Methodenartikel

Bibliometrie und Bioinformatik Erforschung von Forschungshotspots und Schlüsselzielen bei Komorbidität: Interstitielle Lungenerkrankung und pulmonale Hypertonie

DOI:

10.3791/71631

⸱

7. August 2026

 ,  ,  , 
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

In diesem Artikel

Zusammenfassung

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

Dieses Protokoll verwendet interstitielle Lungenerkrankungen und pulmonale Hypertonie als Beispiele und integriert Bibliometrie mit Bioinformatik, um systematisch und vorläufig deren Forschungstrends, Hotspots, Schlüsselziele und verwandte Wege zu erforschen. Dieses Protokoll könnte repliziert werden, um Krankheitspaare zu analysieren, indem die Prompts angepasst werden.

Zusammenfassung

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

Interstitielle Lungenerkrankung (ILD) und pulmonale Hypertonie (PH) existieren häufig als Begleiterkrankungen, was zu schlechten klinischen Ergebnissen und begrenzten therapeutischen Möglichkeiten führt. Die Identifizierung wichtiger Forschungs-Hotspots und die Entdeckung wichtiger Komorbiditätsziele ist entscheidend, um das Krankheitsmanagement zu verbessern und neuartige therapeutische Strategien zu entwickeln. Dieses Protokoll ruft relevante Publikationen aus der Web of Science Core Collection und den Scopus-Datenbanken ab und nutzt CiteSpace und VOSviewer, um Forschungshotspots und sich entwickelnde Trends zu kartieren. Anschließend werden sich überlappende genetische Ziele, die mit beiden Krankheiten assoziiert sind, aus der GeneCards-Datenbank identifiziert. Protein-Protein-Interaktionsnetzwerke werden mit STRING zur Identifizierung von Hub-Genen aufgebaut, und die KEGG-Signalweganreicherungsanalyse wird mit R-Sprache durchgeführt, um wichtige Signalwege zu erläutern. Die Ergebnisse zeigen, dass die Bibliometrie den Entwicklungsverlauf dieses interdisziplinären Fachgebiets aus einer makroökonomischen Perspektive identifiziert; Bioinformatische Analysen zeigen FN1, IL6 und TNF als potenzielle Kernkomorbiditätsziele; und die KEGG-Anreicherungsanalyse zeigt, dass immunbezogene Wege, die auf PI3K-Akt und MAPK zentriert sind, tief in die Pathogenese der Komorbidität eingebunden sind. Durch die Integration der beiden Ansätze definiert dieses Protokoll systematisch den Entwicklungsverlauf und die Forschungshotspots in der ILD-PH-Komorbiditätsforschung, während potenzielle Komorbiditätsziele und -wege vorläufig gescreent werden. Sie bietet eine Richtung und eine rechnerische Grundlage für zukünftige experimentelle Forschung und klinische Validierung. Dieser integrierte Rahmen bietet eine reproduzierbare Methodik, die auf die Untersuchung anderer komplexer Krankheitskomorbiditäten anwendbar ist.

Einleitung

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

Interstitielle Lungenerkrankung (ILD) bezeichnet eine Gruppe diffuser Lungenerkrankungen, die pathologisch durch Entzündungen und Fibrose des pulmonalen Interstitiums gekennzeichnet sind. Während des Krankheitsverlaufs wird sie oft durch mehrere Komorbiditäten erschwert, darunter die pulmonale Hypertonie (PH) als eine der häufigsten Begleiterkrankungen, die die Prognose signifikant beeinflussen 1,2. Epidemiologische Daten zeigen, dass die PH-Inzidenz bei Patienten mit ILD je nach Subtyp und Krankheitsstadium variiert und zwischen 13 % und 86 % liegt. Diese komorbide Erkrankung verringert nicht nur die Lebensqualität der Patienten erheblich und erhöht ihr Sterblichkeitsrisiko, sondern verschärft auch die sozioökonomische und medizinische Belastung 6,7. Im Gegensatz zur pulmonalen arteriellen Hypertonie ist die Pathogenese der interstitiellen lungenerkrankungsassoziierten pulmonalen Hypertonie komplexer und umfasst mehrere pathologische Prozesse wie hypoxische pulmonale Vasokonstriktion, pro-fibrotische und entzündliche faktor-vermittelte vaskuläre Remodellierung sowie extrazelluläre Matrixablagerung 8,9,10. Derzeit bleiben die klinischen Diagnose- und Behandlungsstrategien für diese komorbide Erkrankung relativ begrenzt, und spezifische gezielte Medikamente fehlen. Seine zugrundeliegenden molekularen Mechanismen, Schlüsselsignalwege und frühen Biomarker müssen noch systematischaufgeklärt werden.

Als objektives Werkzeug zur Erkennung von Forschungspunkten und evolutionären Entwicklungen hat die Bibliometrie in den letzten Jahren umfangreiche Anwendung gefunden13,14. Die bioinformatische Analyse identifiziert Schlüsselziele und Kernwege, indem sie zuvor entdeckte krankheitsassoziierte Zieleintegriert 15. Für die Komorbiditätsforschung vertieft die Integration makroskopischer Forschungshotspots mit molekularen Signalweg- und Zielinformationen das Verständnis der Komorbiditätsmechanismen und liefert rechnerische Vorhersagen sowie richtungsorientierte Orientierung für nachfolgende experimentelle Studien. Die Forschung zur Komorbidität interstitieller Lungenerkrankungen und pulmonaler Hypertonie fehlt jedoch weiterhin an einer systematischen integrierten Analyse, die makroskopische Wissenskartierung mit mikroskopischen molekularen Netzwerken kombiniert. Dementsprechend nutzte diese Studie die Web of Science Core Collection (WoSCC) und die Scopus-Datenbanken, um den Entwicklungsverlauf und die Forschungshotspots der ILD-PH-Komorbiditätsforschung mithilfe bibliometrischer Methoden umfassend zu skizzieren. Gleichzeitig wurden bioinformatische Werkzeuge eingesetzt, um Kerngene und potenzielle molekulare Wege zu identifizieren, die mit der Komorbidität verbunden sind, und boten so eine mögliche molekulare Grundlage sowie eine experimentelle Designrichtung für die anschließende experimentelle Forschung und gezielte Erkundung.

Protokoll

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

Die Studie nutzte öffentlich zugängliche sekundäre Datenbanken, darunter GeneCards, STRING und KEGG. Gemäß Artikel 32 der Verordnung über menschliche genetische Ressourcen Chinas beinhalten diese Datenbanken keine direkte Sammlung menschlicher genetischer Ressourcen innerhalb Chinas; Daher war für diese Studie keine ethische Zustimmung oder informierte Einwilligung erforderlich. Detaillierte Versionsinformationen der in diesem Abschnitt verwendeten Software und Plattformen finden Sie in der Materialtabelle.

1. Literatursammlung und -organisation

  1. Greifen Sie auf die MeSH-Datenbank (Materialtabelle) zu.
  2. Suchen Sie getrennt nach den Krankheitsbegriffen "Interstitielle Lungenerkrankung" und "Pulmonale Hypertonie", um die zugehörigen Unterüberschriften zu finden.
  3. Entwickeln Sie eine umfassende Suchstrategie basierend auf den identifizierten MeSH-Begriffen und Unterüberschriften.
  4. Am 9. März 2026 werden die WoSCC-Datenbank (Materialtabelle) geöffnet.
  5. Wählen Sie Erweiterte Suche aus. Hier kommt die Suchstrategie: TS=("Diffuse Parenchymale Lungenerkrankung" ODER "Diffuse Parenchymale Lungenerkrankungen" ODER "Interstitielle Lungenerkrankung" ODER "Interstitielle Lungenerkrankungen") UND TS=("Pulmonale Hypertonie"). Stellen Sie den Veröffentlichungszeitraum vom 1. Januar 2016 bis zum 31. Dezember 2025 ein und klicken Sie auf Suchen.
  6. Wählen Sie Artikel und Übersichtsartikel als Dokumententypen aus und wählen Sie Englisch als Sprache. Wählen Sie Vollständiges Dokument und Zitierte Referenzen als Inhalt des Datensatzes aus. Exportiere die Datensätze im txt-Format und speichere sie als wos.txt, dann konvertiere sie in CSV-Format und speichere sie als wos.csv.
  7. Am 9. März 2026 öffnen Sie die Scopus-Datenbank (Materialtabelle).
  8. Stellen Sie das Suchfeld auf "Titel" / "Abstract" / "Keywords" ein. Geben Sie die Suchstrategie ein: TITLE-ABS-KEY (("Diffuse Parenchymale Lungenerkrankung" ODER "Diffuse Parenchymale Lungenerkrankungen" ODER "Interstitielle Lungenerkrankung" ODER "Interstitielle Lungenerkrankungen")) UND TITLE-ABS-KEY ("Pulmonale Hypertonie"). Wählen Sie den Jahreszeitraum vom 1. Januar 2016 bis zum 31. Dezember 2025 aus, wählen Sie Medizin als Fachgebiet und klicken Sie auf Suchen (Ergänzende Tabelle 1).
  9. Klicken Sie auf Export, wählen Sie das CSV-Format, exportieren Sie alle abgerufenen Datensätze und speichern Sie als scopus.csv.
  10. Öffnen Sie wos.csv, kopieren Sie die DOI-Spalte und fügen Sie sie in scopus.csv ein. Führen Sie Datenvergleich durch, verwenden Sie die Funktion "Duplikate entfernen " in Excel, um doppelte Datensätze zu markieren, löschen Sie die Duplikate und erhalten Sie scopus1.csv. Für die wenigen Unterlagen ohne DOI haben wir manuell mit einer Kombination aus "Titel + Autor + Jahr" abgegleitet, um die vollständige Einbindung der für diese Studie erforderlichen Literatur sicherzustellen.
  11. Erstelle neue Ordner namens Eingabeverzeichnis und Ausgabeverzeichnis. Legt scopus1.csv nach der Deduplizierung erhalten in das Eingabeverzeichnis ein. Öffnen Sie CiteSpace, klicken Sie auf Daten, wählen Sie Scopus, geben Sie die entsprechenden Ordner an und klicken Sie auf die Schaltfläche Scopus (csv) > WoS, um das Scopus-Datenformat umzuwandeln und das Format der beiden Datenbanken in ein txt-Format zu vereinheitlichen. Nenne die resultierende Datei scopus1.txt.
  12. Führen Sie die Daten aus den beiden Datenbanken zusammen. Fügen Sie scopus1.txt und wos.txt in CiteSpace zur Deduplizierung und Zusammenführung ein, um einheitlich formatierte, deduplizierte Literaturdaten zu erhalten: dataset.txt, für die anschließende Analyse (Ergänzende Tabelle 2).
  13. Überprüfen Sie die erhaltenen wos.txt- und scopus.csv-Dateien, um sicherzustellen, dass der Deduplizierungsprozess DOI als passendes Kriterium verwendet und die dataset.txt Datei erfolgreich generiert wird.

