstitial Lung Diseases")) AND TITLE-ABS-KEY("Pulmonary Hypertension")。选择年份范围为2016年1月1日至2025年12月31日，学科领域选择医学，然后点击检索（补充表1）。
  9. 点击导出，选择CSV格式，导出所有检索到的记录，并保存为scopus.csv。
  10. 打开wos.csv，复制DOI列，并将其粘贴到scopus.csv中。进行数据比对，使用Excel中的删除重复项功能标记重复记录，删除重复项后得到scopus1.csv。对于极少数缺少DOI的记录，我们通过手动交叉核对“"标题+作者+年份"”组合，确保本研究所需文献的完整纳入。
  11. 创建名为input directory和output directory的新文件夹。将去重后获得的scopus1.csv放入input directory中。打开CiteSpace，点击数据，选择Scopus，指定相应的文件夹，然后点击Scopus (csv) > WoS按钮，将Scopus数据格式转换，统一两个数据库的数据格式为txt格式。将生成的文件命名为scopus1.txt。
  12. 合并两个数据库的数据。将scopus1.txt和wos.txt导入CiteSpace进行去重和合并，获得格式统一、已去重的文献数据：dataset.txt，用于后续分析（补充表2）。
  13. 检查获得的wos.txt和scopus.csv文件，确保去重过程以DOI作为匹配依据，并确认dataset.txt文件已成功生成。

2. 年度出版物产出趋势分析

  1. 在 Microsoft Excel 中，按年统计出版物数量，生成两列数据（年份、出版物数量）。
  2. 选中数据集，点击 插入 > 图表 > 柱形图，以生成年度出版物数量的柱状图。
  3. 将横轴设为 年份，纵轴设为 出版物数量。
  4. 启用数据标签，以显示每一年的具体出版物数量。
  5. 将所有图像以标记图像文件格式（TIFF）导出，确保分辨率不低于 300 dpi。

3. 国家/地区出版物产出与国际合作分析

  1. 启动 VOSviewer，选择 创建 > 基于书目数据创建地图 > 从书目数据库文件读取数据16。
  2. 导入在步骤 1.12 中生成的纯文本数据集。
  3. 选择 合著关系 作为分析类型，国家 作为分析单位。
  4. 将每个国家的最低文献数量设置为 40，保留按出版物产出量排名前 20 的国家。此设置可确保合作网络聚焦于高产出国家，同时保持地图的清晰度和可读性，便于读者直观理解核心国际研究力量及合作模式。
  5. 在 验证所选项目 界面中，选中所有国家，将列表复制到 Excel 中，并导出每个国家的出版物数量和被引频次。
  6. 在生成的 Excel 表格中，选择按出版物产出量排名前 10 的国家，并生成图表以展示其出版物数量和被引频次。
  7. 点击 "完成" 按钮，构建国家合作网络，并以 GML 格式保存该网络。
  8. 启动 Scimago Graphica 并导入 GML 文件。
  9. 将 标签 字段映射至 国家，并将 聚类 字段类型设置为 字符串。
  10. 在可视化配置中，将出版物产出字段（通常为 weight<Documents> 或类似名称）放入“大小”框，将聚类字段设为“颜色”框，将标签字段映射至“标签”、“提示”和“单位”框。
  11. 进入 标记 > 地图。使用 边线曲率 调整线条弯曲程度，使用 边线颜色 配置节点颜色。
  12. 以 PNG 格式导出最终地图。
  13. 将步骤 1.12 中生成的纯文本数据集导入文献计量在线分析平台（https://bibliometric.com），点击 上传引文数据，选择 国家关系，生成国家合作弦图以进行可视化展示。
  14. 一个关键检查点是适当调整最低文献数量，以确保生成的网络结构均衡、视觉清晰，同时仍能反映研究目标。

4. 期刊发表产出与引用分析

  1. 将相同的数据集导入 VOSviewer，选择 引用 作为分析类型，并选择 来源 作为分析单位。
  2. 将每个来源的最低文献数量设为5，最低引用次数设为20。
  3. 在 验证所选项目 界面，将期刊列表复制到 Excel 中，以获取每本期刊的发表论文数量和总引用次数。
  4. 选择 完成, 期刊共被引网络图谱将被生成。调整 吸引 和 排斥 参数以优化布局，并使用以下方法精修外观 可视化 面板，并将地图另存为分辨率至少为 300 dpi 的 TIFF 格式文件。
  5. 在 Excel 中，按出版物数量对期刊进行排序，选择发文量排名前十的期刊。2026年3月9日，访问官方 JCR 平台（材料表），分别搜索各期刊，记录其最新的影响因子和JCR分区。生成一个按发表论文数量排序的前10名期刊图表。
  6. 在 Excel 中按总被引频次对期刊进行排序，选取被引频次最高的前 10 种期刊。于 2026 年 3 月 9 日，从官方 JCR 平台检索并记录其最新的影响因子和 JCR 分区。生成一张图表，展示按被引频次排序的前 10 种期刊。

5. 高产作者合作网络分析

  1. 将数据集导入 VOSviewer，选择 合作作者关系 作为分析类型，并选择 作者 作为分析单元。
  2. 将作者的最低发文数量设置为 3，以筛选具有一定学术活跃度的作者。
  3. 在 验证所选项目 界面中，复制作者列表，并将作者的出版物数量和被引次数保存至 Excel 文件中。
  4. 选择 完成 以生成作者合作网络，调整网络布局与外观，并以 TIFF 格式保存。
  5. 在 Excel 中，根据作者的发表论文数量进行排序，选取发表论文最多的 10 位研究人员，并生成环形图以展示其发文数量。
  6. 从原始数据集中，检索被引次数排名前 10 的作者，确定其所属国家，根据国家分配不同颜色，并生成图表展示按被引频次排名前 10 的作者。

6. 关键词共现与主题演变分析

  1. 启动 CiteSpace，进入 数据 > 导入/导出。
  2. 将步骤 1.12 中导出的 txt 文件放入输入文件夹。在导入/导出界面中设置输入和输出路径，选择文章和综述作为文献类型，点击开始执行数据格式转换。
  3. 转换完成后，将输出文件夹中的文件复制到数据文件夹。在 CiteSpace 主界面中点击新建，设置项目目录和数据目录，选择WoS作为数据源，并选择英语作为语言。
  4. 进入右侧的时间切片面板，设置时间跨度为 2016–2025 年，采用 1 年为时间切片窗口，选择关键词作为节点类型。
  5. 应用 g-index（k=10）进行网络缩放，并选择三种剪枝策略：路径查找器、剪枝切片网络和剪枝合并网络。
  6. 点击开始运行分析。完成后，使用一键聚类标签优化功能生成关键词共现图谱。
  7. 通过控制面板设置节点和聚类标签的显示方式，并优化节点大小等可视化元素。
  8. 选择布局 > 时间线，生成关键词时间线视图。
  9. 在控制面板中选择突现性，依次点击刷新和查看，设置显示前 25 个关键词的数量，并生成按突现强度排序的前 25 个关键词图表。将生成的图像以 TIFF 格式导出保存。

