Methodenartikel

Globale und aktuelle Forschungstrends der Einzelzellsequenzierung bei Krebs: Eine bibliometrische und Visualisierungsstudie

1.6K Ansichten

⸱

DOI:

10.3791/67880

⸱

18. April 2025

 ,  ,  ,  ,  ,  ,  , 
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

In diesem Artikel

Zusammenfassung

Diese bibliometrische Analyse der Einzelzellsequenzierung in der Krebsforschung deutet darauf hin, dass China und die USA deutlich mehr wissenschaftliche Artikel produzieren als andere Nationen. Die Burst-Detektion identifiziert neue Begriffe wie "Intratumor-Heterogenität", "klonale Evolution" und "Wirkstoffverabreichungssysteme", von denen erwartet wird, dass sie die zukünftige Forschung beeinflussen werden.

Zusammenfassung

Krebs stellt aufgrund seiner komplexen biologischen Systeme eine große Herausforderung für die menschliche Gesundheit dar, die eine eingehende Analyse erfordert. Die Einzelzellsequenzierung ist zu einem unverzichtbaren Werkzeug für die Untersuchung dieser Systeme geworden und ermöglicht den Nachweis von Genexpression und epigenetischen Modifikationen auf Einzelzellebene. Um Forschungstrends, Kollaborationsnetzwerke und Wissensverbreitung in diesem Bereich zu verdeutlichen, wurde eine bibliometrische Analyse unter Verwendung der Datenbank Web of Science Core Collection durchgeführt, die Veröffentlichungen vom 1. Januar 2010 bis zum 31. Dezember 2023 abdeckt. Das Bibliometrix-Paket in R wurde verwendet, um wichtige Publikationsdaten zu extrahieren und zu analysieren, einschließlich Dokumenttypen, Länder, Institutionen, Autoren und Schlüsselwörter. Darüber hinaus wurden CiteSpace, VOSviewer und die Online-Analyseplattform der Literaturmetrologie für die Datenerfassung und -visualisierung eingesetzt. Die Analyse identifizierte 34.074 Autoren aus 3.129 Institutionen in 75 Ländern und Regionen, die zu 5.680 Veröffentlichungen zur Einzelzellsequenzierung bei Krebs beitrugen, die in 788 akademischen Fachzeitschriften veröffentlicht wurden. China und die Vereinigten Staaten entwickelten sich zu den führenden Nationen beim Publikationsvolumen. Die Harvard University produzierte die höchste Anzahl von Publikationen (320), wobei Aviv Regev, der mit Harvard verbunden ist, als einer der wichtigsten Mitwirkenden anerkannt wurde. Führende Fachzeitschriften wie Frontiers in Immunology und Nature Communications beleuchten sowohl etablierte als auch aufstrebende Forschungsbereiche, darunter die Immunmikroumgebung und die Immuntherapie. Zu den wichtigsten Trends und potenziellen Bereichen für die zukünftige Forschung gehören die Heterogenität innerhalb des Tumors, die klonale Evolution und die Verabreichungssysteme von Medikamenten. Diese Studie bietet einen umfassenden Überblick über die Einzelzellsequenzierungsforschung in der Onkologie und unterstreicht deren schnelle Fortschritte, die durch technologische Fortschritte und internationale Kooperationen vorangetrieben werden. Die Stärkung globaler Partnerschaften, die Entwicklung integrativer Analysewerkzeuge und die Bewältigung der Datenkomplexität werden entscheidend sein, um personalisierte Krebstherapien voranzutreiben und Einblicke in die Krebsbiologie zu vertiefen.

Einleitung

Krebs ist eine der schädlichsten Krankheiten und weltweit die zweithäufigste Todesursache1. Schätzungen zufolge wird bis 2035 etwa ein Viertel der Weltbevölkerung direkt von Krebs betroffen sein 2,3. Die Pathogenese von Krebs ist in erster Linie mit einer Dysregulation des Zellwachstums verbunden, die von einer Vielzahl tumorigener Faktoren beeinflusst wird 4,5. Die "Hallmarks of Cancer" wurden als eine Reihe von funktionellen Fähigkeiten konzipiert, die den Übergang von normalen zellulären Zuständen zu neoplastischem Wachstum erleichtern, insbesondere jene Fähigkeiten, die für die Bildung bösartiger Tumoren unerlässlich sind6. Die Sequenzierungstechnologie spielt eine entscheidende Rolle bei der Verbesserung unseres Verständnisses der Krankheitspathogenese. Aufgrund der inhärenten Heterogenität von Tumoren stellt die Identifizierung der genomischen Eigenschaften von Stammzellen mit geringer Abundanz durch Hochdurchsatz-Sequenzierungsanalyse von Tumorgeweben jedoch eine große Herausforderung dar 7,8.

