Este análisis bibliométrico de la secuenciación de células individuales en la investigación del cáncer indica que China y los EE. UU. producen significativamente más artículos académicos que otras naciones. La detección de ráfagas identifica términos emergentes como "heterogeneidad intratumoral", "evolución clonal" y "sistemas de administración de fármacos", que se espera que influyan en futuras investigaciones.
Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de método
Tendencias globales y actuales de la investigación de la secuenciación de células individuales en cáncer: un estudio bibliométrico y de visualización
* These authors contributed equally
En este artículo
Resumen
Resumen
El cáncer plantea un desafío importante para la salud humana debido a sus complejos sistemas biológicos, lo que requiere un análisis en profundidad. La secuenciación unicelular se ha convertido en una herramienta esencial para la investigación de estos sistemas, permitiendo la detección de la expresión génica y las modificaciones epigenéticas a nivel de una sola célula. Para dilucidar las tendencias de investigación, las redes de colaboración y la difusión del conocimiento en este campo, se realizó un análisis bibliométrico utilizando la base de datos Web of Science Core Collection, que abarca las publicaciones desde el 1 de enero de 2010 hasta el 31 de diciembre de 2023. El paquete Bibliometrix en R se utilizó para extraer y analizar datos clave de publicación, incluidos tipos de documentos, países, instituciones, autores y palabras clave. Además, se emplearon CiteSpace, VOSviewer y la Plataforma de Análisis en Línea de Metrología Literaria para la compilación y visualización de datos. El análisis identificó a 34.074 autores de 3.129 instituciones de 75 países y regiones, contribuyendo a 5.680 publicaciones sobre secuenciación de células individuales en cáncer, publicadas en 788 revistas académicas. China y Estados Unidos emergieron como las naciones líderes en volumen de publicaciones. La Universidad de Harvard produjo el mayor número de publicaciones (320), con Aviv Regev, afiliado a Harvard, reconocido como un contribuyente clave. Las principales revistas, como Frontiers in Immunology y Nature Communications, destacan las áreas de investigación establecidas y emergentes, incluido el microambiente inmunológico y la inmunoterapia. Las tendencias clave y las áreas potenciales para futuras investigaciones incluyen la heterogeneidad intratumoral, la evolución clonal y los sistemas de administración de fármacos. Este estudio proporciona una visión completa de la investigación en oncología sobre la secuenciación de células individuales, haciendo hincapié en su rápido progreso, impulsado por los avances tecnológicos y las colaboraciones internacionales. El fortalecimiento de las asociaciones mundiales, el desarrollo de herramientas analíticas integradoras y el abordaje de las complejidades de los datos serán cruciales para avanzar en las terapias personalizadas contra el cáncer y profundizar en los conocimientos sobre la biología del cáncer.
Introducción
El cáncer representa una de las enfermedades más perjudiciales, ubicándose como la segunda causa de mortalidad en todo el mundo1. Se estima que para 2035, aproximadamente una cuarta parte de la población mundial se verá directamente afectada por el cáncer 2,3. La patogenia del cáncer está relacionada principalmente con la desregulación en el crecimiento celular, que está influenciada por una variedad de factores tumorigénicos 4,5. Las "Características del Cáncer" fueron conceptualizadas como un conjunto de capacidades funcionales que facilitan la transición de los estados celulares normales al crecimiento neoplásico, específicamente aquellas capacidades esenciales para la formación de tumores malignos6. La tecnología de secuenciación desempeña un papel fundamental en el avance de nuestra comprensión de la patogénesis de las enfermedades. Sin embargo, debido a la heterogeneidad inherente de los tumores, la identificación de las características genómicas de las células madre de baja abundancia a través del análisis de secuenciación de alto rendimiento de los tejidos tumorales presenta desafíos significativos 7,8.