7. 参考文献共被引分析

  1. 将同一数据集载入 CiteSpace。设置时间范围和裁剪策略，具体步骤如 6.4–6.5 所述，并选择被引文献作为节点类型。
  2. 运行分析后，使用一键聚类标签优化功能生成参考文献共现图谱。
  3. 调整节点和聚类标签，并选择聚类生成参考文献聚类图谱。
  4. 在突现性面板中，设置显示引用频次最高的前 20 篇被引文献，并生成按突现强度排序的前 20 篇共被引文献图表。
  5. 以 TIFF 格式导出所有图像以供存储。

8. 蛋白质-蛋白质相互作用网络分析

  1. 于2026年3月12日访问GeneCards数据库（https://www.genecards.org）17，分别以“间质性肺疾病”和“肺动脉高压”为关键词进行检索。检索所用疾病术语与文献检索中的一致，未扩展额外的术语变体。
  2. 导出每次检索中相关性评分 ≥ 1 的靶点列表。提取方法为按相关性评分排序，并导出所有评分 ≥ 1 的靶点。选择 ≥ 1 作为阈值，因其可涵盖绝大多数文献支持的相关基因，同时最大限度减少假阳性结果。
  3. 使用R语言获取两个靶点集合的交集，得到与间质性肺疾病-肺动脉高压共病相关的靶点。
  4. 访问STRING数据库的Multiple Proteins模块（https://cn.string-db.org/）18，将共病相关靶点列表输入搜索框，并选择Homo sapiens作为物种。
  5. 点击Continue，然后在Settings面板中，将最低所需相互作用评分设置为High confidence (0.700)，并启用 hide disconnected nodes in the network19。
  6. 更新网络后，从Export菜单中以TSV文件格式下载相互作用数据。
  7. 启动Cytoscape，通过File > Import > Network from File System导入TSV文件。
  8. 在Tools > NetworkAnalyzer > Network Analysis > Network Interpretation中，选择Treat the network as undirected，并计算包括节点度在内的拓扑参数。
  9. 在Style面板中配置节点的形状、颜色、大小及其他外观设置，并手动调整节点位置以获得清晰的布局。
  10. 通过File > Export > Network Image to File保存PPI网络图像，并通过File > Export > Table to File导出网络分析结果。
  11. 在Excel中打开导出的表格，按Degree列降序排列，选取前20个关键靶点及其度值，创建带有数据标签的柱状图，并以TIFF格式导出。

9. KEGG 通路富集分析

  1. 启动 R，并输入命令以安装和加载所需软件包（补充表 3）：
    install.packages("BiocManager")
    BiocManager::install(c("clusterProfiler", "org.Hs.eg.db"))
    library(clusterProfiler)
    library(org.Hs.eg.db)
  2. 使用 bitr() 函数将 ILD-PH 共病靶基因的基因符号转换为 Entrez ID。在 R 中输入：
    coma_entrez <- bitr(coma_genes, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org.Hs.eg.db)
  3. 使用 enrichKEGG() 函数进行富集分析，参数设置如下：organism = "hsa"，pvalueCutoff = 0.05，qvalueCutoff = 0.05。多重检验校正采用 Benjamini-Hochberg (BH) 方法。输入以下代码：
    kegg_result <- enrichKEGG(gene = coma_entrez$ENTREZID,
    organism = "hsa",
    pvalueCutoff = 0.05,
    qvalueCutoff = 0.05,
    use_internal_data = FALSE)
    注：p 值：原始 p 值，表示观察到给定富集水平的概率；q 值：经 Benjamini-Hochberg 校正后的 FDR（错误发现率），用于控制假阳性率。本研究中，以 q < 0.05 作为显著富集的判断标准。
  4. 使用关键词“Human Diseases”和“Metabolism”筛选结果，剔除与人类疾病和代谢相关的通路，保留与生物学过程相关的通路。Human Diseases 和 Metabolism 通路主要描述疾病整体机制和代谢网络，与 ILD-PH 共病的纤维化、炎症及血管重塑机制关联较弱，因此予以排除，以聚焦于关键信号通路。输入：
    kegg_result_df <- as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[!grepl("Human Diseases|Metabolism", kegg_result_df$Description), ]
  5. 按基因数量降序排列通路，选取前 10 条通路，使用 dotplot() 函数生成点图，并以 PNG 格式导出图像。输入：
    top10_pathways <- head(kegg_filtered[order(kegg_filtered$Count, decreasing = TRUE), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave("KEGG_dotplot.png", dotplot_result, width = 8, height = 6, dpi = 300)
  6. 提取前 10 条通路及其相关靶基因，构建两列表格（通路名称、靶基因），并将该表保存为制表符分隔的 TXT 文件。
  7. 将文件导入 Cytoscape，通过 Style 面板设置通路节点与靶基因节点的形状和颜色差异，手动优化布局，并导出通路-靶基因网络图像20。

结果

数据检索与筛选

总共从 Scopus 数据库中收集了 2,400 条记录，从 WoSCC 数据库中识别出 696 条记录。在合并两个数据集并剔除 533 条重复记录后，最终共纳入 2,563 篇唯一出版物用于后续的文献计量分析（图 1）。

年度出版物产出趋势

2016年至2025年间，间质性肺疾病和肺动脉高压领域的年度发表论文数量如图2所示。在十年期间，论文发表数量呈现波动上升趋势。前四年保持相对稳定，随后在2020–2022年和2023–2025年期间快速增长，分别于2022年和2025年达到两个峰值。总体而言，论文数量从2016年的142篇增至2025年的402篇，增长了近三倍（图2）。

国家出版物产出与国际合作

共有20个国家达到至少发表40篇论文的阈值，被纳入国家合作网络分析。美国在论文发表数量和引用频次方面均居首位，发表论文823篇，被引用21,943次。意大利以271篇论文（7,037次引用）排名第二，随后是法国（237篇论文，8,172次引用）、英国（231篇论文，9,764次引用）和日本（205篇论文，3,221次引用）。中国以185篇论文和2,978次引用排名第六，德国以184篇论文和7,932次引用排名第七（图3A，表1）。

在国际合作方面，总链接强度指标显示，美国（总链接强度 = 523）、意大利（448）、英国（447）、德国（443）和法国（405）具有最紧密的合作关系（图3B）。合作网络分析识别出三个主要聚类。第一个聚类包含10个欧洲国家，分别为比利时、法国、德国、希腊、意大利、荷兰、波兰、西班牙、瑞士和土耳其，形成了一个高度互联的欧洲研究网络。第二个聚类由九个国家组成，包括澳大利亚、巴西、加拿大、中国、印度、日本、韩国、英国和美国。该聚类以美国为中心，整合了来自亚洲、美洲和大洋洲的主要研究力量，呈现出跨区域合作模式。第三个聚类仅包含奥地利，表现出相对独立的合作模式（图3C）。