Die Einzelzellsequenzierung, die Genomik, Transkriptomik, Epigenomik, Proteomik und Metabolomik umfasst, stellt einen leistungsfähigen methodischen Ansatz zur Aufklärung zellulärer und molekularer Landschaften auf Einzelzellebenedar 9,10. Seine Anwendung in der Krebsforschung hat das Verständnis der biologischen Eigenschaften und Dynamiken neoplastischer Läsionen erheblich verbessert und dadurch ein umfassenderes Verständnis der Krebsentstehung und Metastasierung ermöglicht.

Die bibliometrische Analyse untersucht die strukturellen Merkmale und Attribute wissenschaftlicher Publikationen und wird sowohl bei der qualitativen als auch bei der quantitativen Bewertung der wissenschaftlichen Literatur häufig eingesetzt11,12. Durch den Vergleich von Beiträgen aus verschiedenen Ländern, Institutionen, Forschern und Publikationen ist es möglich, potenzielle Fortschritte innerhalb eines bestimmten Forschungsbereichs zu verdeutlichen und zu antizipieren. Obwohl es eine erhebliche Zunahme systematischer und narrativer Übersichtsarbeiten gegeben hat, die sich auf die Einzelzellsequenzierungsforschung bei Krebs konzentrieren, gibt es nach wie vor einen bemerkenswerten Mangel an umfassenden Analysen im Bereich der quantitativen Bewertung 13,14,15. Ziel dieser Studie ist es, eine umfassende Analyse der Entwicklungstrends und prominenten Forschungsthemen in der Einzelzellsequenzierung im Bereich Krebs unter Verwendung bibliometrischer Methoden durchzuführen. Die Ergebnisse bieten Forschern, Klinikern und politischen Entscheidungsträgern einen detaillierten Überblick über den aktuellen Stand des Wissens und des Verständnisses in diesem Bereich.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Die in dieser Studie verwendeten Daten stammen aus der Web of Science Core Collection (2010-2023).

1. Datenerhebung

  1. Auswahl der Datenbank
    1. Greifen Sie auf die Datenbank der Web of Science Core Collection (WoSCC) zu über. https://webofscience. clarivate.cn/wos/author/author-search.
    2. Erstellen Sie eine Suchstrategie mit gezielten Schlüsselwörtern, insbesondere "Einzelzellsequenzierung" und "Krebs", um relevante Literatur zu identifizieren. Klicken Sie auf die Schaltfläche Suchen , um die Literaturrecherche abzuschließen.
      HINWEIS: In der ergänzenden Tabelle 1 finden Sie eine vollständige Liste der Keywords, die in der Suchstrategie verwendet werden, um die Genauigkeit und Inklusivität zu verbessern.
  2. Suchparameter
    1. Wählen Sie den Veröffentlichungszeitraum vom 1. Januar 2010 bis zum 31. Dezember 2023, um die neuesten und umfassendsten Forschungstrends zu erfassen.
    2. Wählen Sie Englisch als Sprache für die Suchergebnisse aus, und wählen Sie Artikel und Rezension waren die Artikeltypen, um die Datenkonsistenz zu gewährleisten und eine vergleichende Analyse zu erleichtern.
    3. Stellen Sie die Relevanz sicher, indem Sie Publikationen außerhalb der Bereiche Einzelzellsequenzierung und Krebsforschung ausschließen.
  3. Datenabruf und -aufbereitung
    1. Kompilieren Sie die ausgewählten Publikationen im Format "Full Record" und "Cited References ", um detaillierte Metadaten zu erhalten.
    2. Speichern Sie die gesammelten Daten als Nur-Text-Dateien für die spätere Analyse mit bibliometrischen Werkzeugen.
    3. Stellen Sie sicher, dass jeder Datensatz vollständige Metadaten enthält, einschließlich Zitations- und Co-Autorenschaftsinformationen, um eine gründliche bibliometrische Analyse zu ermöglichen (Abbildung 1).