2. Jährliche Analyse des Publikationsoutput-Trends

  1. In Microsoft Excel zählen Sie die Anzahl der Veröffentlichungen nach Jahr, um zwei Datenspalten zu generieren (Jahr, Publikationen).
  2. Wählen Sie den Datensatz aus, greifen Sie auf Diagramm > einfügen > Säulendiagramm zu, um ein Säulendiagramm der jährlichen Publikationsausgabe zu erstellen.
  3. Bestimmen Sie die horizontale Achse als Jahr und die vertikale als Publikationen.
  4. Aktivieren Sie Datenlabels, um die genaue Anzahl der Publikationen pro Jahr anzuzeigen.
  5. Exportiere alle Figuren im Tagged Image File Format (TIFF) und stelle eine Auflösung von mindestens 300 DPI sicher.

3. Nationale/regionale Publikationsausgaben und Analyse internationaler Zusammenarbeit

  1. Starten Sie VOSviewer, wählen Sie Erstellen > Erstellen Sie eine Karte basierend auf bibliografischen Daten > Lesen Sie Daten aus bibliographischen Datenbankdateien16.
  2. Importiere den in Schritt 1.12 generierten Klartext-Datensatz.
  3. Wählen Sie Koautorschaft als Analysetyp und Länder als Analyseeinheit aus.
  4. Setzen Sie die Mindestanzahl an Dokumenten für ein Land auf 40 fest und behalten Sie die 20 besten Länder nach Veröffentlichungsausgabe bei. Um sicherzustellen, dass das Kollaborationsnetzwerk sich auf leistungsstarke Länder konzentriert und dabei die Klarheit und Lesbarkeit der Karte beibehält, sodass es den Lesern erleichtert wird, die zentralen internationalen Forschungskräfte und Kollaborationsmuster intuitiv zu erfassen.
  5. In der Schnittstelle "Ausgewählte Artikel überprüfen " wählen Sie alle Länder aus, kopieren Sie die Liste in Excel und exportieren Sie die Anzahl der Publikationen und Zitationszahlen für jedes Land.
  6. In der resultierenden Excel-Tabelle wählen Sie die Top 10 Länder nach Publikationsausgabe aus und erstellen Sie ein Diagramm, das deren Publikations- und Zitationszahlen darstellt.
  7. Wählen Sie die Schaltfläche "Beenden", um das nationale Kollaborationsnetzwerk aufzubauen und das Netzwerk im GML-Format zu speichern.
  8. Starte Scimago Graphica und importiere die GML-Datei.
  9. Mappe das Label-Feld auf Land und setze den Cluster-Feldtyp auf String.
  10. In der Visualisierungskonfiguration legt man das Ausgabefeld der Publikation (typischerweise Gewicht oder einen ähnlichen Namen) in das Größenfeld, setzt das Clusterfeld als Farbfeld und mappt das Beschriftungsfeld den Feldern Label, Tooltip und Einheit.
  11. Gehe zu Marks > Map. Verwenden Sie Edges für die Anpassung der Linienkrümmung und die Kantenfarbe für die Konfiguration der Knotenfarbe.
  12. Exportiere die endgültige Karte im PNG-Format.
  13. Importieren Sie den in Schritt 1.12 generierten Klartextdatensatz in die Bibliometric Online Analysis Platform (https://bibliometric.com), klicken Sie auf Zitationsdaten hochladen und wählen Sie Länderbeziehungen , um ein nationales Kollaborations-Akkorddiagramm zur Visualisierung zu erstellen.
  14. Ein wichtiger Kontrollpunkt ist es, die Mindestanzahl an Dokumenten angemessen anzupassen, damit das resultierende Netzwerk gut ausbalanciert und visuell klar ist und dennoch die Forschungsziele widerspiegelt.

4. Publikationsausgaben und Zitationsanalyse von Fachzeitschriften

  1. Importiere denselben Datensatz in VOSviewer, wähle Zitation als Analysetyp aus und wähle Quellen als Analyseeinheit aus.
  2. Setzen Sie die Mindestanzahl der Dokumente für eine Quelle auf 5 und die Mindestanzahl der Zitate auf 20.
  3. Kopieren Sie in der Schnittstelle "Verify selected items " die Zeitschriftenliste in Excel, um die Anzahl der Publikationen und die Gesamtzahl der Zitationen für jede Zeitschrift zu erhalten.
  4. Wählen Sie Beenden, und die Karte, die der Zeitschrift mit Co-Zitationen erstellt wird. Passen Sie die Parameter Anziehung und Abstoßung an, um das Layout zu verbessern, verfeinern Sie das Erscheinungsbild mit dem Visualisierungspanel und speichern Sie die Karte als TIFF mit einer Auflösung von mindestens 300 dpi.
  5. In Excel sortieren Sie Zeitschriften nach der Anzahl der Publikationen, wählen Sie die Top 10 Zeitschriften nach Publikationsergebnis aus. Am 9. März 2026 greifen Sie auf die offizielle JCR-Plattform (Table of Materials) auf, suchen Sie jeweils nach jeder Zeitschrift und notieren Sie deren aktuelles Impact Factor und JCR-Quartil. Erstellen Sie ein Diagramm, das die Top 10 Zeitschriften nach Publikationsergebnissen anzeigt.
  6. In Excel sortieren Sie Zeitschriften nach Gesamtzahl der Zitationen, wählen Sie die Top 10 Zeitschriften nach Zitationshäufigkeit aus. Am 9. März 2026 haben sie ihr aktuelles Impact Factor und JCR-Quartil von der offiziellen JCR-Plattform abgerufen und aufgenommen. Erstellen Sie ein Diagramm, das die Top 10 Zeitschriften nach Zitationshäufigkeit darstellt.

5. Analyse von hochproduktiven Autoren-Kollaborationsnetzwerken

  1. Importiere den Datensatz in VOSviewer, wähle Co-Authorship als Analysetyp aus und wähle Authors als Analyseeinheit.
  2. Setze die Mindestanzahl an Dokumenten für einen Autor auf 3, um Autoren mit einem bestimmten Aktivitätsniveau zu filtern.
  3. In der Schnittstelle "Ausgewählte Artikel überprüfen " kopieren Sie die Autorenliste und speichern Sie die Publikations- und Zitationszahlen der Autoren in einer Excel-Datei.
  4. Wähle Finish, um das Autoren-Kollaborationsnetzwerk zu erstellen, passe das Netzwerklayout und das Erscheinungsbild an und speichere es als TIFF-Format.
  5. In Excel sortieren Sie die Autoren nach ihrer Anzahl der Veröffentlichungen, wählen Sie die 10 produktivsten Forscher aus und erstellen Sie eine Donut-Tabelle, um ihre Publikationszahlen anzuzeigen.
  6. Aus dem ursprünglichen Datensatz werden die Top 10 Autoren nach Zitationsanzahl abgerufen, ihre jeweiligen Länder identifiziert, unterschiedliche Farben je nach Land zugewiesen und eine Tabelle erstellt, die die Top 10 Autoren nach Zitationshäufigkeit anzeigt.

6. Schlüsselwort-Ko-Auftreten und thematische Evolutionsanalyse

  1. Starte CiteSpace und navigiere zu Data > Import/Export.
  2. Leg die in Schritt 1.12 exportierte txt-Datei in den Eingabeordner. In der Import/Export-Schnittstelle stellen Sie die Eingabe- und Ausgabepfade fest, wählen Sie Artikel und Review als Dokumenttypen aus und klicken Sie auf Start, um die Datenformatkonvertierung durchzuführen.
  3. Nach der Konvertierung kopieren Sie die Dateien aus dem Ausgabeordner in den Datenordner. In der Hauptoberfläche von CiteSpace klicken Sie auf Neu, setzen Sie das Projektverzeichnis und das Datenverzeichnis, wählen Sie WoS als Datenquelle aus und wählen Sie Englisch als Sprache.
  4. Gehe zum Zeitschnitt-Panel rechts, setze den Zeitraum auf 2016–2025, wähle ein 1-Jahres-Fenster und wähle Keyword als Knotentyp.
  5. Wenden Sie den g-Index (k=10) für die Netzwerkskalierung an und wählen Sie die drei Pruning-Strategien aus: Pathfinder, Sliced Networks Pruning und Pruning the merged network.
  6. Klicken Sie auf Start, um die Analyse durchzuführen. Nach Abschluss verwenden Sie die One-Click Clustering Label Optimization-Funktion , um die Schlüsselwort-Co-Occurrence-Map zu erstellen.
  7. Stellen Sie die Anzeige der Knoten- und Clusterbeschriftungen im Bedienfeld ein und optimieren Sie visuelle Elemente wie die Knotengröße.
  8. Wählen Sie Layout > Timeline , um die Keyword-Timeline-Ansicht zu generieren.
  9. Im Kontrollpanel wählen Sie Burstness, klicken Sie auf Aktualisieren und Anzeigen nacheinander, legen Sie die Anzahl der 25 wichtigsten Keywords fest und erstellen Sie das Diagramm der Top 25 nach Burst-Stärke. Exportiere die generierten Bilder im TIFF-Format zur Speicherung.