期刊发表产出与引用分析

在该领域发表论文的期刊中，《临床医学杂志》（Journal of Clinical Medicine，54 篇文献）、《肺循环》（Pulmonary Circulation，53 篇文献）和《临床风湿病学》（Clinical Rheumatology，51 篇文献）的发文量位居前列；而在生产力排名前十的期刊中，《胸部》（Chest，IF = 8.6，Q1）和《免疫学前沿》（Frontiers in Immunology，IF = 5.9，Q1）的影响因子最高（图 4A）。在引文影响力方面，《欧洲呼吸杂志》（European Respiratory Journal，1,885 次引用）、《心脏与肺移植杂志》（Journal of Heart and Lung Transplantation，1,817 次引用）和《欧洲呼吸综述》（European Respiratory Review，1,600 次引用）成为最具影响力的期刊（图 4B）。期刊共现网络显示，呼吸病学、风湿病学和移植学领域的期刊之间存在高度聚类现象，提示在管理间质性肺病（ILD）与肺动脉高压（PH）共病时需要多学科协作（图 4C）。

作者发表成果与合作网络

在最具影响力的作者中，来自美国的 Nathan, Steven D 以 45 篇论文位居首位，随后是一组法国作者，包括 Launay, David（27 篇）、Cottin, Vincent（27 篇）和 Humbert, Marc（26 篇），凸显了法国在该领域的重要贡献（图 5A，表 2）。在引用影响力方面，Nathan, Steven D 同样以 2,446 次引用居首，Humbert, Marc（1,675 次）、Cottin, Vincent（1,347 次）和 Shlobin, Oksana A（1,153 次）也展现出显著影响力，高被引作者主要来自美国和法国（图 5B）。作者合作网络共识别出六个聚类。总体而言，合作模式以国内合作为主，国际间合作相对有限（图 5C）。

关键词共现与主题演变

在高频关键词中，除常见的数据库索引术语外，例如 "人类" 和 "文章"，疾病特异性关键词如 "肺动脉高压", "间质性肺疾病"，以及 "系统性硬化症" 占据中心位置，反映了该领域的主要研究主题（表3）。中心性分析显示，与治疗药物（azathioprine、corticosteroid therapy）、研究设计术语（randomized controlled trial、clinical article、case report）以及症状描述（dyspnea）相关的术语具有较高的中介中心性，作为连接病因、症状、诊断、治疗和预后等不同主题的桥梁。总体而言，该领域的研究高度依赖临床证据，尤其是与免疫抑制治疗相关的临床研究。 (图 6A，表4).

根据对引文突现强度最高的前25个关键词的分析（如图6B所示），可观察到研究重点的时间演变趋势。早期突现的关键词包括“病理生理学”和“肺弥散功能”（2016–2020年），随后中期阶段强调“鉴别诊断”和“肺灌洗”（2018–2022年），近期突现的关键词则突出“COVID-19”、“疲劳”、“NT-proBNP”和“重症监护室”（2021–2025年），反映出研究重心从基本机制逐步转向诊断方法、生物标志物识别及重症管理。

时间线视图展示了关键研究主题的时间演变过程（图6C）。早期突现（2016–2020年）包括“优先期刊”、“病理生理学”、“肺弥散功能”、“随机对照试验（主题）”和“断层扫描”等术语，反映出对基础病理生理机制和诊断影像学的关注。中期突现（2018–2022年）包含“鉴别诊断”、“肺灌洗”、“类固醇”和“临床实践指南”，表明研究重点逐步转向诊断流程和临床管理。近期突现（2021–2025年）涵盖“2019冠状病毒病”、“实验室检测”、“疲劳”、“氨基末端脑钠肽前体”、“重症监护病房”和“受试者工作特征曲线”，凸显了当前对与COVID-19相关影响、生物标志物识别及重症监护的新兴研究兴趣，体现了从基础病理生理学和肺功能检测向临床评估工具和靶向治疗发展的研究演进趋势。

参考文献共引分析

共被引网络分析识别出16个主要聚类，其中最大的聚类集中于特发性肺纤维化、系统性硬化症、结缔组织病、肺动脉高压和进行性肺纤维化，反映了该领域的核心知识体系（图7A）。被引频次最高的文献是一项关于系统性硬化症临床管理的研究，其次为一项关于吸入用曲前列尼尔治疗间质性肺病相关肺动脉高压疗效的研究，以及一项更新肺动脉高压血流动力学定义和临床分类的研究4,21,22（表5）。在中介中心性方面，一项比较霉酚酸酯与口服环磷酰胺治疗系统性硬化症相关间质性肺病的随机对照试验排名最高，紧随其后的是关于结缔组织病相关肺动脉高压初始联合治疗的研究，表明这两项研究在连接不同研究领域中具有关键的桥梁作用23,24（图7B，表6）。引文突现分析揭示了该领域重要文献的时间演进趋势：早期突现文献（2016–2019年）包括特发性间质性肺炎的ATS/ERS分类以及用于筛查系统性硬化症相关肺动脉高压的DETECT研究；中期突现文献（2017–2021年）涵盖2015年ESC/ERS肺动脉高压诊断与治疗指南以及针对硬皮病相关间质性肺病的SLS II试验；近期突现文献（2020–2025年）包括2022年ATS/ERS/JRS/ALAT发布的特发性肺纤维化临床实践指南，以及尼达尼布治疗进行性纤维化性间质性肺病的研究。这一演变趋势反映了该领域从诊断分类向靶向治疗策略的转变25,26,27,28（图7C）。

重叠基因靶点的PPI分析

通过维恩图分析，鉴定出271个与间质性肺病（ILD）和肺动脉高压（PH）重叠相关的基因（图8A）。基于此结果构建了蛋白质-蛋白质相互作用（PPI）网络，以探索这些共有靶点之间的功能关系（补充表4）。该PPI网络包含271个节点和3,414条边，平均节点度为25.2，表明网络具有高度互连的特征。PPI网络可视化显示其具有高度连接的结构，并包含多个功能簇（图8B）。按度中心性排序的前20个基因包括FN1、IL6、TNF、AKT1、EGFR、TGFB1、CTNNB1、IL1B、TP53、MMP9、ALB、STAT3、INS、IL10、CXCL8、CCL2、ICAM1、IFNG、SMAD4和CRP，提示这些分子在相互作用网络中处于核心枢纽地位（图8C）。炎症和纤维化过程可能是该共病状态的潜在驱动因素，但需通过实验进一步验证。富集的通路提示了可能参与共病机制的核心候选通路。

