Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Exploración bibliométrica y bioinformática de los puntos críticos de investigación y objetivos clave en la comorbilidad: enfermedad pulmonar intersticial e hipertensión pulmonar

130 visualizaciones

⸱

DOI:

10.3791/71631

⸱

7 de agosto de 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

En este artículo

Resumen

Este protocolo utiliza la enfermedad pulmonar intersticial y la hipertensión pulmonar como ejemplos e integra la bibliometría con la bioinformática para explorar sistemática y preliminarmente sus tendencias de investigación, puntos críticos, objetivos clave y vías relacionadas. Este protocolo podía replicarse para analizar cualquier par de enfermedades modificando los indicadores.

Resumen

La enfermedad pulmonar intersticial (ILD) y la hipertensión pulmonar (HP) coexisten frecuentemente como comorbilidades, lo que conduce a malos resultados clínicos y a opciones terapéuticas limitadas. Identificar importantes puntos críticos de investigación y descubrir objetivos clave de comorbilidad es esencial para mejorar el manejo de la enfermedad y desarrollar nuevas estrategias terapéuticas. Este protocolo recupera publicaciones relevantes de las bases de datos Web of Science Core Collection y Scopus, y utiliza CiteSpace y VOSviewer para mapear puntos críticos de investigación y tendencias en evolución. Posteriormente, se identifican objetivos genéticos superpuestos asociados a ambas enfermedades a partir de la base de datos GeneCards. Se construyen redes de interacción proteína-proteína usando STRING para identificar genes centrales, y el análisis de enriquecimiento de vías KEGG se realiza utilizando el lenguaje R para dilucidar las principales vías de señalización. Los resultados muestran que la bibliometría identifica la trayectoria de desarrollo de este campo interdisciplinar desde una perspectiva macro; el análisis bioinformático revela FN1, IL6 y TNF como posibles objetivos principales de comorbilidad; y el análisis de enriquecimiento KEGG indica que las vías inmunológicas centradas en PI3K-Akt y MAPK están profundamente implicadas en la patogénesis de la comorbilidad. Al integrar ambos enfoques, este protocolo delimita sistemáticamente la trayectoria de desarrollo y los puntos críticos de investigación en la investigación de comorbilidades ILD-PH, mientras selecciona preliminarmente posibles objetivos y vías de comorbilidad. Proporciona dirección y base computacional para futuras investigaciones experimentales y validación clínica. Este marco integrado ofrece una metodología reproducible aplicable al estudio de otras comorbilidades complejas de enfermedades.

Introducción

La enfermedad pulmonar intersticial (ILD) se refiere a un grupo de enfermedades pulmonares difusas caracterizadas patológicamente por la inflamación y fibrosis del intersticio pulmonar. Durante la progresión de la enfermedad, a menudo se complica por múltiples comorbilidades, entre las que la hipertensión pulmonar (HP) es una de las comorbilidades más comunes que afectan significativamente alpronóstico 1,2. Los datos epidemiológicos indican que la incidencia de HP en pacientes con ILD varía según el subtipo y la etapa de la enfermedad, oscilando entre el 13% y el 86%3,4,5. Esta condición comórbida no solo reduce significativamente la calidad de vida de los pacientes y aumenta su riesgo de mortalidad, sino que también agrava la carga socioeconómica y sanitaria 6,7. En contraste con la hipertensión arterial pulmonar, la patogénesis de la hipertensión pulmonar asociada a la enfermedad pulmonar intersticial es más compleja, implicando múltiples procesos patológicos como la vasoconstricción pulmonar hipóxica, la remodelación vascular mediada por factores pro-fibróticos e inflamatorios, y la deposición de matrizextracelular 8,9,10. Actualmente, el diagnóstico clínico y las estrategias de tratamiento para esta condición comórbida siguen siendo relativamente limitadas, y faltan fármacos específicos dirigidos. Sus mecanismos moleculares subyacentes, las vías clave de señalización y los primeros biomarcadores aún necesitan ser esclarecidossistemáticamente 11,12.