7. Referenz-Co-Zitationsanalyse

  1. Lade denselben Datensatz in CiteSpace. Setzen Sie den Zeitrahmen und die Ausschnittsstrategien wie in den Schritten 6.4–6.5 beschrieben ein und wählen Sie Zitierte Referenz als Knotentyp aus.
  2. Nach der Ausführung der Analyse verwenden Sie die One-Click Clustering Label Optimization-Funktion , um die Referenz-Co-Occurrence-Abbildung zu erzeugen.
  3. Passen Sie Knoten- und Clusterlabels an und wählen Sie Cluster aus, um die Referenz-Clustering-Karte zu erstellen.
  4. Im Burstness-Panel stellen Sie die Anzeige so ein, dass die 20 meistzitierten Referenzen nach Zitationshäufigkeit angezeigt werden, und erstellen Sie das Diagramm der 20 meist kozitierten Referenzen nach Burst-Stärke.
  5. Exportiere alle Bilder im TIFF-Format zur Speicherung.

8. PPI-Netzwerkanalyse

  1. Greifen Sie am 12. März 2026 auf die GeneCards-Datenbank (https://www.genecards.org)17zu, und suchen Sie mit den Schlüsselwörtern "Interstitielle Lungenerkrankung" bzw. "Pulmonale Hypertonie". Die für die Suche verwendeten Krankheitsbegriffe stimmen mit denen in der Literaturabfrage überein, und es wurden keine weiteren Begriffsvarianten erweitert.
  2. Exportiere die Liste der Ziele mit einem Relevanzscore ≥ 1 für jede Suche. Die Extraktionsmethode bestand darin, nach Relevanzscore zu sortieren und alle Ziele mit einer Punktzahl ≥ 1 zu exportieren. Die Schwelle von ≥ 1 wurde gewählt, weil sie die überwiegende Mehrheit der literaturgestützten assoziierten Gene erfasst und gleichzeitig Fehlalarme minimiert.
  3. Verwenden Sie R, um die Schnittmenge der beiden Zielmengen zu erhalten, was zu den ILD-PH-komorbiditätsbezogenen Zielen führt.
  4. Greifen Sie auf das Multiple Proteins-Modul der STRING-Datenbank (https://cn.string-db.org/)18 zu, geben Sie die Liste der Komorbiditätsziele in das Suchfeld ein und wählen Sie Homo sapiens als Art aus.
  5. Klicken Sie auf Weiter, dann im Einstellungspanel setzen Sie den Mindestwert für die erforderliche Interaktion auf Hohe Sicherheit (0,700) und aktivieren Sie das Ausblenden von getrennten Knoten im Netzwerk19.
  6. Nach dem Netzwerk-Update laden Sie die Interaktionsdaten als TSV-Datei aus dem Exportmenü herunter.
  7. Starte Cytoscape und lade die TSV-Datei über File > Import > Netzwerk aus dem Dateisystem.
  8. In Tools > NetworkAnalyzer > Network Analysis > Network Interpretation wählen Sie "Behandeln Sie das Netzwerk als nichtgerichtet" und berechnen Sie topologische Parameter, einschließlich Knotengrad.
  9. Konfigurieren Sie Knotenform, Farbe, Größe und andere Aussehenseinstellungen im Style-Panel und passen Sie die Knotenpositionen manuell an, um ein klares Layout zu erhalten.
  10. Speichere das PPI-Netzwerkabbild über Datei > exportiere > Netzwerkabbild in Datei und exportiere die Netzwerkanalyseergebnisse über Datei > Exportiere > Tabelle in Datei.
  11. Öffnen Sie die exportierte Tabelle in Excel, ordnen Sie die Spalte "Grad " absteigend, wählen Sie die 20 wichtigsten Schlüsselziele zusammen mit ihren Gradwerten aus, erstellen Sie ein Balkendiagramm mit Datenetiketten und exportieren Sie im TIFF-Format.

9. KEGG-Signalweganreicherungsanalyse

  1. Starte R und gib die Befehle ein, um die erforderlichen Pakete zu installieren und zu laden (Zusatztabelle 3):
    install.packages("BiocManager")
    BiocManager::install(c("clusterProfiler", "org. Hs.eg.db"))
    library(clusterProfiler)
    Bibliothek(org. Hs.eg.db)
  2. Konvertiere die Gensymbole von ILD-PH-Komorbiditätszielen mit der Bitr()-Funktion in Entrez-IDs um. In R werden folgende Wörter eingegeben:
    coma_entrez <- bitr(coma_genes, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org. Hs.eg.db)
  3. Führen Sie eine Anreicherungsanalyse mit der Funktion enrichKEGG() mit folgenden Parametern durch: organismus = "has", pvalueCutoff = 0,05, qvalueCutoff = 0,05. Die Benjamini-Hochberg-(BH)-Methode wurde für mehrfache Testkorrekturen verwendet. Geben Sie folgenden Code ein:
    kegg_result <- enrichKEGG(gen = coma_entrez$ENTREZID,
    organismus = "hat",
    pvalueCutoff = 0,05,
    qvalueCutoff = 0,05,
    use_internal_data = FALSCH)
    HINWEIS: p-Wert: der ursprüngliche p-Wert, der die Wahrscheinlichkeit repräsentiert, das gegebene Anreicherungsniveau zu beobachten; q-Wert: der FDR (False Discovery Rate) nach der Benjamini-Hochberg-Korrektur, unter Kontrolle der Falsch-Positiv-Rate. In dieser Studie wurde q < 0,05 als Kriterium für eine signifikante Anreicherung verwendet.
  4. Filtern Sie die Ergebnisse mit den Schlüsselwörtern "Menschliche Krankheiten" und "Metabolismus", um Wege zu entfernen, die mit menschlichen Krankheiten und dem Stoffwechsel assoziiert sind, und behalten dabei biologische Prozesswege. Menschliche Krankheiten und Stoffwechselwege beschreiben hauptsächlich die Gesamtmechanismen von Krankheiten und Stoffwechselnetzwerken, die schwach mit den Fibrose-, Entzündungs- und Gefäßremodellierungsmechanismen der ILD-PH-Komorbidität assoziiert sind. Daher wurden sie ausgeschlossen, um die Ergebnisse auf zentrale Signalwege zu fokussieren. Hier kommt hier ins Spiel:
    kegg_result_df <- as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[!grepl("Menschliche Krankheiten|Metabolism", kegg_result_df$Beschreibung), ]
  5. Sortiere die Pfade in absteigender Reihenfolge nach Genanzahl, wähle die Top 10 Signalwege aus, erstelle mit der Dotplot()-Funktion einen Dotplot und exportiere den Plot im PNG-Format. Hier kommt hier ins Spiel:
    top10_pathways <- kopf(kegg_filtered[order(kegg_filtered$Count, abnehmend = TRUE), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave("KEGG_dotplot.png", dotplot_result, Breite = 8, Höhe = 6, DPI = 300)
  6. Extrahieren Sie die 10 wichtigsten Signalwege und ihre zugehörigen Zielgene, erstellen Sie eine zweispaltige Tabelle (Wegname, Zielgen) und speichern Sie die Tabelle als tab-begrenzte TXT-Datei.
  7. Importiere die Datei in Cytoscape, konfiguriere die Form- und Farbunterschiede zwischen Pathway-Knoten und Zielknoten über das Style-Panel , verfeinere das Layout manuell und exportiere das Pathway-Target-Netzwerkbild20.

Ergebnisse

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

Datenabruf und Screening

Insgesamt wurden 2.400 Datensätze aus der Scopus-Datenbank erhoben, während 696 in der WoSCC-Datenbank identifiziert wurden. Nach dem Zusammenführen der beiden Datensätze und dem Entfernen von 533 doppelten Datensätzen wurden insgesamt 2.563 einzigartige Publikationen für die anschließende bibliometrische Analyse aufgenommen (Abbildung 1).

Jährliche Veröffentlichungsentwicklungen

Die jährlichen Publikationen im Bereich interstitieller Lungenerkrankungen und pulmonaler Hypertonie von 2016 bis 2025 sind in Abbildung 2 dargestellt. Im Zeitraum von zehn Jahren zeigte die Anzahl der Publikationen einen schwankenden Aufwärtstrend. Sie blieb in den ersten vier Jahren relativ stabil, gefolgt von schnellen Anstiegen in den Jahren 2020–2022 und 2023–2025, wobei 2022 bzw. 2025 zwei Höchststände erreicht wurden. Insgesamt stieg die Zahl der Publikationen von 142 im Jahr 2016 auf 402 im Jahr 2025, was einer nahezu dreifachen Steigerung entspricht (Abbildung 2).

Nationale Publikationen und internationale Zusammenarbeit

Insgesamt erreichten 20 Länder die Schwelle von mindestens 40 Publikationen und wurden in die Analyse des nationalen Kollaborationsnetzwerks einbezogen. Die Vereinigten Staaten führten sowohl in der Publikationszahl als auch bei der Zitationshäufigkeit mit 823 Veröffentlichungen und 21.943 Zitationen. Italien belegte mit 271 Veröffentlichungen (7.037 Zitationen) den zweiten Platz, gefolgt von Frankreich (237 Veröffentlichungen, 8.172 Zitationen), dem Vereinigten Königreich (231 Veröffentlichungen, 9.764 Zitationen) und Japan (205 Veröffentlichungen, 3.221 Zitationen). China belegte mit 185 Veröffentlichungen und 2.978 Zitationen den sechsten Platz, während Deutschland mit 184 Veröffentlichungen und 7.932 Zitationen den 7. Platz belegte (Abbildung 3A, Tabelle 1).