KEGG通路富集分析

为进一步阐明间质性肺病（ILD）与肺动脉高压（PH）共病的潜在功能机制，对重叠的遗传靶点进行了KEGG通路富集分析（补充表5）。最显著富集的通路包括PI3K-Akt信号通路、松弛素信号通路、整合素信号通路、FoxO信号通路、局灶性黏附、HIF-1信号通路、细胞衰老、TGF-β信号通路、MAPK信号通路以及磷脂酶D信号通路（图8D）。通路-靶点网络展示了这些富集通路与PPI网络中鉴定出的枢纽基因之间的相互关联（图8E）。值得注意的是，核心基因如AKT1、EGFR、TGFB1、IL6、TNF和FN1被发现参与了多个通路，尤其是PI3K-Akt、MAPK和TGF-β信号通路，提示这些通路可能是需要进一步实验或临床验证的候选机制。

实验方案验证与可重复性检查点

方案验证需要确认每个模块均达到预期输出，并满足关键的可重复性检查点。对于文献计量学模块，预期输出包括年度发表数量的柱状图、国家合作网络图，以及排名前10的期刊和作者的排序表。可重复性检查点包括：去重后的记录数量应占原始检索记录数量的80%以上，CiteSpace数据转换应无错误完成，合作网络图中主要国家节点应清晰可辨。对于PPI网络分析模块，预期输出包括一个包含≥250个节点和≥3,000条边的PPI网络图，以及按度值排序的前20个枢纽基因列表。检查点要求：STRING数据库中的置信度阈值应设为0.700，Cytoscape计算的平均节点度应≥20，且网络中不应存在未连接的孤立节点。对于KEGG富集分析模块，预期输出为前10个显著通路的点状图和通路-靶点网络图。检查点要求：富集分析结果需满足p < 0.05 且 q < 0.05，在排除“人类疾病”和“代谢”类别后至少保留5条通路，且点状图应显示基因数量随排名上升呈明显递减趋势。

figure-results-1
图1：数据库检索结果的维恩图。 该图展示了从 Scopus 和 Web of Science 核心合集（WoSCC）数据库中检索到的文献数量，以及去除的重复文献数量。重叠区域表示通过 DOI 识别出的重复记录，最终用于文献计量分析的独立文献数量也已标明。请点击此处查看该图的放大版本。

figure-results-2
图2：间质性肺疾病-肺动脉高压研究产出与引用情况（2016–2025年）。 间质性肺疾病（ILD）与肺动脉高压（PH）研究领域的年度发表论文数量及引用趋势（2016–2025年）。柱状图表示每年发表的文章数量，折线图表示累计引用频次。请点击此处查看该图的高清版本。

figure-results-3
图3：国家/地区论文发表产出与国际合作情况。（A）国家论文发表量与被引频次排名；（B）国家间合作的弦图；（C）国际合作网络聚类图。本图展示了国家论文发表与引用排名、通过弦图呈现的国家间合作关联，以及国际合作网络的聚类模式。请点击此处查看该图的放大版本。

figure-results-4
图4期刊发表产出与引用。 (A) 按发文量排名前十的期刊；(B) 引用影响力排名前列的期刊； (C期刊共现网络 根据发表数量和被引频次排名，列出前10种期刊及其影响因子和分区。该网络图直观展示了期刊的发文量及合作关联关系。 请点击此处以查看此图的放大版本。

figure-results-5
图5：高产作者合作网络。（A）发表论文数量最多的前10位作者；（B）引用影响力排名前10位的作者；（C）作者合作网络。作者按其发表论文数量和引用影响力进行排序。前10位作者的国家所属关系从下载的Web of Science文件中提取，并在图中展示。该聚类网络清晰且直观地展示了作者之间的合作模式。请点击此处查看此图的放大版本。

figure-results-6
图6： 关键词共现与主题演变。 （A）关键词共现聚类；（B）前25个突现关键词；（C）关键词演化时间线。 采用CiteSpace进行关键词分析，g指数设置为10，并应用随机森林算法。通过调整节点大小和颜色生成共现图谱，并对节点进行聚类分析以获得聚类图谱。时间线视图主要展示了过去十年间的研究趋势与变化。请点击此处查看该图的高清版本。

figure-results-7
图7：共被引文献分析。（A）共被引参考文献的聚类分析。（B）高被引参考文献的共被引网络。（C）被引突现强度最高的前20篇参考文献。共被引分析使用CiteSpace软件完成，g指数设置为10，并采用随机森林算法。通过调整节点大小和颜色生成共被引网络，并对节点进行聚类分析以获得聚类图谱，揭示不同的主题研究领域。引文突现检测识别出被引突现强度最高的前20篇参考文献及其活跃时间段，重点反映过去十年间研究热点的演变趋势。请点击此处查看该图的高清版本。

figure-results-8
图8：间质性肺病-肺动脉高压共病相关核心靶点及富集通路的鉴定。（A）维恩图显示与间质性肺病（ILD）和肺动脉高压（PH）相关的重叠基因。（B）蛋白质-蛋白质相互作用（PPI）网络。（C）从PPI网络中鉴定出的前20个核心靶点。（D）重叠基因靶点的KEGG通路富集分析。（E）信号通路与其相应靶基因之间关联的相互作用网络。共病相关基因通过GeneCards数据库中ILD和PH靶点的交集获得。使用STRING构建PPI网络（置信度≥0.700），在Cytoscape中进行可视化，并根据节点度数筛选出前20个核心靶点。进行KEGG通路富集分析（q < 0.05，BH校正），排除人类疾病和代谢通路。构建通路-靶点网络以展示信号通路与其相应靶基因之间的关联。请点击此处查看该图的放大版本。

排名国家文献数被引频次篇均被引次数总链接强度
1USA8232194326.7523
2Italy271703726.0448
3France237817234.5407
4UK231976442.3447
5Japan205322115.7147
6China185297816.168
7Germany184793243.1443
8Canada153598239.1282
9Spain133512238.5294
10Australia123433435.2217

表1：论文发表数量与引用频率排名前十的国家。 数据于2026年3月9日从Web of Science核心合集和Scopus数据库中获取，经去重后合并。各国按发表论文总数（文献数）进行排名。“总链接强度”表示在VOSviewer共同作者网络中与其他国家合作链接强度的总和。篇均被引频次计算方式为：总被引次数 / 文献数。

排名作者文献数被引次数国家
1nathan, steven d452446USA
2launay, david27784France
3cottin, vincent271347France
4humbert, marc261675France
5nikpour, mandana22250Australia
6allanore, yannick21482France
7stevens, wendy20236Australia
8hachulla, eric20706France
9khanna, dinesh20755USA
10proudman, susanna17163Australia

表2：间质性肺病和肺动脉高压领域发表论文最多的前10位作者。作者按发表论文总数进行排名。仅包含至少发表3篇论文的作者。引用次数表示该作者在本数据集中论文被引用的总次数。国家归属依据检索到的文章中记录的作者主要所属机构确定。