Como herramienta objetiva para detectar puntos focales de investigación y trayectorias evolutivas, la bibliometría ha adquirido una amplia aplicación en los últimosaños 13,14. El análisis bioinformático identifica objetivos clave y vías centrales integrando objetivos asociados a enfermedades previamentedescubiertos 15. Para la investigación sobre comorbilidades, integrar puntos críticos de investigación macroscópica con información de vías y objetivos a nivel molecular profundiza la comprensión de los mecanismos de comorbilidad y proporciona predicciones computacionales y orientación direccional para estudios experimentales posteriores. Sin embargo, la investigación sobre la comorbilidad de la enfermedad pulmonar intersticial y la hipertensión pulmonar aún carece de un análisis integrado sistemático que combine el mapeo macroscópico del conocimiento con redes moleculares microscópicas. En consecuencia, este estudio utilizó las bases de datos Web of Science Core Collection (WoSCC) y Scopus para describir de forma exhaustiva la trayectoria de desarrollo y los puntos calientes de investigación en la comorbilidad ILD-PH mediante métodos bibliométricos. Al mismo tiempo, se emplearon herramientas de bioinformática para identificar genes centrales y posibles vías moleculares asociadas a la comorbilidad, proporcionando una base molecular candidata y una dirección de diseño experimental para investigaciones experimentales posteriores y exploraciones dirigidas.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

El estudio utilizó bases de datos secundarias públicas disponibles, incluyendo GeneCards, STRING y KEGG. Según el artículo 32 del Reglamento sobre Recursos Genéticos Humanos de China, estas bases de datos no implican la recogida directa de recursos genéticos humanos dentro de China; por lo tanto, no se requirió aprobación ética ni consentimiento informado para este estudio. La información detallada sobre las versiones del software y las plataformas utilizadas en esta sección se proporciona en la Tabla de Materiales.

1. Colección y organización de literatura

  1. Accede a la base de datos MeSH (Tabla de Materiales).
  2. Busca los términos de la enfermedad "Enfermedad pulmonar intersticial" y "Hipertensión pulmonar" por separado para obtener sus subtítulos asociados.
  3. Desarrollar una estrategia de búsqueda integral basada en los términos y subtítulos identificados de MeSH.
  4. El 9 de marzo de 2026, abre la base de datos WoSCC (Tabla de Materiales).
  5. Selecciona Búsqueda Avanzada. Introduce la estrategia de búsqueda: TS=("Enfermedad pulmonar parénquimata difusa" O "Enfermedades pulmonares parénquimatas difusas" O "Enfermedad pulmonar intersticial" O "Enfermedades pulmonares intersticiales") Y TS=("Hipertensión pulmonar"). Establezca el rango de fecha de publicación del 1 de enero de 2016 al 31 de diciembre de 2025 y haga clic en Buscar.
  6. Selecciona Artículos y Artículos de Revisión como tipos de documento, y elige inglés como idioma. Selecciona Registro completo y Referencias Citadas como contenido del registro. Exporta los registros en formato txt y guarda como wos.txt, luego convierte a formato csv y guarda como wos.csv.
  7. El 9 de marzo de 2026, abre la base de datos Scopus (Tabla de Materiales).
  8. Configura el campo de búsqueda en "Título"/ "Abstracto" / "Palabras clave". Introduce la estrategia de búsqueda: TÍTULO-ABS-CLAVE ("Enfermedad pulmonar parénquimata difusa" O "Enfermedades pulmonares parénquimatas difusas" O "Enfermedad pulmonar intersticial" O "Enfermedades pulmonares intersticiales")) Y CLAVE-TÍTULO-ABS("Hipertensión pulmonar"). Seleccione el rango de años desde el 1 de enero de 2016 hasta el 31 de diciembre de 2025, seleccione Medicina como área temática y haga clic en Buscar (Tabla Suplementaria 1).
  9. Haz clic en Exportar, selecciona formato CSV, exporta todos los registros recuperados y guarda como scopus.csv.
  10. Abre wos.csv, copia la columna DOI y pégala en scopus.csv. Realiza la comparación de datos, utiliza la función Eliminar duplicados en Excel para marcar registros duplicados, elimina los duplicados y obtén scopus1.csv. Para los pocos registros que carecían de un DOI, comprobamos manualmente usando una combinación de "título + autor + año" para asegurar la inclusión completa de la literatura requerida para este estudio.
  11. Crea nuevas carpetas llamadas directorio de entrada y directorio de salida. Coloca scopus1.csv obtenida tras la deduplicación en el directorio de entrada. Abre CiteSpace, haz clic en Datos, selecciona Scopus, especifica las carpetas correspondientes y haz clic en el botón Scopus (csv) > WoS para convertir el formato de datos de Scopus, unificando el formato de las dos bases de datos en formato txt. Nombra el archivo resultante scopus1.txt.
  12. Fusiona los datos de las dos bases de datos. Coloque scopus1.txt y wos.txt en CiteSpace para la deduplicación y fusión y obtener datos literarios uniformemente formateados y deduplicados: dataset.txt, para análisis posteriores (Tabla Suplementaria 2).
  13. Revisa los archivos de wos.txt y scopus.csv obtenidos para asegurarte de que el proceso de deduplicación utiliza DOI como criterio de coincidencia y que el archivo dataset.txt se ha generado con éxito.