Im Hinblick auf internationale Zusammenarbeit zeigten die Indikatoren für die Gesamtlinkstärke, dass die Vereinigten Staaten (Gesamtlinkstärke = 523), Italien (448), das Vereinigte Königreich (447), Deutschland (443) und Frankreich (405) die engsten kollaborativen Beziehungen aufwiesen (Abbildung 3B). Die Analyse des Kollaborationsnetzwerks identifizierte drei Hauptcluster. Der erste Cluster bestand aus 10 europäischen Ländern, darunter Belgien, Frankreich, Deutschland, Griechenland, Italien, die Niederlande, Polen, Spanien, die Schweiz und die Türkei, und bildete ein stark vernetztes europäisches Forschungsnetzwerk. Der zweite Cluster umfasste neun Länder, darunter Australien, Brasilien, Kanada, China, Indien, Japan, Südkorea, das Vereinigte Königreich und die Vereinigten Staaten. Dieser Cluster war um die Vereinigten Staaten zentriert und integrierte wichtige Forschungskräfte aus Asien, Amerika und Ozeanien und bot ein regionalübergreifendes Kooperationsmuster. Der dritte Cluster umfasste nur Österreich und zeigte ein relativ unabhängiges Kollaborationsmuster (Abbildung 3C).

Zeitschriftenpublikationen und Zitationsanalyse

Unter den Fachzeitschriften, die in diesem Bereich veröffentlichen, belegten Journal of Clinical Medicine (54 Dokumente), Pulmonary Circulation (53 Dokumente) und Clinical Rheumatology (51 Dokumente) den höchsten Platz beim Publikationsvolumen, wobei Chest (IF = 8,6, Q1) und Frontiers in Immunology (IF = 5,9, Q1) die höchsten Impact Factors unter den führenden 10 Fachzeitschriften in Bezug auf Produktivität zeigten (Abbildung 4A)). Was die Zitationswirkung betrifft, so sind das European Respiratory Journal (1.885 Zitationen), das Journal of Heart and Lung Transplantation (1.817 Zitationen) und das European Respiratory Review (1.600 Zitationen) die einflussreichsten Fachzeitschriften (Abbildung 4B). Das Journal Co-Occurrence Network zeigte ein hohes Maß an Clustering zwischen den Fachrichtungen Atemwegsmedizin, Rheumatologie und Transplantation, und eine multidisziplinäre Zusammenarbeit ist erforderlich, um die Komorbidität von ILD und PH zu bewältigen (Abbildung 4C).

Autorenpublikationen und Kooperationsnetzwerk

Zu den produktivsten Autoren gehörte Nathan, Steven D aus den Vereinigten Staaten mit 45 Veröffentlichungen, gefolgt von einer Gruppe französischer Autoren, darunter Launay, David (27), Cottin, Vincent (27) und Humbert, Marc (26), wobei Frankreich als wichtigen Beitragenden auf diesem Gebiet hervorgehoben wurde (Abbildung 5A, Tabelle 2). Was die Zitationswirkung betrifft, führte auch Nathan, Steven D. mit 2.446 Zitationen, während Humbert, Marc (1.675), Cottin, Vincent (1.347) und Shlobin, Oksana A (1.153) erheblichen Einfluss zeigten, wobei die Vereinigten Staaten und Frankreich die Liste der meistzitierten Autoren dominierten (Abbildung 5B). Das Autoren-Kollaborationsnetzwerk identifizierte insgesamt sechs Cluster. Insgesamt war das Kollaborationsmuster überwiegend im Inland, mit relativ begrenzter internationaler Zusammenarbeit (Abbildung 5C).

Schlüsselwort-Ko-Vorkommen und thematische Entwicklung

Unter den hochfrequenten Schlüsselwörtern nahmen neben gängigen Datenbankindexbegriffen wie "Mensch" und "Artikel" krankheitsspezifische Schlüsselwörter wie "pulmonale Hypertonie", "interstitielle Lungenerkrankung" und "systemische Sklerose" zentrale Positionen ein und spiegeln die wichtigsten Forschungsthemen auf diesem Gebiet wider (Tabelle 3). Die Zentralitätsanalyse zeigte, dass Begriffe im Zusammenhang mit therapeutischen Medikamenten (Azathioprin, Kortikosteroidtherapie), Studiendesignbegriffe (randomisierte kontrollierte Studie, klinischer Artikel, Fallbericht) und Symptombeschreibungen (Dyspnoe) eine hohe Zentralität der Zwischenheit aufwiesen und als verbindende Verbindungen zwischen verschiedenen Themen wie Ätiologie, Symptomen, Diagnose, Behandlung und Prognose dienen. Insgesamt stützt sich die Forschung auf diesem Gebiet stark auf klinische Evidenz, insbesondere klinische Studien zur immunsuppressiven Therapie (Abbildung 6A, Tabelle 4).

Laut der Analyse der 25 wichtigsten Schlüsselwörter mit den stärksten Zitationsbursts, die in Abbildung 6B dargestellt ist, kann eine zeitliche Entwicklung im Forschungsfokus beobachtet werden. Frühe Ausbrüche umfassten Begriffe wie "Pathophysiologie" und "Lungendiffusionskapazität" (2016–2020), gefolgt von einem mittelmäßigen Schwerpunkt auf "Differenzialdiagnose" und "Lungenspülung" (2018–2022), wobei jüngste Phasen "COVID-19", "Müdigkeit", "NT-proBNP" und "Intensivstation" (2021–2025) hervorhoben, was einen Wechsel von grundlegenden Mechanismen hin zu diagnostischen Verfahren, Biomarker-Identifikation und Intensivversorgungsmanagement widerspiegelte.

Die Zeitleiste-Ansicht veranschaulicht die zeitliche Entwicklung wichtiger Forschungsthemen (Abbildung 6C). Frühe Phasen (2016–2020) umfassten Begriffe wie "Prioritätsjournal", "Pathophysiologie", "Lungendiffusionskapazität", "randomisierte kontrollierte Studie (Thema)" und "Tomographie", was einen Schwerpunkt auf fundamentalen pathophysiologischen Mechanismen und diagnostischer Bildgebung widerspiegelt. Mid-Period-Ausbrüche (2018–2022) zeichneten sich durch "Differenzialdiagnose", "Lungenspülung", "Steroid" und "Praxisleitlinien" aus, was auf einen Übergang hin zu diagnostischen Verfahren und klinischer Behandlung hindeutete. Jüngste Phasen (2021–2025) umfassten "Coronavirus-Krankheit 2019", "Labortest", "Müdigkeit", "aminoterminales pro-Gehirnnatriuretisches Peptid", "Intensivstation" und "Empfänger-Operationscharakteristik", wobei aufkommende Interessen an COVID-19-bezogenen Auswirkungen, Biomarker-Identifikation und Intensivmedizin hervorgehoben wurden und eine Entwicklung von grundlegender Pathophysiologie und Lungenfunktionstests hin zu klinischen Bewertungsinstrumenten und gezielten Therapien gezeigt wurden.

Referenz-Co-Citation-Analyse

Das Referenz-Kozitationsnetzwerk identifizierte 16 Hauptcluster, wobei die größten Cluster auf idiopathische Lungenfibrose, systemische Sklerose, Bindegewebeerkrankungen, pulmonale Hypertonie und progressive Lungenfibrose konzentriert sind und die Kernwissensbereiche dieses Fachgebiets widerspiegeln (Abbildung 7A). Die am häufigsten zitierte Referenz war eine Studie zur klinischen Behandlung der systemischen Sklerose, gefolgt von einer Studie zur Wirksamkeit von inhaliertem Treprostinil bei pulmonaler Hypertonie im Zusammenhang mit interstitieller Lungenerkrankung sowie einer Studie zur Aktualisierung der hämodynamischen Definition und klinischen Klassifikation der pulmonalen Hypertonie 4,21,22(Tabelle 5). Im Hinblick auf die Zentralität zwischen der Zwischenheit belegte eine randomisierte kontrollierte Studie, die Mycophenolat-Mofetil mit oralem Cyclophosphamid für systemische sklerose-bedingte interstitielle Lungenerkrankung verglich, am höchsten bewertet, dicht gefolgt von einer Studie zur initialen Kombinationstherapie für mit Bindegewebeerkrankungen assoziierte pulmonale arterielle Hypertonie, was die entscheidende Brückenrolle dieser beiden Studien bei der Verbindung verschiedener Forschungsbereiche23,24 aufzeigt (Abbildung 7B, Tabelle 6). Die Zitationsburst-Analyse zeigte eine zeitliche Entwicklung einflussreicher Arbeiten auf diesem Gebiet auf: Frühe Bursts (2016–2019) umfassten die ATS/ERS-Klassifikation idiopathischer interstitieller Pneumononien und die DET-Studie zur Screening der systemischen Sklerose-assoziierten pulmonalen arteriellen Hypertension; Mid-Period Bursts (2017–2021) umfassten die ESC/ERS-Richtlinien von 2015 zur Diagnose und Behandlung von pulmonaler Hypertonie sowie die SLS-II-Studie zur sklerodermiebedingten interstitiellen Lungenerkrankung; jüngste Phasen (2020–2025) umfassten die klinische Leitlinie für idiopathische Lungenfibrose von 2022 ATS/ERS/JRS/ALAT sowie die Untersuchung von Nintedanib bei progressiver fibrosierender interstitieller Lungenerkrankung. Diese Entwicklung spiegelt einen Wandel von der diagnostischen Klassifikation hin zu gezielten therapeutischen Strategienwider (Abbildung 7C).

PPI-Analyse überlappender genetischer Ziele

Durch die Analyse des Venn-Diagramms wurden 271 überlappende Gene identifiziert, die mit ILD und PH assoziiert sind (Abbildung 8A). Darauf aufbauend wurde ein PPI-Netzwerk eingerichtet, um die funktionalen Beziehungen zwischen diesen gemeinsamen Zielen zu untersuchen (ergänzende Tabelle 4). Das PPI-Netzwerk bestand aus 271 Knoten und 3.414 Kanten, mit einem durchschnittlichen Knotengrad von 25,2, was auf ein dicht vernetztes Netzwerk hinweist. Die PPI-Netzwerkvisualisierung zeigt eine hochgradig vernetzte Architektur mit mehreren funktionalen Clustern (Abbildung 8B). Die Top 20 nach Gradzentralität bewerteten Gene umfassen FN1, IL6, TNF, AKT1, EGFR, TGFB1, CTNNB1, IL1B, TP53, MMP9, ALB, STAT3, INS, IL10, CXCL8, CCL2, ICAM1, IFNG, SMAD4 und CRP, wobei diese Moleküle als zentrale Hubs im Interaktionsnetzwerk hervorgehoben werden (Abbildung 8C). Entzündungs- und fibrotische Prozesse können als Kandidatentreiber der Komorbidität dienen, die eine experimentelle Validierung erfordern. Die angereicherten Signalwege deuten auf potenzielle Kernkandidatenwege hin, die am Komorbiditätsmechanismus beteiligt sind.