La secuenciación de una sola célula, que incluye genómica, transcriptómica, epigenómica, proteómica y metabolómica, representa un poderoso enfoque metodológico para dilucidar paisajes celulares y moleculares a nivel de una sola célula 9,10. Su aplicación en la investigación del cáncer ha mejorado significativamente la comprensión de las características biológicas y la dinámica presente en las lesiones neoplásicas, lo que facilita una comprensión más completa del desarrollo y la metástasis del cáncer.
El análisis bibliométrico examina las características estructurales y los atributos de las publicaciones académicas y ha sido ampliamente empleado en evaluaciones cualitativas y cuantitativas de la literatura científica11,12. Al comparar las contribuciones de varios países, instituciones, investigadores y publicaciones, es posible dilucidar y anticipar posibles avances dentro de un dominio de investigación en particular. A pesar de que ha habido un aumento sustancial en las revisiones sistemáticas y narrativas centradas en la investigación de secuenciación de células individuales en el cáncer, sigue habiendo una deficiencia notable en los análisis exhaustivos dentro del ámbito de la evaluación cuantitativa 13,14,15. Este estudio tiene como objetivo realizar un análisis exhaustivo de las tendencias de desarrollo y los temas de investigación destacados en la secuenciación de células individuales dentro del dominio del cáncer, utilizando métodos bibliométricos. Los hallazgos ofrecerán a investigadores, médicos y responsables políticos una visión detallada del estado actual del conocimiento y la comprensión en esta área.
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Protocolo
Los datos utilizados en este estudio se obtuvieron de la Web of Science Core Collection (2010-2023).
1. Recopilación de datos
- Selección de la base de datos
- Acceda a la base de datos de la Web of Science Core Collection (WoSCC) a través de. https://webofscience. clarivate.cn/wos/author/author-search.
- Construya una estrategia de búsqueda utilizando palabras clave específicas, específicamente "secuenciación de una sola célula" y "cáncer", para identificar la literatura relevante. Haga clic en el botón de búsqueda para completar la búsqueda bibliográfica.
NOTA: Consulte la Tabla complementaria 1 para obtener una lista completa de las palabras clave empleadas en la estrategia de búsqueda para mejorar la precisión y la inclusión.
- Parámetros de búsqueda
- Elija el período de publicación del 1 de enero de 2010 al 31 de diciembre de 2023 para capturar las tendencias de investigación más recientes y completas.
- Seleccione el inglés como idioma para los resultados de la búsqueda y elija los tipos de artículo Artículo y Revisión para garantizar la coherencia de los datos y facilitar el análisis comparativo.
- Garantice la relevancia excluyendo las publicaciones fuera de los dominios de secuenciación de células individuales e investigación del cáncer.
- Recuperación y formato de datos
- Compile las publicaciones seleccionadas en formato de registro completo y referencias citadas para preservar los metadatos detallados.
- Guarde los datos recopilados como archivos de texto plano para su posterior análisis mediante herramientas bibliométricas.
- Verificar que cada registro contenga metadatos completos, incluyendo información de citas y coautoría, para permitir un análisis bibliométrico exhaustivo (Figura 1).
2. Preprocesamiento de datos
- Recopilación e importación de datos
- Inicie la interfaz biblioshiny del paquete bibliometrix en R.
NOTA: El código específico se proporciona de la siguiente manera:
Biblioteca(bibliometrix)
packageVersion("bibliometrix")
biblioshiny() - Acceda a la base de datos de WoSCC y seleccione un archivo de texto plano combinado que contenga datos bibliométricos.
- Importe los datos y expórtelos en formato de datos R para su posterior análisis.
- Inicie la interfaz biblioshiny del paquete bibliometrix en R.
- Tendencia de crecimiento anual de publicaciones y citas
- Convierta las columnas PY (año de publicación) y Z9 (recuento de citas) a formato numérico.
- Agrupe los datos por año de publicación y calcule el número anual de publicaciones y el total de citas.
- Cree un diagrama de barras para representar el número de publicaciones cada año y superponga un gráfico de líneas para ilustrar los recuentos de citas a lo largo del tiempo.
NOTA: El código específico se proporciona como Código 1 en el Archivo Complementario 1.