2. Análisis de tendencias de producción de publicaciones anuales

  1. En Microsoft Excel, cuenta el número de publicaciones por año para generar dos columnas de datos (Año, Publicaciones).
  2. Selecciona el conjunto de datos, accede a Insertar > Gráfico > Cuadro de columnas para generar un gráfico de columnas con la producción anual de publicaciones.
  3. Designa el eje horizontal como Año y el eje vertical como Publicaciones.
  4. Habilitar etiquetas de datos para mostrar el número específico de publicaciones de cada año.
  5. Exporta todas las figuras en formato de archivo de imagen etiquetado (TIFF), asegurando una resolución de al menos 300 dpi.

3. Producción de publicaciones nacionales/regionales y análisis de colaboración internacional

  1. Inicia VOSviewer, selecciona Crear > Crear un mapa basado en datos bibliográficos > Lee datos de archivos de bases de datos bibliográficas16.
  2. Importa el conjunto de datos de texto plano generado en el paso 1.12.
  3. Selecciona Coautoría como tipo de análisis y Países como unidad de análisis.
  4. Fijar el número mínimo de documentos para un país en 40, manteniendo los 20 países principales por producción de publicaciones. Garantizar que la red de colaboración se centre en países de alta producción, manteniendo la claridad y legibilidad del mapa, facilitando a los lectores una comprensión intuitiva de las fuerzas internacionales centrales de investigación y los patrones de colaboración.
  5. En la interfaz Verificar elementos seleccionados , selecciona todos los países, copia la lista a Excel y exporta el número de publicaciones y el número de citas para cada país.
  6. En la tabla Excel resultante, selecciona los 10 países principales por producción de publicaciones y genera un gráfico mostrando sus cifras de publicaciones y citas.
  7. Seleccione el botón "Terminar" para construir la red nacional de colaboración y guarde la red en formato GML.
  8. Lanza Scimago Graphica e importa el archivo GML.
  9. Mapea el campo de etiquetas a País y configura el tipo de campo del clúster en Cadena.
  10. En la configuración de visualización, coloca el campo de salida de publicación (normalmente peso o un nombre similar) en el cuadro Tamaño, configura el campo del grupo como el cuadro de Color y asigna el campo de etiqueta a los cuadros Etiqueta, Descripción Emergente y Unidad.
  11. Ve a Marcos > Mapa. Usa Edge para ajustar la curvatura de líneas y Edge Color para la configuración de color de nodos.
  12. Exporta el mapa final en formato PNG.
  13. Importa el conjunto de datos de texto plano generado en el paso 1.12 a la Plataforma de Análisis Bibliométrico en Línea (https://bibliometric.com), haz clic en Subir datos de cita y selecciona Relaciones de país para generar un diagrama de acordes de colaboración nacional para visualizarlo.
  14. Un punto clave de control es ajustar adecuadamente el número mínimo de documentos para que la red resultante esté bien equilibrada y visualmente nítida, reflejando al mismo tiempo los objetivos de la investigación.