2. Datenvorverarbeitung

  1. Datenerfassung und -import
    1. Starten Sie die biblioshiny Schnittstelle des bibliometrix-Pakets in R.
      HINWEIS: Der spezifische Code wird wie folgt bereitgestellt:
      Bibliothek (Bibliometrix)
      PaketVersion("bibliometrix")
      biblioshiny()
    2. Greifen Sie auf die WoSCC-Datenbank zu und wählen Sie eine zusammengeführte Nur-Text-Datei mit bibliometrischen Daten aus.
    3. Importieren Sie die Daten, und exportieren Sie sie im R-Datenformat für die nachfolgende Analyse.
  2. Jährlicher Wachstumstrend bei Publikationen und Zitationen
    1. Konvertieren Sie die Spalten PY (Erscheinungsjahr) und Z9 (Zitationsanzahl) in das numerische Format.
    2. Gruppieren Sie die Daten nach Erscheinungsjahr und berechnen Sie die jährlichen Publikationszahlen und die Gesamtzahl der Zitationen.
    3. Erstellen Sie ein Balkendiagramm, um die Anzahl der Veröffentlichungen pro Jahr darzustellen, und überlagern Sie ein Liniendiagramm, um die Anzahl der Zitationen im Zeitverlauf zu veranschaulichen.
      HINWEIS: Der spezifische Code wird als Code 1 in der Zusatzdatei 1 bereitgestellt.
  3. Nationale Publikations- und Kollaborationsanalyse
    1. Nationale Publikations- und Kollaborationsaggregation
      1. Fassen Sie die jährlichen Veröffentlichungen und Zitate nach Ländern mit den Feldern "Year Published (PY)" und "Author Countries" (AU_CO1) zusammen.
      2. Konzentrieren Sie sich bei der Analyse auf die Top-10-Länder nach Publikationsvolumen.
    2. Berechnung von Metriken
      1. Berechnen Sie wichtige Kennzahlen, einschließlich der Anzahl der Publikationen (NP), der Zitationshäufigkeit (NC), der Einzelländerpublikationen (SCP) und der Mehrländerpublikationen (MCP)16.
      2. Ermitteln Sie den Anteil von Mehrländerpublikationen (MCP_Ratio) als Indikator für internationale Zusammenarbeit.
      3. Verwenden Sie die H-Index-Funktion von R, um Impact-Indizes (H-Index, G-Index und M-Index) für jedes Land über einen Zeitraum von 14 Jahren zu berechnen17.
        HINWEIS: Der spezifische Code wird als Code 2 in der Zusatzdatei 1 bereitgestellt. Nutzen Sie die Online-Analyseplattform der Literaturmetrologie (https://bibliometric.com/), um die Kooperationsbeziehungen zwischen den Ländern zu untersuchen. Laden Sie Daten im Nur-Text-Format aus dem WoSCC hoch. Verwenden Sie die Funktion "Länderbeziehungen", um internationale Kooperationen zu bewerten. Den Abschluss bildet eine Visualisierung des Kollaborationsnetzwerks zwischen den führenden beitragenden Ländern.
  4. Institutionelle Publikations- und Kollaborationsanalyse
    1. Datenextraktion und Ranking
      1. Extrahieren Sie institutionelle Daten aus dem Abschnitt "Affiations" in der Funktion "Ergebnisse analysieren " der WoSCC-Datenbank.
      2. Ordnen Sie die Institutionen in absteigender Reihenfolge nach der Gesamtzahl ihrer veröffentlichten Artikel.
    2. Datenvisualisierung
      1. Generieren Sie ein horizontales Balkendiagramm mit dem ggplot2-Paket in R, um das Publikationsvolumen in führenden Institutionen zu veranschaulichen.
        HINWEIS: Der spezifische Code wird als Code 3 in der Zusatzdatei 1 bereitgestellt.
    3. Analyse der Co-Autorenschaft
      1. Analyseeinrichtung in VOSviewer: Starten Sie VOSviewer und wählen Sie dann im Hauptmenü die Option Erstellen . Wählen Sie Map basierend auf bibliografischen Daten erstellen und wählen Sie Daten aus bibliografischen Datenbankdateien lesen. Importieren Sie abschließend die Nur-Text-Dateien.