- Análisis de publicaciones y colaboraciones nacionales
- Publicación nacional y agregación de colaboración
- Resuma las publicaciones anuales y las citas de cada país utilizando los campos Año de publicación (PY) y Países autores(AU_CO1).
- Centrar el análisis en los 10 principales países por volumen de publicaciones.
- Cálculo métrico
- Calcule las métricas clave, incluido el número de publicaciones (NP), la frecuencia de citas (NC), las publicaciones de un solo país (SCP) y las publicaciones de varios países (MCP)16.
- Determinar la proporción de publicaciones en varios países (MCP_Ratio) como indicador de colaboración internacional.
- Utilice la función de índice H de R para calcular los índices de impacto (índice H, índice G e índice M) para cada país durante un período de 14 años17.
NOTA: El código específico se proporciona como Código 2 en el Archivo Complementario 1. Utilice la plataforma de análisis en línea de metrología de la literatura (https://bibliometric.com/) para examinar las relaciones de colaboración entre los países. Cargue datos en formato de texto sin formato desde el WoSCC. Emplee la función de "relaciones con los países" para evaluar las colaboraciones internacionales. Culminar con una visualización de la red de colaboración entre los principales países contribuyentes.
- Publicación nacional y agregación de colaboración
- Publicación institucional y análisis de colaboración
- Extracción de datos y clasificación
- Extraiga los datos institucionales de la sección Aficiones dentro de la función Analizar resultados de la base de datos de WoSCC.
- Clasifique las instituciones en orden descendente de acuerdo con su número total de artículos publicados.
- Visualización de datos
- Genere un gráfico de barras horizontales utilizando el paquete ggplot2 en R para ilustrar el volumen de publicaciones en las principales instituciones.
NOTA: El código específico se proporciona como Código 3 en el Archivo Complementario 1.
- Genere un gráfico de barras horizontales utilizando el paquete ggplot2 en R para ilustrar el volumen de publicaciones en las principales instituciones.
- Análisis de coautoría
- Configuración de análisis en VOSviewer: Inicie VOSviewer y, a continuación, seleccione Crear en el menú principal. Elija Crear un mapa basado en datos bibliográficos y elija Leer datos de archivos de bases de datos bibliográficas. Por último, importe los archivos de texto sin formato.
- Configuración y parámetros: Establezca el tipo de análisis en coautoría en VOSviewer. Elija el método de recuento completo y seleccione las organizaciones como unidad de análisis. Configure los parámetros para incluir un máximo de 1.200 organizaciones por documento y establezca el umbral mínimo en 30 documentos por organización para garantizar un análisis de red completo.
- Visualización e interpretación: Complete la configuración haciendo clic en Finalizar para generar un mapa de visualización que ilustre las redes de colaboración entre instituciones. Asegurarse de que el mapa destaque los niveles de conectividad y asociación, identificando los ejes centrales de la actividad de investigación y las áreas clave de cooperación entre las instituciones.
- Extracción de datos y clasificación
- Análisis de los autores y colaboración de los autores
- Identificación de autores prolíficos: Acceda a la sección Perfiles de Investigadores en la base de datos de WoSCC para clasificar a los autores en función del número total de artículos publicados.
- Visualización de datos: Utilice el paquete ggplot2 en R para crear un gráfico de barras horizontales, que represente visualmente el volumen de publicaciones de los autores principales.
- Evaluación de las contribuciones de los autores: Recupere métricas adicionales para los 10 autores principales por volumen de publicación, incluido el índice H, el país y la institución afiliada, utilizando datos de la base de datos de WoSCC.
NOTA: El código específico se proporciona como Código 4 en el Archivo Complementario 1. - Redes de colaboración de autores
- Configuración del análisis en VOSviewer: Inicie VOSviewer y seleccione el botón Crear , seguido de Crear un mapa basado en datos bibliográficos. Importe los archivos de texto sin formato relevantes que contengan datos bibliográficos seleccionando Leer datos de archivos de bases de datos bibliográficas.