4. Análisis de la producción de publicaciones de revistas y citas

  1. Importa el mismo conjunto de datos en VOSviewer, selecciona Citación como tipo de análisis y selecciona Fuentes como unidad de análisis.
  2. Establece el número mínimo de documentos para una fuente en 5 y el número mínimo de citas en 20.
  3. En la interfaz Verificar elementos seleccionados , copia la lista de revistas a Excel para obtener el número de publicaciones y el total de citas de cada revista.
  4. Elige Terminar y se generará el mapa de la red de co-citación de revistas. Ajusta los parámetros de Atracción y Repulsión para mejorar el diseño, refina la apariencia usando el panel de Visualización y guarda el mapa como un TIFF con una resolución de al menos 300 dpi.
  5. En Excel, ordena las revistas por número de publicaciones y selecciona las 10 revistas principales por producción de publicaciones. El 9 de marzo de 2026, accede a la plataforma oficial del JCR (Table of Materials), busca cada revista respectivamente y registra su último Factor de Impacto y cuartil del JCR. Genera un gráfico mostrando las 10 mejores revistas por producción de publicaciones.
  6. En Excel, ordena las revistas por el número total de citas, selecciona las 10 principales revistas por frecuencia de citas. El 9 de marzo de 2026, recupera y registra su último Factor de Impacto y cuartil JCR desde la plataforma oficial del JCR. Genera un gráfico mostrando las 10 principales revistas por frecuencia de citas.

5. Análisis de redes de colaboración de autores de alta productividad

  1. Importa el conjunto de datos en VOSviewer, selecciona Coautoría como tipo de análisis y selecciona Autores como unidad de análisis.
  2. Establece el número mínimo de documentos para un autor en 3 para filtrar autores con cierto nivel de actividad.
  3. En la interfaz Verificar elementos seleccionados , copia la lista de autores y guarda los conteos de publicaciones y citas de los autores en un archivo Excel.
  4. Elige Terminar para producir la red de colaboración con autores, ajusta el diseño y la apariencia de la red, y guarda como formato TIFF.
  5. En Excel, ordena a los autores según su número de publicaciones, elige a los 10 investigadores más productivos y genera un gráfico de donuts para mostrar sus cifras de publicaciones.
  6. A partir del conjunto de datos original, recupera a los 10 autores principales por número de citas, identifica sus respectivos países, asigna colores distintos según el país y genera un gráfico mostrando a los 10 autores principales por frecuencia de citas.