      2. Konfiguration und Parameter: Stellen Sie den Analysetyp in VOSviewer auf Co-Autorenschaft ein. Wählen Sie die Zählmethode Vollständig aus, und wählen Sie Organisationen als Analyseeinheit aus. Konfigurieren Sie die Parameter so, dass sie maximal 1.200 Organisationen pro Dokument enthalten, und legen Sie den Mindestschwellenwert auf 30 Dokumente pro Organisation fest, um eine umfassende Netzwerkanalyse zu gewährleisten.
      3. Visualisierung und Interpretation: Schließen Sie die Einrichtung ab, indem Sie auf Fertig stellen klicken, um eine Visualisierungskarte zu generieren, die die Kollaborationsnetzwerke zwischen Institutionen veranschaulicht. Stellen Sie sicher, dass in der Karte die Konnektivitäts- und Partnerschaftsebenen hervorgehoben werden, indem zentrale Knotenpunkte der Forschungstätigkeit und Schlüsselbereiche der Zusammenarbeit zwischen den Einrichtungen identifiziert werden.
  5. Analyse von Autoren und Autorenmitarbeit
    1. Identifizierung produktiver Autoren: Greifen Sie auf den Abschnitt Forscherprofile in der WoSCC-Datenbank zu, um Autoren basierend auf der Gesamtzahl der veröffentlichten Artikel zu bewerten.
    2. Datenvisualisierung: Verwenden Sie das ggplot2-Paket in R, um ein horizontales Balkendiagramm zu erstellen, das das Publikationsvolumen führender Autoren visuell darstellt.
    3. Bewertung der Autorenbeiträge: Rufen Sie zusätzliche Metriken für die Top-10-Autoren nach Publikationsvolumen ab, einschließlich des H-Index, des Landes und der angeschlossenen Institution, anhand von Daten aus der WoSCC-Datenbank.
      HINWEIS: Der spezifische Code wird als Code 4 in der Zusatzdatei 1 bereitgestellt.
    4. Netzwerke für die Zusammenarbeit von Autoren
      1. Einrichten der Analyse in VOSviewer: Starten Sie VOSviewer und wählen Sie die Schaltfläche Erstellen , gefolgt von Erstellen einer Karte auf der Grundlage bibliografischer Daten. Importieren Sie die relevanten Nur-Text-Dateien, die bibliografische Daten enthalten, indem Sie Daten aus bibliografischen Datenbankdateien lesen auswählen.
      2. Konfiguration und Parameter: Legen Sie den Analysetyp auf Mitautorenschaft fest und verwenden Sie die Methode der vollständigen Zählung . Wählen Sie Autoren als Analyseeinheit aus. Passen Sie die Parameter so an, dass maximal 33 Organisationen pro Dokument erfasst werden, und legen Sie einen Mindestschwellenwert von 15 Dokumenten pro Autor fest, um sicherzustellen, dass aussagekräftige Daten für die Zusammenarbeit erfasst werden.
      3. Visualisierung und Einblicke: Klicken Sie auf Fertig, um eine Overlay-Visualisierung zu erstellen, die die zeitliche Entwicklung der Autorenkollaborationen veranschaulicht und einen Einblick in die Dynamik und das Wachstum von Co-Autorenschaftsnetzwerken im Laufe der Zeit gibt.
  6. Analyse von Zeitschriften und co-zitierten Zeitschriften
    1. Berechnung von Zeitschriftenmetriken: Verwenden Sie die H-Index-Funktion in R , um wichtige Kennzahlen für jede Zeitschrift zu berechnen, einschließlich der Anzahl der Publikationen pro Quelle (NP), der Zitationshäufigkeit (NC), des Jahres der Erstveröffentlichung (PY_start) und der Impact-Indizes (H-Index, G-Index und M-Index).
    2. Abruf von Impact-Faktoren und Rankings: Beziehen Sie Impact-Faktoren und Quartil-Rankings von Zeitschriften aus der WoSCC-Datenbank, um den Einfluss und das Ansehen jeder Zeitschrift in diesem Bereich weiter zu bewerten.
      HINWEIS: Der spezifische Code wird als Code 5 in der Zusatzdatei 1 bereitgestellt.
    3. Analyse des Wissensflusses
      1. Datenimport und -einrichtung in CiteSpace: Öffnen Sie CiteSpace und navigieren Sie zum Menü Daten . Wählen Sie Import/Export und wählen Sie WOS, um Daten zu importieren. Konfigurieren Sie die Ein- und Ausgabepfade nach Bedarf.