KEGG-Anreicherungsanalyse des Signalwegs

Um die funktionellen Mechanismen hinter der Komorbidität von ILD und PH weiter zu erläutern, wurde eine KEGG-Signalweganreicherungsanalyse an den sich überlappenden genetischen Zielen durchgeführt (ergänzende Tabelle 5). Die am deutlichsten angereicherten Signalwege umfassten den PI3K-Akt-Signalweg, den Relaxin-Signalweg, den Integrin-Signalweg, den FoxO-Signalweg, die fokale Adhäsion, den HIF-1-Signalweg, die zelluläre Senezenz, den TGF-Beta-Signalweg, den MAPK-Signalweg und den Phospholipase-D-Signalweg (Abbildung 8D). Das Pathway-Target-Netzwerk visualisiert die Verbindungen zwischen diesen angereicherten Pfaden und den im PPI-Netzwerk identifizierten Hub-Genen (Abbildung 8E). Bemerkenswert ist, dass Kerngene wie AKT1, EGFR, TGFB1, IL6, TNF und FN1 an mehreren Wegen beteiligt sind, insbesondere an PI3K-Akt, MAPK und TGF-beta-Signalwegen, was darauf hindeutet, dass diese Wege Kandidatenmechanismen darstellen, die weitere experimentelle oder klinische Validierung benötigen.

Protokollvalidierungs- und Reproduzierbarkeitskontrollpunkte

Die Protokollvalidierung erfordert die Bestätigung, dass jedes Modul die erwarteten Ausgaben erreicht und die wichtigsten Reproduzierbarkeitskontrollpunkte erfüllt. Für das Bibliometrie-Modul umfassen die erwarteten Ergebnisse ein Säulendiagramm der jährlichen Publikationsausgaben, eine nationale Kollaborationsnetzwerkkarte und Ranglisten der Top 10 Zeitschriften und Autoren. Die Reproduzierbarkeitskontrollpunkte sind: Die Anzahl der deduplizierten Datensätze sollte mehr als 80 % der ursprünglich abgerufenen Datensätze ausmachen, die CiteSpace-Datenkonvertierung sollte fehlerfrei erfolgen, und die wichtigsten Länderknoten sollten im Kollaborationsnetzwerk klar unterscheidbar sein. Für das PPI-Netzwerkanalysemodul umfassen die erwarteten Ausgaben einen PPI-Netzwerkgraphen mit ≥250 Knoten und ≥3.000 Kanten sowie eine Liste der Top 20 Hub-Gene, geordnet nach Grad. Die Checkpoints sind: Die Konfidenzschwelle in STRING sollte auf 0,700 gesetzt werden, der durchschnittliche von Cytoscape berechnete Knotengrad sollte ≥20 betragen, und das Netzwerk sollte keine getrennten, isolierten Knoten enthalten. Für das KEGG-Anreicherungsanalysemodul sind die erwarteten Ausgaben ein Punktdiagramm der 10 wichtigsten Signalwege und ein Pfad-Ziel-Netzwerkgraph. Die Kontrollpunkte verlangen, dass die Anreicherungsanalyse p < 0,05 und q < 0,05 ergibt, dass nach Ausschluss der Kategorien "Menschliche Krankheiten" und "Stoffwechsel" mindestens 5 Wege verbleiben und dass das Dot-Plot einen klaren abnehmenden Trend bei den Genanzahlen mit Rangfolge zeigt.

figure-results-1
Abbildung 1: Venn-Diagramm der Datenbankabrufergebnisse. Dieses Diagramm zeigt die Anzahl der Datensätze, die aus den Datenbanken der Scopus und Web of Science Core Collection (WoSCC) abgerufen wurden, sowie die Anzahl der entfernten doppelten Datensätze. Der überlappende Bereich stellt doppelte Datensätze dar, die vom DOI identifiziert wurden, und die endgültigen eindeutigen Datensätze, die für die bibliometrische Analyse verwendet werden, sind angegeben. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-2
Abbildung 2: Forschungsergebnisse und Zitationen zu interstitieller Lungenerkrankung – pulmonaler Hypertonie (2016–2025). Jährliche Publikations- und Zitationstrends in der ILD- und PH-Forschung (2016–2025). Das Balkendiagramm zeigt die jährliche Anzahl der Artikel, während das Liniendiagramm die kumulierte Zitierfrequenz darstellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-3
Abbildung 3: Nationale/regionale Publikationen und internationale Zusammenarbeit. (A) Nationale Publikations- und Zitationsrangliste; (B) Interländer-Kollaborationsakkorddiagramm; (C) Internationale Kollaborationsnetzwerk-Cluster. Nationale Publikations- und Zitationsrankings, interländische Kollaborationsverknüpfungen mittels eines Akkorddiagramms sowie Clustermuster internationaler Kollaborationsnetzwerke sind in dieser Abbildung dargestellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-4
Abbildung 4: Publikationsausgabe und Zitation der Zeitschrift. (A) Top 10 Zeitschriften nach Publikationsvolumen; (B) Top-Zeitschriften nach Zitationswirkung; (C) Journal Co-Occurrence Netzwerk. Nach Publikationsvolumen und Zitationszahlen werden die Top 10 Zeitschriften mit ihren Impact Factors und Quartilen präsentiert. Das Netzwerk zeigt intuitiv das Publikationsvolumen der Zeitschriften und die Zusammenarbeit an. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-5
Abbildung 5: Netzwerk zur Zusammenarbeit mit hochproduktiven Autoren. (A) Top 10 produktive Autoren; (B) Top 10 Autoren nach Zitationswirkung; (C) Netzwerk zur Zusammenarbeit mit Autoren. Die Autoren wurden nach ihrer Publikationszahl und ihrem Zitiereinfluss sortiert. Die Länderzugehörigkeiten der Top 10 Autoren wurden aus den heruntergeladenen Web of Science-Dateien abgerufen und in einer Abbildung dargestellt. Das Clustering-Netzwerk veranschaulicht klar und intuitiv die Kollaborationsmuster der Autoren. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-6
Abbildung 6: Ko-Vorkommen von Schlüsselwörtern und thematische Entwicklung. (A) Clustering von Zusammenkommen mit Schlüsselwörtern; (B) Top 25 Burst-Keywords; (C) Zeitleiste für die Weiterentwicklung von Schlüsselwörtern. Die Keyword-Analyse wurde mit CiteSpace durchgeführt, wobei der g-Index auf 10 konfiguriert war und der Random-Forest-Algorithmus verwendet wurde. Die Ko-Vorkommenskarte wurde durch Anpassung der Knotengröße und -farbe erzeugt, und eine Clustering-Analyse wurde an den Knoten durchgeführt, um die Cluster-Karte zu erhalten. Die Zeitleiste zeigt hauptsächlich die Forschungstrends und Veränderungen im letzten Jahrzehnt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-7
Abbildung 7: Referenz-Co-Citation-Analyse. (A) Cluster-Analyse der co-zitierten Referenzen. (B) Ko-Zitationsnetzwerk hochzitierter Referenzen. (C) Top 20 Referenzen mit den stärksten Zitationsexplosionen. Die Co-Cited-Referenzanalyse wurde mit CiteSpace durchgeführt, wobei der g-Index auf 10 gesetzt war und der Random-Forest-Algorithmus verwendet wurde. Das Co-Citation-Netzwerk wurde durch Anpassung der Knotengröße und -farbe generiert, und Clustering-Analysen wurden an den Knoten durchgeführt, um die Clusterkarte zu erhalten, die verschiedene thematische Forschungsbereiche aufzeigte. Die Erkennung von Zitationsausbrüchen identifizierte die Top 20 Referenzen mit den stärksten Zitationsausbrüchen und deren aktive Perioden, wobei der Schwerpunkt auf den Veränderungen in Forschungs-Hotspots im letzten Jahrzehnt lag. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-8
Abbildung 8: Identifikation von ILD-PH-komorbiditätsbezogenen Hub-Zielen und angereicherten Bahnen. (A) Venn-Diagramm, das überlappende Gene zeigt, die mit ILD und PH assoziiert sind. (B) Protein-Protein-Interaktionsnetzwerk (PPI). (C) Top 20 Hub-Ziele, die aus dem PPI-Netzwerk identifiziert wurden. (D) KEGG-Anreicherungsanalyse überlappender genetischer Ziele. (E) Interaktionsnetzwerk, das die Verbindungen zwischen Signalwegen und ihren entsprechenden Zielgenen veranschaulicht. Komorbiditätsbezogene Gene wurden als Schnittpunkt von ILD- und PH-Zielen aus GeneCards gewonnen. Ein PPI-Netzwerk (Konfidenz ≥ 0,700) wurde mit STRING konstruiert, visualisiert in Cytoscape, und die Top 20 Hubs wurden nach Knotengrad ausgewählt. Die KEGG-Anreicherung (q< 0,05, BH-Korrektur) wurde durchgeführt, wobei menschliche Krankheits- und Stoffwechselwege ausgeschlossen wurden. Ein Pathway-Target-Netzwerk wurde aufgebaut, um Zusammenhänge zwischen Signalwegen und ihren entsprechenden Zielgenen aufzuzeigen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

RangLandDokumenteQuellenangabenDurchschnittliche Zitation pro ArtikelGesamtstärke der Verbindunge
1USA8232194326.7523
2Italien271703726.0448
3Frankreich237817234.5407
4Vereinigtes Königreich231976442.3447
5Japan205322115.7147
6China185297816.168
7Deutschland184793243.1443
8Kanada153598239.1282
9Spanien133512238.5294
10Australien123433435.2217

Tabelle 1: Top 10 Länder bei Publikationsausgabe und Zitationshäufigkeit. Die Daten wurden am 9. März 2026 aus den Datenbanken Web of Science Core Collection und Scopus abgerufen und nach Deduplizierung zusammengeführt. Die Länder wurden nach der Gesamtzahl der Publikationen (Dokumente) gerankt. "Gesamtstärke der Verbindung" bezeichnet die Summe der Zusammenarbeitsstärke mit anderen Ländern im VOSviewer-Ko-Autorennetzwerk. Die durchschnittliche Zitation pro Arbeit wird als Zitationen / Dokumente berechnet.