- Configuración y parámetros: Establezca el tipo de análisis en coautoría y utilice el método de recuento completo . Seleccionar autores como unidad de análisis. Ajuste los parámetros para incluir un máximo de 33 organizaciones por documento y establezca un umbral mínimo de 15 documentos por autor para garantizar que se capturen datos de colaboración significativos.
- Visualización e información: haga clic en Finalizar para generar una visualización superpuesta, que ilustra la evolución temporal de las colaboraciones de autores, proporcionando información sobre la dinámica y el crecimiento de las redes de coautoría a lo largo del tiempo.
- Análisis de revistas y revistas co-citadas
- Cálculo de las métricas de las revistas: utilice la función del índice H en R para calcular las métricas clave de cada revista, incluido el número de publicaciones por fuente (NP), la frecuencia de citas (NC), el año de la primera publicación (PY_start) y los índices de impacto (índice H, índice G e índice M).
- Recuperación de factores de impacto y clasificaciones: Obtenga factores de impacto de revistas y clasificaciones de cuartiles de la base de datos de WoSCC para evaluar más a fondo la influencia y la posición de cada revista en el campo.
NOTA: El código específico se proporciona como Código 5 en el Archivo Complementario 1. - Análisis del flujo de conocimiento
- Importación y configuración de datos en CiteSpace: Abra CiteSpace y navegue hasta el menú Datos . Seleccione Importar/Exportar y elija WOS para importar datos. Configure las rutas de entrada y salida según sea necesario.
- Selección y configuración de mapas: Seleccione las opciones Mapas superpuestos y Mapas de revistas JCR dentro de CiteSpace, estableciendo la puntuación z en 0. Esta configuración permite la generación de un mapa dual para ilustrar el flujo de conocimiento entre revistas.
- Análisis de las referencias co-citadas y de la red de agrupamiento
- Importación y configuración de datos en CiteSpace
- Abra CiteSpace, navegue hasta el menú Datos y seleccione Importar/Exportar.
- Importe datos de la base de datos de WoSCC en texto sin formato, configurando el intervalo de tiempo de análisis de enero de 2010 a diciembre de 2023 con un intervalo de un año para el detalle temporal.
- Configuración y poda de la red
- Establezca el tipo de nodo en Referencia en CiteSpace. Utilice la opción Buscatrazos y la función Poda de redes divididas para aplicar la poda a la red.
- Ejecute el análisis haciendo clic en IR para generar un mapa de cocitación de referencia, ajustando la configuración de fuente y color para mejorar la legibilidad.
- Identificación de referencias de alto impacto
- Seleccione la opción Ráfaga y establezca el parámetro γ en [0, 1] en CiteSpace.
- Actualice los datos para generar una lista de las 20 referencias principales con las ráfagas de citas más sólidas.
- Importación y configuración de datos en CiteSpace
- Análisis de la co-ocurrencia de palabras clave
- Análisis de frecuencia de palabras clave en R
- Realice análisis de palabras clave utilizando el paquete bibliometrix en R, centrándose en las palabras clave más frecuentes en los documentos.
- Establezca el campo en Palabras clave del autor y limite el número a las 20 palabras clave principales, filtrando los sinónimos para garantizar la coherencia.
- Análisis de ráfagas de palabras clave en CiteSpace
- Utilice CiteSpace para realizar un análisis de ráfagas de palabras clave seleccionando la opción Ráfaga y estableciendo el parámetro γ en [0, 1].
- Actualice los datos para generar una lista de las 30 palabras clave principales con las ráfagas de citas más sólidas.
- Análisis de red de co-ocurrencia de palabras clave en VOSviewer
- Abra VOSviewer, seleccione Crear y, a continuación, Crear un mapa basado en datos bibliográficos.
- Importe los archivos de texto sin formato utilizando la opción Leer datos de archivos de bases de datos bibliográficas .
- Establezca el tipo de análisis en co-ocurrencia, utilizando el método de recuento completo , con las palabras clave del autor como unidad de análisis.