6. Análisis de coocurrencia por palabras clave y evolución temática

  1. Inicia CiteSpace y navega a Datos > Importación/Exportación.
  2. Coloca el archivo txt exportado en el paso 1.12 en la carpeta de entrada. En la interfaz de Importación/Exportación , establece las rutas de entrada y salida, selecciona Artículo y Revisión como tipos de documento, y haz clic en Iniciar para realizar la conversión de formato de datos.
  3. Después de la conversión, copia los archivos de la carpeta de salida a la carpeta de datos. En la interfaz principal de CiteSpace, haz clic en Nuevo, configura el directorio del proyecto y el directorio de datos, selecciona WoS como fuente de datos y elige inglés como idioma.
  4. Ve al panel de segmentación temporal a la derecha, establece el span en 2016–2025, adopta una ventana de 1 año y elige Palabra clave como tipo de nodo.
  5. Aplica el índice g (k=10) para el escalado de red y selecciona las tres estrategias de poda: Pathfinder, Podar redes segmentadas y Poda de la red fusionada.
  6. Haz clic en Inicio para ejecutar el análisis. Al completarlo, utiliza la función de Optimización de Etiquetas de Agrupamiento One-Click para crear el mapa de co-ocurrencia de palabras clave.
  7. Configura la visualización de etiquetas de nodos y clústeres desde el panel de control y optimiza elementos visuales como el tamaño del nodo.
  8. Selecciona Diseño > Línea de tiempo para generar la vista de la línea de tiempo por palabra clave.
  9. En el panel de control, selecciona Burstness, haz clic en Actualizar y Ver secuencialmente, configura el número de las 25 principales palabras clave que se muestran y genera el gráfico de las 25 principales palabras clave por fuerza de ráfaga. Exporta las imágenes generadas en formato TIFF para su almacenamiento.

7. Análisis de co-citación de referencias

  1. Carga el mismo conjunto de datos en CiteSpace. Establezca el rango de tiempo y las estrategias de poda descritos en los pasos 6.4–6.5, y selecciona Cited Reference como tipo de nodo.
  2. Tras ejecutar el análisis, utiliza la función de Optimización de Etiquetas de Agrupamiento One-Click para generar el mapa de co-ocurrencia de referencia.
  3. Ajusta las etiquetas de nodos y clústeres, y selecciona Clústeres para generar el mapa de agrupación de referencia.
  4. En el panel de Burstness , configura la pantalla para mostrar las 20 referencias más citadas por frecuencia de citas y genera el gráfico de las 20 referencias co-citadas por fuerza de ráfaga.
  5. Exporta todas las imágenes en formato TIFF para su almacenamiento.

8. Análisis de redes PPI

  1. Accede a la base de datos GeneCards (https://www.genecards.org)17el 12 de marzo de 2026 y busca usando "Enfermedad pulmonar intersticial" y "Hipertensión pulmonar" como palabras clave, respectivamente. Los términos de enfermedad utilizados para la búsqueda son consistentes con los de la consulta de la literatura, y no se ampliaron variantes adicionales de términos.
  2. Exporta la lista de objetivos con una puntuación de relevancia ≥ 1 para cada búsqueda. El método de extracción consistía en ordenar por Puntuación de Relevancia y exportar todos los objetivos con una puntuación ≥ 1. El umbral de ≥ 1 se eligió porque captura la gran mayoría de los genes asociados respaldados por la literatura, minimizando los falsos positivos.
  3. Utiliza R para obtener la intersección de los dos conjuntos de objetivos, dando lugar a los objetivos relacionados con la comorbilidad ILD-PH.
  4. Accede al módulo de Múltiples Proteínas de la base de datos STRING (https://cn.string-db.org/)18, introduce la lista de objetivos de comorbilidad en el cuadro de búsqueda y selecciona Homo sapiens como especie.
  5. Haz clic en Continuar, luego en el panel de Configuración , establece la puntuación mínima de interacción requerida en Alta confianza (0,700) y activa ocultar nodos desconectados en la red19.
  6. Tras actualizar la red, descarga los datos de interacción como un archivo TSV desde el menú Exportar .
  7. Inicia Cytoscape y carga el archivo TSV a través de File > Import > Network desde el sistema de archivos.
  8. En Herramientas > NetworkAnalyzer > Análisis de Redes > Interpretación de Red, selecciona Tratar la red como no dirigida y calcula parámetros topológicos, incluido el grado del nodo.
  9. Configura la forma, color, tamaño y otros ajustes de apariencia de los nodos en el panel de Estilo , y ajusta manualmente las posiciones de los nodos para lograr un diseño claro.
  10. Guarda la imagen de red PPI a través de Archivo > exportar > imagen de red a archivo, y exporta los resultados del análisis de red a través de Archivo > Exportar > Tabla a Archivo.
  11. Abre la tabla exportada en Excel, ordena por la columna de grados descendente, elige los 20 principales objetivos clave junto con sus valores de grado, crea un gráfico de barras con etiquetas de datos y exporta en formato TIFF.