RangAutorDokumenteQuellenangabenLand
1Nathan, Steven D452446USA
2Launay, David27784Frankreich
3Cottin, Vincent271347Frankreich
4Humbert, Marc261675Frankreich
5Nikpour, Mandana22250Australien
6Allanore, Yannick21482Frankreich
7Stevens, Wendy20236Australien
8Hachulla, Eric20706Frankreich
9Khanna, Dinesh20755USA
10Proudman, Susanna17163Australien

Tabelle 2: Top 10 produktive Autoren im Bereich ILD und PH. Die Autoren wurden nach der Gesamtzahl der Veröffentlichungen gerankt. Nur Autoren mit mindestens 3 Veröffentlichungen wurden aufgenommen. Die Zitationszahlen stellen die Gesamtzahl der zitierten Publikationen des Autors im Datensatz dar. Die Länderzugehörigkeit basiert auf der primären Institution des Autors, wie sie in den abgerufenen Artikeln verzeichnet ist.

RangSchlüsselwörterGraf
1Mensch2311
2Pulmonale Hypertonie2289
3Interstitielle Lungenerkrankung2201
4Artikel1719
5Menschen1544
6Weiblich1444
7Männchen1410
8Erwachsener1276
9Mittelalter903
10Wichtige klinische Studie897

Tabelle 3: Die Top 10 Schlüsselwörter nach Häufigkeit. Schlüsselwörter wurden aus dem deduplizierten Datensatz abgerufen und mit CiteSpace analysiert. Die Häufigkeit zeigt die Anzahl der Vorkommen jedes Schlüsselworts in den Titel-, Abstract- oder Schlüsselwortfeldern der abgerufenen Literatur an. Generische Indexierungsbegriffe werden automatisch von den Datenbanken zugewiesen und spiegeln Indexierungspraktiken wider, anstatt einen spezifischen Forschungsfokus.

RangSchlüsselwörterZentralität
1Mensch0.95
2Artikel0.71
3Azathioprin0.44
4Klinisches Merkmal0.43
5Randomisierte kontrollierte Studie (Thema)0.42
6Kortikosteroidtherapie0.41
7Menschen0.39
8Klinischer Artikel0.35
9Fallbericht0.35
10Dyspnoe0.28

Tabelle 4: Die Top 10 Schlüsselwörter nach Zentralität. Die Zentralität wurde mit CiteSpace berechnet, um Schlüsselwörter zu identifizieren, die als Brücken zwischen verschiedenen Forschungsclustern dienen. Höhere Zentralitätswerte deuten auf stärkere Konnektivität und eine größere vermittelnde Rolle im Ko-Occurren-Netzwerk hin.

RangGrafZitierte Quellen
168Khanna D, 2017, SYSTEMISCHE SKLEROSE @ LANCET, V390, S. 1685-1699
241Thenappan T, 2021, INHALIERTE TREPROSTINIL BEI PULMONALER HYPERTONIE AUFGRUND INTERSTITIELLER LUNGENERKRANKUNG @ N ENGL J MED, V384, P325-334
336Celermajer DS, 2019, HÄMODYNAMISCHE DEFINITIONEN UND AKTUALISIERTE KLINISCHE KLASSIFIKATION DER PULMONALEN HYPERTONIE @ EUR RESPIR J, V0, P53
432Cottin V, 2020, SPEKTRUM FIBROTISCHER LUNGENERKRANKUNGEN @ N ENGL J MED, V383, P958-968
529Shlobin OA, 2020, DAS PROBLEM MIT PULMONALER HYPERTONIE DER GRUPPE 3 BEI INTERSTITIELLER LUNGENERKRANKUNG: DILEMMATA BEI DER DIAGNOSE UND DAS DILEMMA DER BEHANDLUNG @ CHEST, V158, S. 1651-1664
627Gahlemann M, 2019, NINTEDANIB FÜR SYSTEMISCHE SKLEROSE-ASSOZIIERTE INTERSTITIELLE LUNGENERKRANKUNG @ N ENGL J MED, V380, P2518-2528
726Cottin V, 2019, NINTEDANIB BEI PROGRESSIVEN FIBROSIERENDEN INTERSTITIELLEN LUNGENERKRANKUNGEN @ N ENGL J MED, V381, S. 1718-1727
826Richeldi L, 2022, IDIOPATHISCHE LUNGENFIBROSE (EIN UPDATE) UND FORTSCHREITENDE LUNGENFIBROSE BEI ERWACHSENEN: EINE OFFIZIELLE ATS/ERS/JRS/ALAT KLINISCHE PRAXISRICHTLINIE @ AM J RESPIR CRIT CARE MED, V205, P0
924Clements PJ, 2016, MYCOPHENOLAT MOFETIL VERSUS ORALE CYCLOPHOSPHAMID BEI SKLERODERM-BEDINGTER INTERSTITIELLER LUNGENERKRANKUNG (SLS II): EINE RANDOMISIERTE KONTROLLIERTE DOPPELBLINDE PARALLELGRUPPENSTUDIE @ LANCET RESPIR MED, V4, P708-719
1023Hoeper MM, 2022, 2022 ESC/ERS-RICHTLINIEN ZUR DIAGNOSE UND BEHANDLUNG VON PULMONALER HYPERTONIE @ EUR HEART J, V43, P3618-3731

Tabelle 5: Die zehn am häufigsten zitierten Referenzen. Zitierte Referenzen wurden aus dem deduplizierten Datensatz abgerufen und mit CiteSpace analysiert. "Count" bezieht sich auf die Häufigkeit, mit der eine Referenz in der Literatur mitzitiert wurde. Es werden nur Referenzen mit den höchsten Kozitationszahlen angezeigt.

RangZentralitätZitierte Quellen
10.42Clements PJ, 2016, MYCOPHENOLAT MOFETIL VERSUS ORALE CYCLOPHOSPHAMID BEI SKLERODERM-BEDINGTER INTERSTITIELLER LUNGENERKRANKUNG (SLS II): EINE RANDOMISIERTE KONTROLLIERTE DOPPELBLINDE PARALLELGRUPPENSTUDIE @ LANCET RESPIR MED, V4, P708-719
20.41Barbera JA, 2017, ERSTE KOMBINATIONSTHERAPIE MIT AMBRISENTAN UND TADALAFIL BEI BINDEGEWEBSERKRANKUNGSASSOZIIERTER PULMONALARTERIELLER HYPERTONIE (CTD-PAH): SUBGRUPPENANALYSE AUS DER AMBITION-STUDIE @ ANN RHEUM DIS, V76, S. 1219-1227
30.32Hachulla E, 2013, ÜBERLEBEN IN SYSTEMISCHER SKLEROSE-ASSOZIIERTER PULMONALARTERIELLER HYPERTONIE IN DER MODERNEN MANAGEMENTÄRA @ ANN RHEUM DIS, V72, S. 1940-1946
40.26Visovatti S, 2019, PRÄVALENZBEHANDLUNG UND ERGEBNISSE VON KOEXISTIERENDER PULMONALER HYPERTONIE UND INTERSTITIELLER LUNGENERKRANKUNG BEI SYSTEMISCHER SKLEROSE @ ARTHRITIS RHEUMATOL, V71, P1339-1349
50.25Dimopoulos K, 2014, BOSENTAN BEI PULMONALER HYPERTONIE ASSOZIIERT MIT FIBROTISCHER, IDIOPATHISCHER INTERSTITIELLER PNEUMONIE @ AM J RESPIRATIVE CRIT CARE MED, V190, P208-217
60.24Smith P, 2021, INHALIERTE TREPROSTINIL BEI PULMONALER HYPERTONIE AUFGRUND INTERSTITIELLER LUNGENERKRANKUNG @ N. ENGL. J. MED, V384, S. 325-334
70.24Pausch C, 2022, PHÄNOTYPISIERUNG DER IDIOPATHISCHEN PULMONALEN ARTERIELLEN HYPERTONIE: EINE REGISTERANALYSE @ LANCET RESPIR MED, V10, S. 937-948
80.21Cottin V, 2019, NINTEDANIB BEI PROGRESSIVEN FIBROSIERENDEN INTERSTITIELLEN LUNGENERKRANKUNGEN @ N ENGL J MED, V381, S. 1718-1727
90.21Beghetti M, 2016, 2015 ESC/ERS LEITLINIEN FÜR DIE DIAGNOSE UND BEHANDLUNG VON PULMONALER HYPERTONIE: DIE GEMEINSAME ARBEITSGRUPPE ZUR DIAGNOSE UND BEHANDLUNG VON PULMONALER HYPERTONIE DER EUROPEAN SOCIETY OF CARDIOLOGY (ESC) UND DER EUROPEAN RESPIRATORY SOCIETY (ERS): UNTERSTÜTZT VON: ASSOCIATION FOR EUROPEAN PAEDIATRIC AND CONGENITAL CARDIOLOGY (AEPC) @ INTERNATIONAL SOCIETY FOR HEART AND LUNG TRANSPLANTATION (ISHLT), Veur. Herz J, S. 67-119
100.21Pope JE, 2018, BEHANDLUNGSALGORITHMEN FÜR SYSTEMISCHE SKLEROSE LAUT EXPERTEN @ ARTHRITIS RHEUMATOL, V70, S. 1820-1828

Tabelle 6: Die Top 10 Referenzen hinsichtlich Zentralität. Die Zentralität wurde mit CiteSpace berechnet. Sie misst die Bedeutung einer Referenz als Brücke, die verschiedene Co-Citation-Cluster verbindet. Höhere Werte deuten darauf hin, dass die Referenz eine Schlüsselrolle bei der Integration vielfältiger Forschungsthemen spielt.