排名关键词数量
1human2311
2pulmonary hypertension2289
3interstitial lung disease2201
4article1719
5humans1544
6female1444
7male1410
8adult1276
9middle aged903
10major clinical study897

表3：按频率排序的前10个关键词。 关键词从去重后的数据集中提取，并使用CiteSpace进行分析。频率表示各关键词在检索文献的标题、摘要或关键词字段中出现的次数。通用索引术语由数据库自动分配，反映的是索引惯例，而非特定的研究重点。

排名关键词中心性
1human0.95
2article0.71
3azathioprine0.44
4临床特征0.43
5随机对照试验（主题）0.42
6皮质类固醇治疗0.41
7humans0.39
8临床文章0.35
9病例报告0.35
10dyspnea0.28

表4：按中心性排序的前10个关键词。 使用CiteSpace计算中心性，以识别在不同研究聚类之间起桥梁作用的关键词。中心性值越高，表明在共现网络中的连通性越强，中介作用越显著。

排名引用次数被引文献
168Khanna D, 2017, 系统性硬化症 @ LANCET, V390, P1685-1699
241Thenappan T, 2021, 间质性肺病相关肺动脉高压中吸入曲前列尼尔的疗效 @ N ENGL J MED, V384, P325-334
336Celermajer DS, 2019, 肺动脉高压的血流动力学定义及更新的临床分类 @ EUR RESPIR J, V0, P53
432Cottin V, 2020, 纤维化性肺疾病谱 @ N ENGL J MED, V383, P958-968
529Shlobin OA, 2020, 间质性肺病中第3类肺动脉高压的难题：诊断困境与治疗困惑 @ CHEST, V158, P1651-1664
627Gahlemann M, 2019, 尼达尼布治疗系统性硬化症相关间质性肺病 @ N ENGL J MED, V380, P2518-2528
726Cottin V, 2019, 尼达尼布在进行性纤维化性间质性肺疾病中的应用 @ N ENGL J MED, V381, P1718-1727
826Richeldi L, 2022, 特发性肺纤维化（更新）及成人进行性肺纤维化：官方ATS/ERS/JRS/ALAT临床实践指南 @ AM J RESPIR CRIT CARE MED, V205, P0
924Clements PJ, 2016, 霉酚酸酯与口服环磷酰胺治疗硬皮病相关间质性肺病（SLS II）：一项随机对照双盲平行组试验 @ LANCET RESPIR MED, V4, P708-719
1023Hoeper MM, 2022, 2022 ESC/ERS 肺动脉高压诊断与治疗指南 @ EUR HEART J, V43, P3618-3731

表5：被引频次最高的10篇参考文献。 被引文献从去重后的数据集中提取，并使用CiteSpace进行分析。“频次”指某篇文献在现有研究中被共同引用的次数。仅展示共被引频次最高的文献。

排名中心性被引文献
10.42Clements PJ, 2016, 霉酚酸酯与口服环磷酰胺治疗硬皮病相关间质性肺病（SLS II）：一项随机对照双盲平行组试验 @ LANCET RESPIR MED, V4, P708-719
20.41Barbera JA, 2017, 安贝生坦与他达拉非初始联合治疗结缔组织病相关肺动脉高压（CTD-PAH）：来自AMBITION试验的亚组分析 @ ANN RHEUM DIS, V76, P1219-1227
30.32Hachulla E, 2013, 现代管理时代系统性硬化相关肺动脉高压的生存率 @ ANN RHEUM DIS, V72, P1940-1946
40.26Visovatti S, 2019, 系统性硬化中共存肺动脉高压与间质性肺病的患病率、治疗及结局 @ ARTHRITIS RHEUMATOL, V71, P1339-1349
50.25Dimopoulos K, 2014, 内皮素受体拮抗剂波生坦治疗纤维化特发性间质性肺炎相关肺动脉高压 @ AM J RESPIR CRIT CARE MED, V190, P208-217
60.24Smith P, 2021, 吸入用曲前列尼尔治疗间质性肺病所致肺动脉高压 @ N. ENGL. J. MED, V384, P325-334
70.24Pausch C, 2022, 特发性肺动脉高压表型分析：一项注册研究 @ LANCET RESPIR MED, V10, P937-948
80.21Cottin V, 2019, 尼达尼布在进展性纤维化性间质性肺病中的应用 @ N ENGL J MED, V381, P1718-1727
90.21Beghetti M, 2016, 2015年ESC/ERS肺动脉高压诊断与治疗指南：欧洲心脏病学会（ESC）与欧洲呼吸学会（ERS）肺动脉高压诊断与治疗联合工作组制定，获欧洲儿科和先天性心脏病协会（AEPC）及国际心肺移植学会（ISHLT）认可 @ Eur. Heart J, P67-119
100.21Pope JE, 2018, 专家共识下的系统性硬化治疗方案 @ ARTHRITIS RHEUMATOL, V70, P1820-1828

表6：按中心性排序的前10篇参考文献。 中心性使用CiteSpace计算，用于衡量一篇参考文献作为连接不同共被引聚类的桥梁的重要性。数值越高，表明该参考文献在整合不同研究主题中发挥的关键作用越显著。

补充表 1：Web of Science 核心合集和 Scopus 的数据库检索参数。 本表详细列出了在文献检索过程中所使用的数据库版本、访问日期、检索字段、时间范围、文献类型、语言限制以及学科领域筛选条件。请点击此处下载该文件。

补充表 2：在去重前后从 Web of Science 和 Scopus 检索到的完整文献记录。 本表格展示了从 Web of Science 核心合集和 Scopus 中识别出的所有文献的完整导出记录。表格包含三个部分：仅来自 WoSCC 的记录、仅来自 Scopus 的记录，以及去重后的合并列表。重复记录是基于 DOI 进行识别并删除的。请点击此处下载该文件。

补充表 3：本研究中用于数据处理、分析和可视化的 R 脚本。 本表列出了本研究中使用的所有 R 脚本，包括用于文献计量分析、数据合并与去重、维恩图生成，以及相交基因的统计分析和绘图任务的脚本。请点击此处下载该文件。

补充表 4：蛋白质-蛋白质相互作用（PPI）原始数据。 本表格展示了从 STRING 数据库下载并在 PPI 分析步骤中进行可视化的具体数据。请点击此处下载该文件。

补充表5：本研究获取的KEGG通路详细原始数据。 该表格展示了KEGG（京都基因与基因组百科全书）通路富集分析的完整原始数据，包括通路ID、通路名称、映射到该通路的输入基因数量、所涉基因列表以及具体的富集参数。请点击此处下载该文件。