9. Análisis de enriquecimiento de vías KEGG

  1. Ejecuta R e introduce los comandos para instalar y cargar los paquetes requeridos (Tabla Suplementaria 3):
    install.packages ("BiocManager")
    BiocManager::install(c("clusterProfiler", "org. Hs.eg.db"))
    library(clusterProfiler)
    library(org. Hs.eg.db)
  2. Convierte los símbolos génicos de los objetivos de comorbilidad ILD-PH en identificadores Entrez usando la función bitr(). En R, introduce:
    coma_entrez <- bitr(coma_genes, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org. Hs.eg.db)
  3. Realizar análisis de enriquecimiento usando la función enrichKEGG() con los siguientes parámetros: organismo = "tiene", pvalueCutoff = 0,05, qvalueCutoff = 0,05. Se utilizó el método Benjamini-Hochberg (BH) para la corrección de pruebas múltiples. Introduce el siguiente código:
    kegg_result <- enrichKEGG(gene = coma_entrez$ENTREZID,
    organismo = "tiene",
    pvalueCutoff = 0,05,
    qvalueCutoff = 0,05,
    use_internal_data = FALSO)
    NOTA: valor p: el valor p original, que representa la probabilidad de observar el nivel dado de enriquecimiento; valor q: la FDR (Tasa de Descubrimiento de Falsos) tras la corrección de Benjamini-Hochberg, controlando la tasa de falsos positivos. En este estudio, se utilizó q < 0,05 como criterio para un enriquecimiento significativo.
  4. Filtra los resultados usando las palabras clave "Enfermedades humanas" y "Metabolismo" para eliminar las vías asociadas a enfermedades y metabolismo humanos, manteniendo las vías asociadas a procesos biológicos. Las vías de enfermedades humanas y metabolismo describen principalmente los mecanismos generales de las enfermedades y redes metabólicas, que están débilmente asociadas con la fibrosis, la inflamación y los mecanismos de remodelación vascular de la comorbilidad ILD-PH. Por ello, se excluyeron para centrar los resultados en las vías clave de señalización. Aquí entra:
    kegg_result_df <- as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[!grepl("Enfermedades humanas|Metabolismo", kegg_result_df$Descripción), ]
  5. Ordena las rutas en orden descendente por recuento de genes, selecciona las 10 mejores vías, genera un gráfico de puntos usando la función dotplot() y exporta el gráfico en formato PNG. Aquí entra:
    top10_pathways <- cabeza(kegg_filtered[orden(kegg_filtered$Conteo, decreciente = VERDADERO), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave("KEGG_dotplot.png", dotplot_result, ancho = 8, altura = 6, dpi = 300)
  6. Extrae las 10 vías principales y sus genes objetivo asociados, construye una tabla de dos columnas (nombre de la vía, gen objetivo) y guarda la tabla como un archivo TXT delimitado por tabulación.
  7. Importa el archivo en Cytoscape, configura las diferencias de forma y color entre los nodos de la ruta y los nodos destino a través del panel de Estilo , refina manualmente la disposición y exporta la imagen de red20 de la vía-destino.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Recuperación de datos y cribado

En total, se recopilaron 2.400 registros de la base de datos Scopus, mientras que se identificaron 696 en la base de datos WoSCC. Tras fusionar ambos conjuntos de datos y eliminar 533 registros duplicados, finalmente se incluyeron un total de 2.563 publicaciones únicas para un análisis bibliométrico posterior (Figura 1).