      2. Map-Auswahl und -Konfiguration: Wählen Sie in CiteSpace die Optionen "Overlay Maps" und "JCR Journals Maps" aus und setzen Sie den Z-Score auf 0. Dieser Aufbau ermöglicht die Generierung einer Dual-Map, um den Wissensfluss zwischen Zeitschriften zu veranschaulichen.
  7. Analyse von Co-Cited-Referenzen und Clustering-Netzwerk
    1. Datenimport und -einrichtung in CiteSpace
      1. Öffnen Sie CiteSpace, navigieren Sie zum Menü Daten und wählen Sie Import/Export.
      2. Importieren Sie Daten aus der WoSCC-Datenbank im Klartext, indem Sie das Analysezeitintervall von Januar 2010 bis Dezember 2023 mit einem Einjahresintervall für zeitliche Details konfigurieren.
    2. Netzwerkkonfiguration und Bereinigung
      1. Legen Sie den Knotentyp in CiteSpace auf Referenz fest. Verwenden Sie die Option Pathfinder und die Funktion "Sliced Networks bereinigen ", um die Bereinigung auf das Netzwerk anzuwenden.
      2. Führen Sie die Analyse aus, indem Sie auf GO klicken, um eine Referenz-Co-Citation-Map zu generieren, und passen Sie die Schrift- und Farbeinstellungen für eine bessere Lesbarkeit an.
    3. Identifizierung von Referenzen mit hoher Wirkung
      1. Wählen Sie die Option Burstness und setzen Sie den Parameter γ in CiteSpace auf [0, 1].
      2. Aktualisieren Sie die Daten, um eine Liste der 20 wichtigsten Referenzen mit den stärksten Zitationsspitzen zu erstellen.
  8. Analyse des gemeinsamen Auftretens von Schlüsselwörtern
    1. Analyse der Keyword-Häufigkeit in R
      1. Führen Sie eine Keyword-Analyse mit dem Bibliometrix-Paket in R durch, wobei Sie sich auf die häufigsten Keywords in Dokumenten konzentrieren.
      2. Legen Sie das Feld auf die Keywords des Autors fest, beschränken Sie die Anzahl auf die 20 wichtigsten Keywords, wobei Sie Synonyme herausfiltern, um die Konsistenz zu gewährleisten.
    2. Keyword-Burst-Analyse in CiteSpace
      1. Verwenden Sie CiteSpace , um eine Stichwort-Burst-Analyse durchzuführen, indem Sie die Option Burstness auswählen und den Parameter γ auf [0, 1] setzen.
      2. Aktualisieren Sie die Daten, um eine Liste der Top-30-Keywords mit den stärksten Zitationsspitzen zu erstellen.
    3. Stichwort Kookkurrenz-Netzwerkanalyse in VOSviewer
      1. Öffnen Sie VOSviewer, wählen Sie Erstellen und dann Karte basierend auf bibliografischen Daten erstellen.
      2. Importieren Sie die Nur-Text-Dateien mit der Option Daten aus bibliografischen Datenbankdateien lesen .
      3. Legen Sie den Analysetyp mithilfe der Zählmethode "Vollständige Zählung" auf "Kookkurrenz" fest, wobei Autorenschlüsselwörter als Analyseeinheit verwendet werden.
      4. Wenden Sie einen Mindestschwellenwert von 40 Keyword-Vorkommen an, und klicken Sie auf Fertig stellen , um die Analyse abzuschließen und ein Netzwerk mit gemeinsamen Vorkommen zu erstellen, das die Keyword-Beziehungen innerhalb des Felds visualisiert.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Jährlicher Wachstumstrend bei Publikationen und Zitationen
Von 2010 bis 2023 wurden insgesamt 6.767 Publikationen im Zusammenhang mit der Einzelzellsequenzierung bei Krebs in der WoSCC-Datenbank identifiziert. Insgesamt wurden 602 Studien, die zwischen 2010 und 2023 veröffentlicht wurden, von der Analyse ausgeschlossen, gefolgt vom Ausschluss von fünf Studien, die nicht in englischer Sprache veröffentlicht wurden. Darüber hinaus wurden 480 Artikel auf der Grundlage vordefinierter Ausschlusskriterien a...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Die bibliometrische Analyse dient als quantitativer Ansatz zur Bewertung der Merkmale und des wissenschaftlichen Einflusses bedeutender Publikationen26. Diese Studie führte eine umfangreiche bibliometrische Analyse von 5.680 Artikeln durch, die sich auf die Einzelzellsequenzierung in der Krebsforschung beziehen, die aus der WoSCC-Datenbank extrahiert und zwischen 2010 und 2023 veröffentlicht wurden. Ziel dieser Analyse war es, den aktuellen Stand der Forschung zu ...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren haben nichts offenzulegen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