- Aplique un umbral mínimo de 40 ocurrencias de palabras clave y haga clic en Finalizar para completar el análisis, produciendo una red de co-ocurrencias que visualiza las relaciones de palabras clave dentro del campo.
- Análisis de frecuencia de palabras clave en R
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Resultados
Tendencia de crecimiento anual de publicaciones y citas
De 2010 a 2023, se identificaron en la base de datos WoSCC un total de 6.767 publicaciones relacionadas con la secuenciación unicelular en cáncer. Se excluyeron del análisis un total de 602 estudios publicados entre 2010 y 2023, seguidos de la exclusión de cinco estudios no publicados en inglés. Además, se excluyeron 480 artículos con base en criterios de exclusión predefinidos, que comprenden 361 resúmenes de reuniones, 83 materiales editoriales...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Discusión
El análisis bibliométrico sirve como un enfoque cuantitativo para evaluar las características y el impacto académico de las publicaciones significativas26. Este estudio realizó un extenso análisis bibliométrico de 5.680 artículos relacionados con la secuenciación unicelular en la investigación del cáncer, extraídos de la base de datos WoSCC y publicados entre 2010 y 2023. Este análisis tuvo como objetivo evaluar el estado actual de la investigación, identificar lo...
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Divulgaciones
Los autores no tienen nada que revelar.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Paquete bibliometrix | Comprehensive R Archive Network (CRAN) | bibliometrix 4.3.0 | Un diagrama de bosque que permite múltiples intervalos de confianza por fila, fuentes personalizadas para cada elemento de texto, intervalos de confianza personalizados, texto mezclado con expresiones y más. |
| CiteSpace | Chaomei Chen, Universidad de Drexel | CiteSpace 6.2.R4 (64 bits) beta Basic | CiteSpace es una herramienta de análisis de literatura científica. Su función principal es analizar el conocimiento subyacente en la literatura científica a través de medios visuales, mostrando la estructura, reglas y distribución del conocimiento científico. Las principales funciones de CiteSpace incluyen: análisis de colaboración en investigación, juicio importante de revistas, minería de temas centrales, etc. |
| dplyr | Red Integral de Archivos de R (CRAN) | dplyr 1.1.4 | dbplyr es el backend de la base de datos para dplyr. Le permite usar tablas de bases de datos remotas como si fueran marcos de datos en memoria al convertir automáticamente el código dplyr en SQL. |
| esquisse | Comprehensive R Archive Network (CRAN) | esquisse 2.0.1 | Este complemento le permite explorar interactivamente sus datos visualizándolos con el paquete ggplot2. Le permite dibujar gráficos de barras, curvas, diagramas de dispersión, histogramas, diagramas de caja y objetos sf, luego exportar el gráfico o recuperar el código para reproducir el gráfico. |
| forcats | Comprehensive R Archive Network (CRAN) | forcats 1.0.0 | R utiliza factores para manejar variables categóricas, variables que tienen un conjunto fijo y conocido de valores posibles. Los factores también son útiles para reordenar los vectores de caracteres para mejorar la visualización. El objetivo del paquete forcats es proporcionar un conjunto de herramientas que resuelvan problemas comunes con factores, incluido el cambio del orden de los niveles o los valores. |
| ggplot2 | Red Integral de Archivos de R (CRAN) | ggplot2 3.5.1 | ggplot2 es un sistema para crear gráficos de forma declarativa, basado en The Grammar of Graphics. Proporciona los datos, le dice a ggplot2 cómo asignar variables a la estética, qué primitivas gráficas usar y se encarga de los detalles. |
| ggpmisc | Red Integral de Archivos R (CRAN) | ggpmisc 0.6.1 | Paquete ' ggpmisc' (Extensiones varias a ' ggplot2') es un conjunto de extensiones del paquete R ' ggplot2' (>= 3.0.0) con énfasis en las anotaciones y el trazado relacionados con los modelos ajustados. Las estimaciones de los objetos de ajuste del modelo se pueden mostrar en ggplots como texto, tablas o ecuaciones. Los valores predichos, los residuos, las desviaciones y los pesos se pueden representar para varias funciones de ajuste del modelo. |