讨论

本研究首次整合了文献计量学与生物信息学方法，以探讨间质性肺病（ILD）与肺动脉高压（PH）的共病关系。系统回顾了过去十年中该领域的发展轨迹、知识结构及前沿趋势，并在分子水平上鉴定了与该共病状态相关的核心基因和关键信号通路。从宏观趋势来看，该领域的年度发表论文数量从2016年的142篇增至2025年的402篇，增长近三倍，反映出学术界对ILD-PH共病的关注持续上升。在两个时间段内观察到显著增长：2020–2022年和2023–2025年。2020年前后出现的增长拐点恰逢新冠疫情；疫情可能通过诱发或加重ILD和PH，间接推动了相关研究的激增。2022年至2023年的高峰可能归因于对PH-ILD治疗方法的进一步探索、验证及初步临床应用29,30,31。后一阶段的增长部分可归因于新型靶向治疗的发展以及人工智能在诊断中的应用32,33,34。

在国家贡献与国际合作方面，美国以823篇出版物和总计21,943次引用位居首位。其核心地位不仅体现在产出数量上，还反映在国际科研合作网络中显著更高的总连接强度，形成了广泛的协作网络。意大利、法国和英国等欧洲国家紧随其后，构成一个高度互联的研究集群，彼此间具有紧密的合作关系。在亚洲国家中，日本和中国的论文发表数量分别位列第五和第六，但其篇均引用次数明显低于德国和法国等欧洲国家，表明其在该领域的学术影响力仍有待提升。在期刊分布方面，《欧洲呼吸杂志》（European Respiratory Journal）和《心脏与肺移植杂志》（Journal of Heart and Lung Transplantation）等高影响力期刊发表了该领域最具影响力的成果，而《临床医学杂志》（Journal of Clinical Medicine）和《肺循环》（Pulmonary Circulation）等专业期刊则贡献了大部分的论文产出。这一分布模式表明，该领域的研究主要发表在呼吸专科期刊上，同时也体现出多学科交叉合作的特点。在作者层面，美国学者Nathan, Steven D在论文发表数和引用次数方面均位居第一，是该领域最具影响力的学术核心人物。法国学者Launay, David、Cottin, Vincent和Humbert, Marc组成了以法国为中心的第二大研究力量。这一作者分布格局与国家及期刊分析中所呈现的美国和法国主导地位高度一致，进一步印证了这两个国家在间质性肺病-肺高压（ILD-PH）共病研究中的引领作用。

本方案将文献计量学与生物信息学相结合，提供了一种超越单一方法的双层分析框架。文献计量学通过分析文献中的宏观研究趋势、合作网络及不断演变的研究热点，为领域发展提供全局性视角。而生物信息学则从公共数据库中挖掘分子数据，用于识别候选基因、蛋白质相互作用以及富集的通路。通过整合这两个层面的信息，该方法可帮助研究人员评估某一分子靶点或通路是否与新兴的临床关注方向相一致，从而提出既有文献支持又具备机制合理性的科学假设。这种协同分析在特发性肺纤维化合并肺动脉高压（ILD-PH）等复杂共病的研究中尤为有价值，因为在这些领域中跨学科的整合往往不足。

关于研究主题的演化轨迹，关键词和参考文献的共现分析与突现检测共同揭示了该领域的发展路径：从理解疾病机制，到探索诊断与治疗规范，再到精准管理和预后评估。2016–2020年期间，突现关键词如"pathophysiology"、"lung diffusion capacity"和"tomography"的出现，反映了对间质性肺病相关肺动脉高压（ILD-PH）病理机制以及肺功能和影像学评估方法的基础研究。2018至2022年期间，突现关键词包括"differential diagnosis"、"practice guideline"和"steroid"，表明标准化的临床诊断与治疗成为关注焦点。2021至2025年期间，突现关键词如"COVID-19"、"fatigue"、"NT-proBNP"、"intensive care unit"和"receiver operating characteristic"，显示出研究热点正转向精准医疗和重症管理。这一演化趋势也得到了参考文献分析的进一步支持：早期的标志性研究奠定了诊断基础，包括特发性间质性肺炎的分类以及用于筛查的DETECT研究；中期的指南类文献，如2015年ESC/ERS肺动脉高压指南，推动了诊疗的标准化；而近年来的突现文献，包括更新的特发性肺纤维化（IPF）临床实践指南以及尼达尼布在进展性纤维化性间质性肺病中的临床试验，则标志着从经验性治疗向靶向精准干预的转变。

在分子机制层面，生物信息学分析鉴定了271个与间质性肺病-肺动脉高压（ILD-PH）共病相关的基因，后续的网络分析揭示了该共病的潜在分子基础。蛋白质-蛋白质相互作用（PPI）网络显示，包括FN1、IL6、TNF、AKT1、EGFR和STAT1在内的20个核心基因之间具有高度连接性。其中，FN1是细胞外基质（ECM）的关键组分，参与基质的组装与重塑35,36,37。间质性肺病中的纤维化过程可能导致ECM过度沉积，推测可通过机械转导和生长因子的隔离作用触发肺血管重塑。IL6、TNF和IL1B等炎症因子不仅驱动间质性肺病中的炎症损伤，还可能通过激活内皮细胞并促进平滑肌细胞增殖，参与肺动脉高压的启动与进展38,39,40,41。KEGG通路富集分析进一步将这些核心基因映射到多个关键信号网络，包括PI3K-Akt、TGF-β、MAPK、HIF-1和整合素信号通路。这些通路已被先前研究证实参与肺纤维化和肺动脉高压的发病机制。其中，TGF-β信号通路同时参与肺纤维化和血管重塑过程，是连接ILD与PH的关键分子桥梁42,43,44；HIF-1信号通路调控血管收缩和血管重塑45,46；PI3K-Akt通路则广泛参与细胞存活、增殖和炎症反应47,48,49。基于上述生物信息学分析，本研究初步提示，ILD与PH可能存在多个信号通路的共同激活。未来的研究应聚焦于以下方向：第一，探索ILD-PH共病的亚型分层机制，包括IPF-PH和CTD-ILD-PH等不同亚组的分子特征；第二，开发针对共病的靶向药物，并推动其临床转化；第三，加强全球多中心协作网络的建设。

为提高本方案的实际可重复性，本研究讨论了以下容易出现问题的步骤。首先，当不同数据库使用不一致的字段标签或文件格式时，可能出现数据库导出不兼容的情况。我们建议以纯文本格式导出记录，并采用标准化的标签集，例如 Web of Science 使用“完整记录和被引参考文献”，Scopus 使用“包含所有可用字段的 CSV 导出”。其次，当 DOI 缺失或存在细微差异（如多余空格或小写字母）时，常会出现重复记录匹配冲突。本方案使用 DOI 作为主要的去重依据。若某条记录缺少 DOI，则使用由标题、作者姓名、发表年份和期刊组成的复合键。对于因格式不一致导致的匹配错误，应执行字符串标准化处理，包括去除标点符号、转换为小写以及去除首尾空格。第三，在生物信息学分析中，阈值敏感性（例如 STRING 中的综合评分截断值，或差异表达分析中的 p 值和 logFC 截断值）会显著影响最终的蛋白质互作网络及核心基因列表。若观察到结果不稳定，建议选择更保守的阈值，或整合多个数据库的证据进行判断。第四，KEGG 筛选和输出错误可能表现为通路注释缺失或无法获取更新的通路图谱。这通常源于 KEGG API 版本过旧或物种代码设置错误。请确保已安装最新版本的富集分析工具（如 clusterProfiler），并正确设置物种参数，例如人类使用“hsa”。若输出结果中包含无任何映射基因的通路，请核实输入的基因标识符是否与注释数据库版本相匹配。通过尝试上述调整，研究人员可初步识别并解决相应问题。