Ergänzende Tabelle 1: Datenbanksuchparameter für Web of Science Core Collection und Scopus. Diese Tabelle zeigt die Datenbankversionen, Zugriffsdaten, Suchfelder, Datumsbereiche, Dokumenttypen, Sprachbeschränkungen und Fachbereichsfilter, die während des Literaturabrufprozesses angewendet wurden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle 2: Vollständige Literaturdatensätze, abgerufen von Web of Science und Scopus vor und nach der Entfernung von Duplikaten. Diese Tabelle zeigt die vollständigen exportierten Aufzeichnungen aller Dokumente, die aus der Web of Science Core Collection und Scopus identifiziert wurden. Die Tabelle enthält drei Abschnitte: Datensätze allein von WoSCC, Datensätze allein von Scopus und die deduplizierte zusammengeführte Liste. Doppelte Datensätze wurden basierend auf DOI identifiziert und entfernt. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle 3: R-Skripte, die in dieser Studie für Datenverarbeitung, Analyse und Visualisierung verwendet werden. Diese Tabelle listet alle in dieser Studie verwendeten R-Skripte auf, einschließlich solcher für bibliometrische Analysen, Datenzusammenführung und -deduplizierung, Venn-Diagrammgenerierung sowie statistische und Plot-Aufgaben für sich schneidende Gene. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle 4: Rohdaten zur Protein-Protein-Interaktion (PPI). Diese Tabelle zeigt die spezifischen Daten, die aus der STRING-Datenbank heruntergeladen und während des PPI-Analyseschritts visualisiert werden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle 5: Detaillierte Rohdaten der KEGG-Signalwege, die für diese Studie gewonnen wurden. Diese Tabelle präsentiert die vollständigen Rohdaten der KEGG (Kyoto Encyclopedia of Genes and Genomes) Pathway Enrichment Analysis, einschließlich Pathway-ID, Pathway-Name, Anzahl der auf den Signalweg abgebildeten Input-Gene, der Liste der beteiligten Gene und der spezifischen Anreicherungsparameter. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

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

Diese Studie stellt die erste integrierte Anwendung von Bibliometrie und Bioinformatik dar, um die Komorbidität von ILD und PH zu untersuchen. Er überprüft systematisch den Entwicklungsverlauf, die Wissensstruktur und die Spitzentrends in diesem Bereich im letzten Jahrzehnt und identifiziert die Hub-Gene und Schlüsselsignalwege, die diesem komorbiden Zustand auf molekularer Ebene zugrunde liegen. Aus Perspektive des Makrotrends stieg die jährliche Anzahl der Publikationen in diesem Bereich von 142 im Jahr 2016 auf 402 im Jahr 2025, was einem nahezu dreifachen Anstieg entspricht und ein anhaltendes Wachstum der akademischen Aufmerksamkeit für ILD-PH-Komorbidität widerspiegelt. Signifikante Spitzen wurden in zwei Perioden beobachtet: 2020–2022 und 2023–2025. Der Wendepunkt um 2020 fiel mit der COVID-19-Pandemie zusammen; es ist möglich, dass die Pandemie indirekt einen Anstieg verwandter Forschung ausgelöst hat, indem sie ILD und pH induziert oder verschlimmert hat. Der Höhepunkt von 2022 bis 2023 ist auf die verstärkte Erkundung, Validierung und vorläufige klinische Anwendung der PH-ILD-Behandlungsmethodenzurückzuführen. Letzterer Anstieg lässt sich teilweise durch die Entwicklung neuartiger gezielter Therapien und den Einsatz künstlicher Intelligenz bei der Diagnose 32,33,34 erklären.

Was nationale Beiträge und internationale Zusammenarbeit betrifft, führten die Vereinigten Staaten mit 823 Publikationen und insgesamt 21.943 Zitationen an. Seine zentrale Position spiegelt sich nicht nur im Produktionsvolumen wider, sondern auch in der deutlich höheren Gesamtverbindungsstärke im internationalen Kollaborationsnetzwerk im Vergleich zu anderen Ländern, wodurch ein umfangreiches kollaboratives Netzwerk entsteht. Europäische Länder, darunter Italien, Frankreich und das Vereinigte Königreich, folgten dicht und bildeten einen stark vernetzten Forschungscluster mit engen Kooperationsbeziehungen. Unter den asiatischen Ländern belegten Japan und China den fünften bzw. sechsten Platz im Publikationsvolumen, aber ihre Zitationen pro Artikel sind deutlich niedriger als die europäischer Länder wie Deutschland und Frankreich, was darauf hindeutet, dass ihr akademischer Einfluss in diesem Bereich weiter verbessert werden muss. Was die Verteilung der Zeitschriften betrifft, so veröffentlichen hochwirksame Zeitschriften, darunter das European Respiratory Journal und das Journal of Heart and Lung Transplantation, die einflussreichsten Ergebnisse auf diesem Gebiet, während spezialisierte Fachzeitschriften wie das Journal of Clinical Medicine und Pulmonary Circulation den Großteil der Publikationen beitragen. Dieses Verteilungsmuster zeigt, dass die Forschung auf diesem Gebiet hauptsächlich in Fachzeitschriften für Atemwegsfachkräfte veröffentlicht wird und gleichzeitig interdisziplinäre Zusammenarbeit beinhaltet. Auf Autorenebene belegte der amerikanische Wissenschaftler Nathan Steven D sowohl bei Veröffentlichungen als auch bei Zitationen den ersten Platz und war damit der einflussreichste Kernforscher auf diesem Gebiet geworden. Die französischen Gelehrten Launay, David, Cottin, Vincent und Humbert bildeten Marc die zweitgrößte Forschungsgruppe mit Sitz in Frankreich. Diese Verteilung entspricht stark der Dominanz der Vereinigten Staaten und Frankreichs, wie sie in Länder- und Fachzeitgabeanalysen beobachtet wurde, und bestätigt die führende Rolle dieser beiden Nationen in der ILD-PH-Komorbiditätsforschung weiter.

Die Integration von Bibliometrie und Bioinformatik in dieses Protokoll bietet einen zweischichtigen analytischen Rahmen, der über eine der beiden Methoden hinausgeht. Bibliometrie erfasst makroökonomische Forschungstrends, Kooperationsnetzwerke und sich entwickelnde Hotspots aus der Literatur und bietet so einen Überblick aus der Vogelperspektive des Fachgebiets. Bioinformatik hingegen nutzt molekulare Daten aus öffentlichen Datenbanken, um Kandidatengene, Proteinwechselwirkungen und angereicherte Signalwege zu identifizieren. Durch die Verbindung der beiden Schichten ermöglicht dieser Ansatz Forschern zu beurteilen, ob ein molekulares Ziel oder ein Signalweg mit aufkommenden klinischen Interessen übereinstimmt, wodurch Hypothesen entstehen, die sowohl literaturgestützt als auch mechanistisch plausibel sind. Diese Synergie ist besonders wertvoll für komplexe Komorbiditäten wie ILD-PH, wo interdisziplinäre Integration oft fehlt.

Bezüglich des evolutionären Verlaufs von Forschungsthemen zeigen Co-Occurn- und Burst-Detektionsanalysen von Schlüsselwörtern und Referenzen gemeinsam einen Entwicklungspfad in diesem Bereich: vom Verständnis von Krankheitsmechanismen über die Erforschung von Diagnose- und Behandlungsnormen bis hin zur präzisen Behandlung und Prognosebewertung. In den Jahren 2016–2020 spiegelte das Aufkommen von Burst-Schlüsselwörtern wie "Pathophysiologie", "Lungendiffusionskapazität" und "Tomographie" die grundlegende Forschung zu den pathologischen Mechanismen von ILD-PH sowie zu Methoden der Lungenfunktion/Bildgebung wider. Von 2018 bis 2022 zeigten Burst-Schlüsselwörter wie "Differenzialdiagnose", "Praxisrichtlinie" und "Steroid", dass standardisierte klinische Diagnose und Behandlung im Mittelpunkt standen. Zwischen 2021 und 2025 zeigten Burst-Schlüsselwörter wie "COVID-19", "Fatigue", "NT-proBNP", "intensive care unit" und "receiver operating characteristic" eine Verschiebung von Forschungshotspots hin zu präziser und intensiver Versorgung. Dieser evolutionäre Trend wird weiter durch Referenzanalysen gestützt: Frühe bahnbrechende Studien legten die diagnostische Grundlage dar, darunter die Klassifikation idiopathischer interstitieller Pneumonien und die DET-Studie zum Screening. Mittelfristige Leitlinien, wie die ESC/ERS-Richtlinien für pulmonale Hypertonie von 2015, förderten die Standardisierung von Diagnose und Behandlung. In jüngerer Zeit deuteten zahlreiche Publikationen, darunter die aktualisierte IPF-Praxisrichtlinie und die Studie zu Nintedanib bei progressiver fibrosierender ILD an, einen Wandel von empirischer Behandlung hin zu gezielten Präzisionsinterventionen an.