bibliometrix-PaketComprehensive R Archive Network (CRAN)bibliometrix 4.3.0Ein Forest-Plot, der mehrere Konfidenzintervalle pro Zeile, benutzerdefinierte Schriftarten für jedes Textelement, benutzerdefinierte Konfidenzintervalle, Text gemischt mit Ausdrücken und vieles mehr ermöglicht.
CiteSpaceChaomei Chen, Drexel UniversityCiteSpace 6.2.R4 (64-bit) beta Basic‌ CiteSpace‌ ist ein Instrument zur Analyse wissenschaftlicher Literatur. Seine Hauptfunktion besteht darin, das zugrunde liegende Wissen in der wissenschaftlichen Literatur mit visuellen Mitteln zu analysieren und die Struktur, Regeln und Verteilung des wissenschaftlichen Wissens aufzuzeigen. Zu den Hauptfunktionen von CiteSpace gehören: Analyse der Forschungszusammenarbeit ‌, Bewertung wichtiger Fachzeitschriften ‌, Kernthemen-Mining und so weiter.
dplyrComprehensive R Archive Network (CRAN)dplyr 1.1.4dbplyr ist das Datenbank-Backend für dplyr. Es ermöglicht Ihnen, entfernte Datenbanktabellen so zu verwenden, als wären sie In-Memory-Datenrahmen, indem dplyr-Code automatisch in SQL konvertiert wird.
esquisseComprehensive R Archive Network (CRAN)esquisse 2.0.1Dieses Addin ermöglicht es Ihnen, Ihre Daten interaktiv zu erkunden, indem Sie sie mit dem ggplot2-Paket visualisieren. Es ermöglicht Ihnen, Balkendiagramme, Kurven, Streudiagramme, Histogramme, Boxplot- und SF-Objekte zu zeichnen, dann das Diagramm zu exportieren oder den Code abzurufen, um das Diagramm zu reproduzieren.
forcatsComprehensive R Archive Network (CRAN)forcats 1.0.0R verwendet Faktoren, um kategoriale Variablen zu behandeln, d. h. Variablen, die über einen festen und bekannten Satz möglicher Werte verfügen. Faktoren sind auch hilfreich, um Zeichenvektoren neu anzuordnen, um die Anzeige zu verbessern. Das Ziel des Pakets forcats ist es, eine Suite von Werkzeugen bereitzustellen, die häufige Probleme mit Faktoren lösen, einschließlich der Änderung der Reihenfolge der Ebenen oder der Werte.
ggplot2Comprehensive R Archive Network (CRAN)ggplot2 3.5.1ggplot2 ist ein System zur deklarativen Erstellung von Grafiken, basierend auf The Grammar of Graphics. Du stellst die Daten zur Verfügung, sagst ggplot2, wie Variablen auf Ästhetik abgebildet werden sollen, welche grafischen Primitive verwendet werden sollen, und es kümmert sich um die Details.
ggpmiscComprehensive R Archive Network (CRAN)ggpmisc 0.6.1Paket ' ggpmisc' (Verschiedene Erweiterungen von ' ggplot2') ist ein Satz von Erweiterungen für das R-Paket ' ggplot2' (>= 3.0.0) mit Schwerpunkt auf Anmerkungen und Plotten in Bezug auf angepasste Modelle. Schätzungen aus Modellanpassungsobjekten können in ggplots als Text, Tabellen oder Gleichungen dargestellt werden. Vorhergesagte Werte, Residuen, Abweichungen und Gewichte können für verschiedene Modellanpassungsfunktionen aufgetragen werden.
ggsciComprehensive R Archive Network (CRAN)ggsci 3.2.0ggsci bietet eine Sammlung von ggplot2-Farbpaletten, die von wissenschaftlichen Zeitschriften, Datenvisualisierungsbibliotheken, Science-Fiction-Filmen und TV-Shows inspiriert sind.
openxlsxComprehensive R Archive Network (CRAN)openxlsx 4.2.7.1Dieses R-Paket vereinfacht die Erstellung von .xlsx Dateien, indem es eine High-Level-Schnittstelle zum Schreiben, Formatieren und Bearbeiten von Arbeitsblättern bereitstellt. Durch die Verwendung von Rcpp sind die Lese-/Schreibzeiten vergleichbar mit den Paketen xlsx und XLConnect, mit dem zusätzlichen Vorteil, dass die Abhängigkeit von Java beseitigt wird.