总体而言，本方案将基于文献计量学的宏观热点识别与基于生物信息学的共病靶点挖掘相结合，作为一种初步的探索性方法，可能为共病领域的研究提供有益的见解。然而，也应认识到本方案存在的一些局限性。在可重复性方面，该框架应用于其他疾病共病时，其可迁移性可能受数据库覆盖范围、检索策略、疾病术语以及相关分子数据集的可获得性等因素影响。文献计量学部分排除了非英文文献，这可能限制知识图谱的全面性。生物信息学部分依赖于具有异质性数据来源和样本构成的公共数据库，这可能影响结果的可重复性及跨数据集的一致性。此外，数据库更新的时间也可能影响分析结果。最后，所有生物信息学分析结果均为关联性发现，仅用于提出假设而非证实因果关系，在应用于新的研究问题之前，仍需通过动物模型或临床队列研究进行进一步验证。

披露

作者在此工作中报告无利益冲突。

致谢

作者衷心感谢国家科技重大专项非传染性慢性疾病项目（2024ZD0522300、2024ZD0522301）以及中国医学科学院非营利性中央级公益性科研院所基本科研业务费专项资金（2022‑ZHCH330‑01）提供的经费支持。

材料

本文使用的材料清单
姓名公司目录编号评论
文献计量在线分析平台K-Synth Srl (Bibliometric)https://bibliometric.com在线分析平台；模块：国家关系；生成国家合作弦图；访问日期：2026年3月10日
CiteSpaceDrexel University6.4.R1文献计量分析；时间切片：2016–2025；节点类型：关键词、参考文献；剪枝方法：Pathfinder + 剪枝切片网络
clusterProfiler (R 包)Guangchuang Yu 等4.13.2KEGG 富集分析；阈值：p < 0.05，q < 0.2
CytoscapeCytoscape Consortium3.10.3网络可视化与分析；插件：CytoHubba；算法：度中心性；用于核心基因识别
GeneCardsWeizmann Institute of Sciencehttps://www.genecards.org基因信息数据库；数据库版本 5.22；访问日期：2026年3月12日；筛选标准：相关性评分 ≥ 1
期刊引证报告 (JCR)Clarivate Analyticshttps://jcr.clarivate.com期刊影响因子与分区查询；访问日期：2026年3月9日
KEGG京都基因与基因组百科全书https://www.kegg.jp通路数据库；通过 clusterProfiler API 于 2026年3月13日访问；物种：hsa
MeSH 数据库美国国家医学图书馆 (NLM)https://meshb.nlm.nih.govMeSH 术语查询数据库；访问日期：2026年3月9日；用于构建检索策略
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)数据统计与图表生成；用于论文数量统计、去重、图表绘制
org.Hs.eg.db (R 包)Bioconductor 核心团队3.20.0人类基因组注释数据库；用于基因 ID 转换
RR 核心团队4.4.2统计计算与绘图环境；运行日期：2026年3月13日
Scimago GraphicaScimago 实验室2可视化工具；布局：地图投影；边曲率：0.5；颜色映射：按聚类
ScopusElsevierhttps://www.scopus.com文献检索数据库；Elsevier Scopus 2026 完整版；检索日期：2026年3月9日
STRINGEMBL12.0 / https://cn.string-db.org蛋白质-蛋白质相互作用数据库；访问日期：2026年3月12日；相互作用评分阈值：0.7（高置信度）；网络类型：物理 + 功能
VOSviewer莱顿大学1.6.20文献计量分析；合作作者关系为分析类型；归一化方法：关联强度
Web of Science 核心合集Clarivate Analyticshttps://www.webofscience.com文献检索数据库；涵盖 SCIE 和 SSCI 子数据库；检索日期：2026年3月9日