Auf molekularer Mechanismusebene identifizierte bioinformatische Analyse 271 ILD-PH-komorbiditätsbezogene Gene, und die anschließende Netzwerkanalyse zeigte die potenzielle molekulare Grundlage dieser Komorbidität. Ein PPI-Netzwerk zeigte eine hohe Konnektivität zwischen 20 Kerngenen, darunter FN1, IL6, TNF, AKT1, EGFR und STAT1. Unter diesen ist FN1 ein Schlüsselbestandteil der extrazellulären Matrix (ECM) und beteiligt sich an der Montage und Umgestaltungder Matrix 35,36,37. Der fibrotische Prozess bei ILD kann zu einer übermäßigen ECM-Ablagerung führen, die vermutlich eine pulmonale Gefäßremodellierung durch Mechanotransduktion und Wachstumsfaktor-Bindung auslöst. Entzündungsfaktoren wie IL6, TNF und IL1B führen nicht nur zu entzündlichen Schäden bei ILD, sondern können auch an der Initiierung und Entwicklung des pH beitragen, indem sie Endothelzellen aktivieren und die Proliferation glatter Muskulatur fördern 38,39,40,41. Die KEGG-Signalweganreicherungsanalyse kartierte diese Kerngene weiter auf kritische Signalnetze, darunter die PI3K-Akt-, TGF-β-, MAPK-, HIF-1- und Integrin-Signalwege. Diese Signalwege wurden zuvor als beteiligt an der Pathogenese der Lungenfibrose und der pulmonalen Hypertonie nachgewiesen. Konkret ist der TGF-β-Signalweg sowohl an der Lungenfibrose als auch an der Gefäßremodellierung beteiligt und dient als wichtige molekulare Brücke, die ILD und PH 42,43,44 verbindet; der HIF-1-Signalweg reguliert Vasokonstriktion und vaskuläre Remodellierung45,46; und der PI3K-Akt-Weg ist weitgehend mit Zellüberleben, Proliferation und Entzündung in Verbindung gebracht 47,48,49. Basierend auf der oben genannten bioinformatischen Analyse legt diese Studie vorläufig nahe, dass ILD und PH die Aktivierung mehrerer Signalwege gemeinsam teilen könnten. Zukünftige Forschung sollte sich auf folgende Richtungen konzentrieren: Erstens die Untersuchung subtyp-stratifizierter Mechanismen der ILD-PH-Komorbidität, einschließlich molekularer Eigenschaften unterschiedlicher Untergruppen wie IPF-PH und CTD-ILD-PH; zweitens, gezielte Medikamente für Komorbidität zu entwickeln und die klinische Übersetzung zu fördern; Drittens: Stärkung des Aufbaus globaler Multicenter-Kollaborationsnetzwerke.

Um die praktische Reproduzierbarkeit dieses Protokolls zu verbessern, behandelt diese Studie die folgenden Schritte, die problemanfällig sind. Erstens kann Datenbankexportinkompatibilität auftreten, wenn verschiedene Datenbanken inkonsistente Feld-Tags oder Dateiformate verwenden. Wir empfehlen, Datensätze im Klartext mit einem standardisierten Tagset zu exportieren, wie zum Beispiel "Full Record and Cited References" für Web of Science und "CSV-Export mit allen verfügbaren Feldern" für Scopus. Zweitens entstehen doppelte Abstimmungskonflikte oft, wenn der DOI fehlt oder kleinere Variationen wie zusätzliche Leerzeichen oder Kleinbuchstaben enthält. Unser Protokoll verwendet DOI als primären Deduplizierungsschlüssel. Wenn ein Datensatz kein DOI enthält, verwenden Sie einen zusammengesetzten Schlüssel, der Titel, Autorennamen, Veröffentlichungsjahr und Zeitschrift kombiniert. Bei Fehlanpassungen aufgrund inkonsistenter Formatierung wenden Sie einen String-Normalisierungsschritt an, der Zeichensetzung entfernt, in Kleinbuchstaben umwandelt und den Weißraum kürzt. Drittens kann die Schwellenwertsensitivität in bioinformatischen Analysen, wie der kombinierte Score-Cutoff in STRING oder die p-Wert- und logFC-Cutoffs in der differentiellen Expression, einen starken Einfluss auf die resultierenden PPI-Netzwerk- und Hub-Genlisten haben. Wenn Instabilität festgestellt wird, wählen Sie eine konservativere Schwelle oder integrieren Sie Belege aus mehreren Datenbanken. Viertens können KEGG-Filter- und Ausgabefehler als fehlende Signalwegannotationen oder als Fehler, aktualisierte Pfadkarten abzurufen, erscheinen. Dies resultiert typischerweise aus einer veralteten KEGG-API-Version oder falschem Organismuscode. Stellen Sie sicher, dass die neueste Version des Anreicherungstools, wie clusterProfiler, installiert ist und dass der Organismus-Parameter korrekt gesetzt ist, zum Beispiel "has" für den Menschen. Wenn der Output Signalwege ohne abgebildete Gene enthält, überprüfen Sie, ob die Eingabegen-Identifizierer mit der Annotationsdatenbankversion übereinstimmen. Durch den Versuch dieser Anpassungen können Forscher die entsprechenden Probleme vorläufig identifizieren und beheben.

Insgesamt kombiniert dieses Protokoll makroebene Hotspot-Identifikation mittels Bibliometrie mit Komorbiditätsziel-Mining durch Bioinformatik als vorläufigen explorativen Ansatz, der nützliche Erkenntnisse für die Forschung im Bereich der Komorbiditäten liefern kann. Dennoch sollten mehrere Einschränkungen dieses Protokolls anerkannt werden. Bezüglich der Reproduzierbarkeit kann die Übertragbarkeit dieses Rahmens auf andere Krankheitskomorbiditäten von Faktoren wie Datenbankabdeckung, Suchstrategie, Krankheitsterminologie und der Verfügbarkeit relevanter molekularer Datensätze abhängen. Die bibliometrische Komponente schließt nicht-englische Artikel aus, was die Vollständigkeit der Wissenskarte einschränken kann. Die bioinformatische Komponente stützt sich auf öffentliche Datenbanken mit heterogenen Datenquellen und Probenzusammensetzungen, was die Reproduzierbarkeit und Datensatzkonsistenz der Ergebnisse beeinflussen kann. Darüber hinaus kann das Datum der Datenbankaktualisierungen auch die Ergebnisse beeinflussen. Schließlich sind alle bioinformatischen Ergebnisse assoziativ und hypothesenbildend und nicht kausal, und weitere Validierung durch Tiermodelle oder klinische Kohortenstudien ist weiterhin erforderlich, bevor sie auf neue Forschungsfragen angewendet werden können.

Offenlegungen

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

Die Autoren berichten von keinem Interessenkonflikt in dieser Arbeit.

Danksagungen

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

Die Autoren danken dankbar für die finanzielle Unterstützung des Hauptprojekts Noncommunicable Chronic Diseases – National Science and Technology (2024ZD0522300, 2024ZD0522301) und des gemeinnützigen Zentralen Forschungsinstituts der Chinesischen Akademie der Medizinischen Wissenschaften (01.ZHCH330. 2022).

Materialien

```html

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Bibliometric Online Analysis PlatformK-Synth Srl (Bibliometric)https://bibliometric.comOnline Analyseplattform; Modul: Länderbeziehungen; generiert Länder-Kooperations-Chord-Diagramm; abgerufen am 10. März 2026
CiteSpaceDrexel University6.4.R1Bibliometrische Analyse; Zeitscheiben: 2016–2025; Knotentypen: Schlüsselwörter, Referenzen; Beschneidung: Pathfinder + Beschneidung von geschnittenen Netzwerken
clusterProfiler (R-Paket)Guangchuang Yu et al.4.13.2KEGG-Anreicherungsanalyse; Schwellenwerte: p < 0,05, q < 0,2
CytoscapeCytoscape Consortium3.10.3Netzwerkvisualisierung und -analyse; Plugin: CytoHubba; Algorithmus: Gradzentralität; verwendet für die Hub-Gen-Identifizierung
GeneCardsWeizmann Institute of Sciencehttps://www.genecards.orgGen-Informationsdatenbank; Datenbankversion 5.22; abgerufen am 12. März 2026; Filterkriterium: Relevanzscore ≥ 1
Journal Citation Reports (JCR)Clarivate Analyticshttps://jcr.clarivate.comJournal Impact Factor und Quartil-Abfrage; abgerufen am 9. März 2026
KEGGKyoto Encyclopedia of Genes and Genomeshttps://www.kegg.jpPfaddatenbank; abgerufen über clusterProfiler API am 13. März 2026; Spezies: hsa
MeSH DatabaseNational Library of Medicine (NLM)https://meshb.nlm.nih.govMeSH-Begriffsabfrage-Datenbank; abgerufen am 9. März 2026; verwendet zur Konstruktion der Suchstrategie
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)Datenstatistik und Diagrammerstellung; verwendet für Publikationszählung, Deduplikation, Diagrammdarstellung
org.Hs.eg.db (R-Paket)Bioconductor Core Team3.20.0Datenbank für die menschliche Genomannotierung; verwendet für die Gen-ID-Umwandlung
RR Core Team4.4.2Statistisches Berechnungs- und Plotting-Umfeld; Ausführungsdatum: 13. März 2026
Scimago GraphicaScimago Lab2Visualisierungstool; Layout: Kartenprojektion; Kantenkrümung: 0,5; Farbzuordnung: nach Cluster
ScopusElsevierhttps://www.scopus.comLiteraturabfrage-Datenbank; Elsevier Scopus 2026 komplette Ausgabe; Abfragedatum: 9. März 2026
STRINGEMBL12.0 / https://cn.string-db.orgProtein-Protein-Interaktionsdatenbank; abgerufen am 12. März 2026; Interaktionsscore-Schwellenwert: 0,7 (hohe Zuverlässigkeit); Netzwerktyp: physikalisch + funktional
VOSviewerLeiden University1.6.20Bibliometrische Analyse; Koautorschaft als Analysetyp; Normalisierungsmethode: Assoziationsstärke
Web of Science Core CollectionClarivate Analyticshttps://www.webofscience.comLiteraturabfrage-Datenbank; deckt SCIE und SSCI Subdatenbanken ab; Abfragedatum: 9. März 2026
```

Nachdrucke und Genehmigungen

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

Genehmigung beantragen

Schlagwörter

BiologieAusgabe 234Ausgabe 234

Verwandte Artikel