| ggsci | Comprehensive R Archive Network (CRAN) | ggsci 3.2.0 | ggsci ofrece una colección de paletas de colores ggplot2 inspiradas en revistas científicas, bibliotecas de visualización de datos, películas de ciencia ficción y programas de televisión. |
| openxlsx | Comprehensive R Archive Network (CRAN) | openxlsx 4.2.7.1 | Este paquete de R simplifica la creación de archivos .xlsx al proporcionar una interfaz de alto nivel para escribir, diseñar y editar hojas de trabajo. Mediante el uso de Rcpp, los tiempos de lectura/escritura son comparables a los paquetes xlsx y XLConnect con el beneficio adicional de eliminar la dependencia de Java. |
| readxl | Red Integral de Archivos de R (CRAN) | readxl 1.4.3 | El paquete readxl facilita la obtención de datos de Excel y en R. En comparación con muchos de los paquetes existentes (por ejemplo, gdata, xlsx, xlsReadWrite) readxl no tiene dependencias externas, por lo que Es fácil de instalar y usar en todos los sistemas operativos. Está diseñado para trabajar con datos tabulares. |
| reshape2 | Red completa de archivos de R (CRAN) | reshape2 1.4.4 | Reshape2 es un reinicio del paquete reshape. Han pasado más de cinco años desde la primera versión de reshape, y en ese tiempo he aprendido mucho sobre la programación de R y cómo trabajar con datos en R. Reshape2 usa ese conocimiento para crear un nuevo paquete para remodelar datos que está mucho más enfocado y es mucho más rápido. |
| stringr | Red integral de archivos de R (CRAN) | stringr 1.5.1 | Las cadenas no son componentes glamorosos y de alto perfil de R, pero desempeñan un papel importante en muchas tareas de limpieza y preparación de datos. El paquete stringr proporciona un conjunto cohesivo de funciones diseñadas para facilitar al máximo el trabajo con cadenas. |
| tidytext | Red Integral de Archivos R (CRAN) | tidytext 0.4.2 | El uso de principios de datos ordenados puede hacer que muchas tareas de minería de texto sean más fáciles, efectivas y consistentes con las herramientas que ya se usan ampliamente. Gran parte de la infraestructura necesaria para la minería de texto con marcos de datos ordenados ya existe en paquetes como dplyr, broom, tidyr y ggplot2. En este paquete, proporcionamos funciones y conjuntos de datos de soporte para permitir la conversión de texto hacia y desde formatos ordenados, y para cambiar sin problemas entre las herramientas ordenadas y los paquetes de minería de texto existentes. Consulte nuestro libro para obtener más información sobre la minería de textos utilizando los principios de datos ordenados |
| tidyverse | Red integral de archivos de R (CRAN) | tidyverse 2.0.0 | El tidyverse es una colección obstinada de paquetes de R diseñados para la ciencia de datos. Todos los paquetes comparten una filosofía de diseño, gramática y estructuras de datos subyacentes. |
| VennDiagram | Red de Archivo R Integral (CRAN) | VennDiagram 1.7.3 | VennDiagram es un paquete de R para generar diagramas de Venn personalizables de alta resolución con hasta cuatro conjuntos y diagramas de Euler con hasta tres conjuntos. Incluye manejo para varios casos especiales, incluido el escalado de dos casos y una amplia personalización de la forma y estructura de la parcela. |
| VOSviewer | Centro de Estudios de Ciencia y Tecnología, Universidad de Leiden, Países Bajos | VOSviewer versión 1.6.19 | VOSviewer es una herramienta de software para construir y visualizar redes bibliométricas. Estas redes pueden, por ejemplo, incluir revistas, investigadores o publicaciones individuales, y pueden construirse sobre la base de citas, acoplamiento bibliográfico, co-citación o relaciones de coautoría. VOSviewer también ofrece una funcionalidad de minería de texto que se puede utilizar para construir y visualizar redes de co-ocurrencia de términos importantes extraídos de un cuerpo de literatura científica. |
Referencias
- 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).