readxlComprehensive R Archive Network (CRAN)readxl 1.4.3Das readxl-Paket macht es einfach, Daten aus Excel in R zu holen. Im Vergleich zu vielen der bestehenden Pakete (z.B. gdata, xlsx, xlsReadWrite) hat readxl keine externen Abhängigkeiten, so dass es' ist einfach zu installieren und auf allen Betriebssystemen zu verwenden. Es ist für die Arbeit mit tabellarischen Daten konzipiert.
reshape2Comprehensive R Archive Network (CRAN)reshape2 1.4.4Reshape2 ist ein Reboot des reshape-Pakets. Es sind über fünf Jahre seit der ersten Veröffentlichung von Reshape vergangen, und in dieser Zeit habe ich enorm viel über die Programmierung von R gelernt und darüber, wie man mit Daten in R arbeitet. Reshape2 nutzt dieses Wissen, um ein neues Paket zum Umformen von Daten zu erstellen, das viel fokussierter und viel schneller ist.
stringrComprehensive R Archive Network (CRAN)stringr 1.5.1Strings sind keine glamourösen, hochkarätigen Komponenten von R, aber sie spielen eine große Rolle bei vielen Datenbereinigungs- und -aufbereitungsaufgaben. Das stringr-Paket bietet einen zusammenhängenden Satz von Funktionen, die das Arbeiten mit Strings so einfach wie möglich machen sollen.
tidytextComprehensive R Archive Network (CRAN)tidytext 0.4.2Die Verwendung von Tidy-Data-Prinzipien kann viele Text-Mining-Aufgaben einfacher, effektiver und konsistenter mit Tools machen, die bereits weit verbreitet sind. Ein Großteil der Infrastruktur, die für das Text-Mining mit aufgeräumten Datenrahmen benötigt wird, existiert bereits in Paketen wie dplyr, broom, tidyr und ggplot2. In diesem Paket stellen wir Funktionen und unterstützende Datensätze zur Verfügung, die die Konvertierung von Text in und aus übersichtlichen Formaten ermöglichen und einen nahtlosen Wechsel zwischen Tidy-Tools und bestehenden Text-Mining-Paketen ermöglichen. Schauen Sie sich unser Buch an, um mehr über Text-Mining mit Tidy-Data-Prinzipien zu erfahren
tidyverseComprehensive R Archive Network (CRAN)tidyverse 2.0.0Das tidyverse ist eine eigenwillige Sammlung von R-Paketen, die für Data Science entwickelt wurden. Allen Paketen liegt eine Entwurfsphilosophie, Grammatik und Datenstrukturen zugrunde.
VennDiagramComprehensive R Archive Network (CRAN)VennDiagram 1.7.3VennDiagram ist ein R-Paket zur Generierung von hochauflösenden, anpassbaren Venn-Diagrammen mit bis zu vier Sätzen und Euler-Diagrammen mit bis zu drei Sätzen. Umfasst die Handhabung mehrerer Sonderfälle, einschließlich der Zwei-Fall-Skalierung und der umfangreichen Anpassung von Plotform und -struktur.
VOSviewer  Centre for Science and Technology Studies, Universität Leiden, NiederlandeVOSviewer Version 1.6.19VOSviewer ist ein Software-Tool zum Aufbau und zur Visualisierung bibliometrischer Netzwerke. Diese Netzwerke können beispielsweise Zeitschriften, Forscher oder einzelne Publikationen umfassen und auf der Grundlage von Zitations-, bibliographischen Kopplungs-, Co-Citation- oder Co-Autorenschaftsbeziehungen konstruiert werden. VOSviewer bietet auch Text-Mining-Funktionen, mit denen Kookkurrenznetzwerke wichtiger Begriffe aus einer wissenschaftlichen Literatur konstruiert und visualisiert werden können.

Referenzen

  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).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Krebsforschungbibliometrische Analyseimmunologische MikroumgebungTumorevolutionklonale Evolutionintratumorale Heterogenit tWirkstofffreisetzungssystemeCo AutorenanalyseKeyword Kookkurrenz

Verwandte Artikel