参考文献

  1. Wijsenbeek M, Suzuki A, Maher TM. Interstitial lung diseases. Lancet. 2022;400(10354):769-786.
  2. Maher TM. Interstitial Lung Disease: A Review. JAMA. 2024;331(19):1655-1665.
  3. King CS, Shlobin OA. The Trouble With Group 3 Pulmonary Hypertension in Interstitial Lung Disease: Dilemmas in Diagnosis and the Conundrum of Treatment. Chest. 2020;158(4):1651-1664.
  4. Waxman A, et al. Inhaled Treprostinil in Pulmonary Hypertension Due to Interstitial Lung Disease. N Engl J Med. 2021;384(4):325-334.
  5. Rutland C, et al. Pulmonary Hypertension Associated with Interstitial Lung Disease: Screening and Epidemiology. ATS Sch. 2025;6(4):521-522.
  6. Ang HL, et al. Pulmonary Hypertension in Interstitial Lung Disease: A Systematic Review and Meta-Analysis. Chest. 2024;166(4):778-792.
  7. Nathan SD, et al. Pulmonary hypertension in chronic lung disease and hypoxia. Eur Respir J. 2019;53(1):1801914.
  8. King CS, Nathan SD. Pulmonary hypertension due to interstitial lung disease. Curr Opin Pulm Med. 2019;25(5):459-467.
  9. Shlobin OA, et al. Pulmonary hypertension associated with lung diseases. Eur Respir J. 2024;64(4):2401200.
  10. Olsson KM, et al. Pulmonary hypertension associated with lung disease: new insights into pathomechanisms, diagnosis, and management. Lancet Respir Med. 2023;11(9):820-835.
  11. van den Bosch L, Luppi F, Ferrara G, Mura M. Immunomodulatory treatment of interstitial lung disease. Ther Adv Respir Dis. 2022;16:17534666221117002.
  12. Kattih Z, Kim HC, Aryal S, Nathan SD. Review of the Diagnosis and Management of Pulmonary Hypertension Associated with Interstitial Lung Disease (ILD-PH). J Clin Med. 2025;14(6):2029.
  13. Wang Y, et al. Research Trends and Hotspots in JAK Inhibitors for Ulcerative Colitis: A Bibliometric Analysis From 2015 to 2024. J Multidiscip Healthc. 2025;18:6755-6771.
  14. Zhao Y, Chen GY, Fang M. Research Trends of Rheumatoid Arthritis and Depression from 2019 to 2023: A Bibliometric Analysis. J Multidiscip Healthc. 2024;17:4465-4474.
  15. Chen GY, et al. Mechanisms of Total Glucosides of Paeony in Alleviating Methotrexate-Induced Liver Injury. Drug Des Devel Ther. 2025;19:3407-3423.
  16. Arruda H, et al. VOSviewer and Bibliometrix. J Med Libr Assoc. 2022;110(3):392-395.
  17. Stelzer G, et al. The GeneCards Suite: From Gene Data Mining to Disease Genome Sequence Analyses. Curr Protoc Bioinformatics. 2016;54:1.30.1-1.30.33.
  18. Szklarczyk D, et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 2023;51(D1):D638-D646.
  19. Szklarczyk D, et al. The STRING database in 2025: protein networks with directionality of regulation. Nucleic Acids Res. 2025;53(D1):D730-D737.
  20. Kanehisa M, Goto S. KEGG: kyoto encyclopedia of genes and genomes. Nucleic Acids Res. 2000;28(1):27-30.
  21. Denton CP, Khanna D. Systemic sclerosis. Lancet. 2017;390(10103):1685-1699.
  22. Simonneau G, et al. Haemodynamic definitions and updated clinical classification of pulmonary hypertension. Eur Respir J. 2019;53(1):1801913.
  23. Tashkin DP, et al. Scleroderma Lung Study II Investigators. Mycophenolate mofetil versus oral cyclophosphamide in scleroderma-related interstitial lung disease (SLS II): a randomized controlled, double-blind, parallel group trial. Lancet Respir Med. 2016;4(9):708-719.
  24. Kuwana M, et al. Initial combination therapy of ambrisentan and tadalafil in connective tissue disease-associated pulmonary arterial hypertension (CTD-PAH) in the modified intention-to-treat population of the AMBITION study: post hoc analysis. Ann Rheum Dis. 2020;79(5):626-634.
  25. Travis WD, et al. An official American Thoracic Society/European Respiratory Society statement: Update of the international multidisciplinary classification of the idiopathic interstitial pneumonias. Am J Respir Crit Care Med. 2013;188(6):733-748.
  26. Visovatti SH, et al. Borderline pulmonary arterial pressure in systemic sclerosis patients: a post-hoc analysis of the DETECT study. Arthritis Res Ther. 2014;16(6):493.
  27. Subias PE; SEC Working Group for ESC/ERS 2015 Guidelines for Diagnosis and Treatment of Pulmonary Hypertension; Expert Reviewers for ESC/ERS 2015 Guidelines for Diagnosis and Treatment of Pulmonary Hypertension; SEC Guidelines Committee. Comments on the 2015 ESC/ERS Guidelines for the Diagnosis and Treatment of Pulmonary Hypertension. Rev Esp Cardiol (Engl Ed). 2016;69(2):102-8.
  28. Raghu G, et al. Idiopathic Pulmonary Fibrosis (an Update) and Progressive Pulmonary Fibrosis in Adults: An Official ATS/ERS/JRS/ALAT Clinical Practice Guideline. Am J Respir Crit Care Med. 2022;205(9):e18-e47.
  29. Valenzuela C, Waterer G, Raghu G. Interstitial lung disease before and after COVID-19: a double threat? Eur Respir J. 2021;58(6):2101956.
  30. DeDent AM, Farrand E. Vaccine-induced interstitial lung disease: a rare reaction to COVID-19 vaccination. Thorax. 2022;77(1):9-10.
  31. Wells AU, Devaraj A, Desai SR. Interstitial Lung Disease after COVID-19 Infection: A Catalog of Uncertainties. Radiology. 2021;299(1):E216-E218.
  32. Hyldgaard C, et al. Immunomodulatory treatment in unclassifiable interstitial lung disease: A retrospective study of treatment response. Respirology. 2023;28(4):373-379.
  33. Ma H, et al. Editorial: Regulatory immune cells in organ transplantation. Front Immunol. 2024;15:1383563.
  34. Carbone RG, et al. Future perspectives in interstitial lung disease: state of the art. Eur Rev Med Pharmacol Sci. 2025;29(3):123-134.
  35. Nishio J, et al. Fibronectin 1 (FN1)-rearranged Mesenchymal Neoplasms: An Updated Review. Cancer Genomics Proteomics. 2026;23(2):156-168.
  36. Wang C, et al. Discovery of an EGFR tyrosine kinase inhibitor from Ilex latifolia in breast cancer therapy. Bioorg Med Chem Lett. 2019;29:1282-1290.
  37. Zeng Y, et al. Fisetin micelles precisely exhibit a radiosensitization effect by inhibiting PDGFRβ/STAT1/STAT3/Bcl-2 signaling pathway in the tumor. Chin Chem Lett. 2025;36:109734.
  38. Behr J, et al. The Role of Inflammation and Fibrosis in Interstitial Lung Disease Treatment Decisions. Am J Respir Crit Care Med. 2024;210(4):392-400.
  39. Montero P, Milara J, Roger I, Cortijo J. Role of JAK/STAT in Interstitial Lung Diseases; Molecular and Cellular Mechanisms. Int J Mol Sci. 2021;22(12):6211.
  40. Stancil IT, et al. Interleukin-6-dependent epithelial fluidization initiates fibrotic lung remodeling. Sci Transl Med. 2022;14(654):eabo5254.
  41. Rastrick J, Birrell M. The role of the inflammasome in fibrotic respiratory diseases. Minerva Med. 2014;105(1):9-23.
  42. Liu Y, et al. Nerandomilast Improves Bleomycin-Induced Systemic Sclerosis-Associated Interstitial Lung Disease in Mice by Regulating the TGF-β1 Pathway. Inflammation. 2025;48(4):1760-1774.
  43. Wollin L, et al. Mode of action of nintedanib in the treatment of idiopathic pulmonary fibrosis. Eur Respir J. 2015;45(5):1434-45.
  44. Sitbon O, et al. Drugs targeting novel pathways in pulmonary arterial hypertension. Eur Respir J. 2025;66(2):2401830.
  45. Luo Y, et al. CD146-HIF-1α hypoxic reprogramming drives vascular remodeling and pulmonary arterial hypertension. Nat Commun. 2019;10(1):3551.
  46. Lei W, et al. Expression and analyses of the HIF-1 pathway in the lungs of humans with pulmonary arterial hypertension. Mol Med Rep. 2016;14(5):4383-4390.
  47. Wang J, et al. Targeting PI3K/AKT signaling for treatment of idiopathic pulmonary fibrosis. Acta Pharm Sin B. 2022;12(1):18-32.
  48. Bhatt J, Ghigo A, Hirsch E. PI3K/Akt in IPF: untangling fibrosis and charting therapies. Front Immunol. 2025;16:1549277.
  49. Zhu M, et al. Fibroblast Activation Protein Promotes Pulmonary Artery Hypertension via Activation of the PTEN/PI3K/Akt Pathway. J Cardiovasc Pharmacol. 2025;86(4):391-407.

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

234 234

相关文章