Tendencias anuales de prod...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Este estudio representa la primera aplicación integrada de la bibliometría y la bioinformática para explorar la comorbilidad de la ILD y la HP. Revisa sistemáticamente la trayectoria del desarrollo, la estructura del conocimiento y las tendencias punteras en este campo durante la última década, e identifica los genes centrales y las principales vías de señalización subyacentes a este estado comórbido a nivel molecular. Desde una perspectiva de tendencia macroeconómica, el número anual de...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no reportan conflictos de interés en esta obra.

Agradecimientos

Los autores agradecen con gratitud el apoyo financiero del Proyecto Principal de Ciencias y Tecnologías No Transmisibles sobre Enfermedades Crónicas No Transmisibles - Ciencia y Tecnología Nacional (2024ZD0522300, 2024ZD0522301) y del Fondo del Instituto Central de Investigación sin ánimo de lucro de la Academia China de Ciencias Médicas (01-ZHCH330-2022).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
Bibliometric Online Analysis PlatformK-Synth Srl (Bibliometric)https://bibliometric.comPlataforma de análisis en línea; módulo: Relaciones entre países; genera diagrama de acordes de colaboración entre países; accedido el 10 de marzo de 2026
CiteSpaceDrexel University6.4.R1Análisis bibliométrico; segmentación temporal: 2016–2025; tipos de nodos: palabras clave, referencias; poda: Pathfinder + Redes segmentadas podadas
clusterProfiler (paquete R)Guangchuang Yu et al.4.13.2Análisis de enriquecimiento KEGG; umbrales: p < 0.05, q < 0.2
CytoscapeConsorcio Cytoscape3.10.3Visualización y análisis de redes; plugin: CytoHubba; algoritmo: centralidad de grado; utilizado para la identificación de genes hub
GeneCardsInstituto Weizmann de Cienciahttps://www.genecards.orgBase de datos de información genética; versión de la base de datos 5.22; accedido el 12 de marzo de 2026; criterio de filtrado: Puntaje de relevancia ≥ 1
Journal Citation Reports (JCR)Clarivate Analyticshttps://jcr.clarivate.comFactor de impacto y recuperación de cuartiles de revistas; accedido el 9 de marzo de 2026
KEGGKyoto Encyclopedia of Genes and Genomeshttps://www.kegg.jpBase de datos de rutas; accedido a través de la API de clusterProfiler el 13 de marzo de 2026; especie: hsa
MeSH DatabaseBiblioteca Nacional de Medicina (NLM)https://meshb.nlm.nih.govBase de datos de consulta de términos MeSH; accedido el 9 de marzo de 2026; utilizado para construir la estrategia de búsqueda
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)Estadísticas de datos y generación de gráficos; utilizado para recuento de publicaciones, deduplicación, trazado de gráficos
org.Hs.eg.db (paquete R)Bioconductor Core Team3.20.0Base de datos de anotación del genoma humano; utilizado para la conversión de ID de genes
RR Core Team4.4.2Entorno de computación estadística y de trazado; fecha de ejecución: 13 de marzo de 2026
Scimago GraphicaScimago Lab2Herramienta de visualización; diseño: proyección de mapa; curvatura de borde: 0.5; asignación de color: por grupo
ScopusElsevierhttps://www.scopus.comBase de datos de recuperación de literatura; Edición completa de Elsevier Scopus 2026; fecha de recuperación: 9 de marzo de 2026
STRINGEMBL12.0 / https://cn.string-db.orgBase de datos de interacción proteína-proteína; accedido el 12 de marzo de 2026; umbral de puntuación de interacción: 0.7 (alta confianza); tipo de red: físico + funcional
VOSviewerUniversidad de Leiden1.6.20Análisis bibliométrico; coautoría como tipo de análisis; método de normalización: fuerza de asociación
Web of Science Core CollectionClarivate Analyticshttps://www.webofscience.comBase de datos de recuperación de literatura; cubre sub-bases de datos SCIE y SSCI; fecha de recuperación: 9 de marzo de 2026

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

BiologíaNúmero 234Número 234
Contáctenos
Recomendar a la biblioteca

Privacidad

Términos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.