- 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).
- 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).
- 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).
- 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).
- Hanahan, D. Hallmarks of cancer: New dimensions. Cancer Discov. 12 (1), 31-46 (2022).
- Kashyap, A., et al. Quantification of tumor heterogeneity: From data acquisition to metric generation. Trends Biotechnol. 40 (6), 647-676 (2022).
- Vredevoogd, D. W., Peeper, D. S. Heterogeneity in functional genetic screens: Friend or foe. Front Immunol. 14, 1162706(2023).
- Jovic, D., et al. Single-cell RNA sequencing technologies and applications: A brief overview. Clin Transl Med. 12 (3), e694(2022).
- Hong, M., et al. RNA sequencing: New technologies and applications in cancer research. J Hematol Oncol. 13 (1), 166(2020).
- Moed, H. F. New developments in the use of citation analysis in research evaluation. Arch Immunol Ther Exp (Warsz). 57 (1), 13-18 (2009).
- Ninkov, A., Frank, J. R., Maggio, L. A. Bibliometrics: Methods for studying academic publishing. Perspect Med Educ. 11 (3), 173-176 (2022).
- 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).
- Li, Y., Jin, J., Bai, F. Cancer biology deciphered by single-cell transcriptomic sequencing. Protein Cell. 13 (3), 167-179 (2022).
- Bai, X., Li, Y., Zeng, X., Zhao, Q., Zhang, Z. Single-cell sequencing technology in tumor research. Clin Chim Acta. 518, 101-109 (2021).
- Zhang, L., et al. Worldwide research trends on tumor burden and immunotherapy: A bibliometric analysis. Int J Surg. 110 (3), 1699-1710 (2024).
- Ghorbani, B. D. A scientometrics research perspective in applied linguistics. Meihami, H., Esfandiari, R. , Springer Nature. Switzerland, Cham. 197-234 (2024).
- 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).
- 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).
- Small, H., Sweeney, E., Greenlee, E. Clustering the science citation index using co-citations .2. Mapping science. Scientometrics. 8 (5-6), 321-340 (1985).
- 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).
- Stuart, T., et al. Comprehensive integration of single-cell data. Cell. 177 (7), 1888-1902.e21 (2019).
- 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).
- Macosko, E. Z., et al. Highly parallel genome-wide expression profiling of individual cells using nanoliter droplets. Cell. 161 (5), 1202-1214 (2015).
- 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).
- Martinez-Simon, A., et al. Covid-19 publications in anaesthesiology journals: A bibliometric analysis. Br J Anaesth. 128 (3), e239-e241 (2022).
- Wen, L., Tang, F. Single-cell sequencing in stem cell biology. Genome Biol. 17, 71(2016).
- Zhang, Y., et al. Single-cell RNA sequencing in cancer research. J Exp Clin Cancer Res. 40 (1), 81(2021).
- Tang, F., et al. MRNA-seq whole-transcriptome analysis of a single-cell. Nat Methods. 6 (5), 377-382 (2009).
- Navin, N., et al. Tumour evolution inferred by single-cell sequencing. Nature. 472 (7341), 90-94 (2011).
- Tang, J., et al. Single-cell exome sequencing reveals multiple subclones in metastatic colorectal carcinoma. Genome Med. 13 (1), 148(2021).
- 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).
- 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).
- 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).
- 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).
- Small, H. Co-citation in scientific literature - new measure of relationship between 2 documents. J Am Soc Inf Sci. 24 (4), 265-269 (1973).
- 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).
- Sun, D., et al. Identifying phenotype-associated subpopulations by integrating bulk and single-cell sequencing data. Nat Biotechnol. 40 (4), 527-538 (2022).
- Pe'er, D., et al. Tumor heterogeneity. Cancer Cell. 39 (8), 1015-1017 (2021).
- 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).
- 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).
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Reimpresiones y permisos
