Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Tendances mondiales et actuelles de la recherche sur le séquençage unicellulaire dans le cancer : une étude bibliométrique et de visualisation

1.6K vues

⸱

DOI :

10.3791/67880

⸱

18 avril 2025

 ,  ,  ,  ,  ,  ,  , 
1Department of Operating Theatre, Tianjin Medical University General Hospital, 2Department of General Surgery, Tianjin Medical University General Hospital, Tianjin Medical University, 3Department of Medical Oncology, Tianjin Medical University General Hospital

* These authors contributed equally

Dans cet article

Résumé

Cette analyse bibliométrique du séquençage unicellulaire dans la recherche sur le cancer indique que la Chine et les États-Unis produisent beaucoup plus d’articles scientifiques que d’autres pays. La détection en rafale identifie des termes émergents tels que « hétérogénéité intratumorale », « évolution clonale » et « systèmes d’administration de médicaments », qui devraient influencer les recherches futures.

Résumé

Le cancer pose un défi important à la santé humaine en raison de la complexité de ses systèmes biologiques, qui nécessitent une analyse approfondie. Le séquençage unicellulaire est devenu un outil essentiel pour l’étude de ces systèmes, permettant de détecter l’expression des gènes et les modifications épigénétiques au niveau de la cellule unique. Afin d’élucider les tendances de la recherche, les réseaux de collaboration et la diffusion des connaissances dans ce domaine, une analyse bibliométrique a été réalisée à l’aide de la base de données Web of Science Core Collection, couvrant les publications du 1er janvier 2010 au 31 décembre 2023. Le progiciel Bibliometrix de R a été utilisé pour extraire et analyser les données clés de publication, y compris les types de documents, les pays, les institutions, les auteurs et les mots-clés. De plus, CiteSpace, VOSviewer et la plate-forme d’analyse en ligne de la métrologie de la littérature ont été utilisés pour la compilation et la visualisation des données. L’analyse a identifié 34 074 auteurs provenant de 3 129 institutions dans 75 pays et régions, contribuant à 5 680 publications sur le séquençage unicellulaire dans le cancer, publiées dans 788 revues universitaires. La Chine et les États-Unis sont devenus les principaux pays en termes de volume de publications. L’Université Harvard a produit le plus grand nombre de publications (320), Aviv Regev, affilié à Harvard, étant reconnu comme un contributeur clé. Des revues de premier plan, telles que Frontiers in Immunology et Nature Communications, mettent en lumière des domaines de recherche établis et émergents, notamment le microenvironnement immunitaire et l’immunothérapie. Les principales tendances et les domaines potentiels de recherche future comprennent l’hétérogénéité intra-tumorale, l’évolution clonale et les systèmes d’administration de médicaments. Cette étude fournit un aperçu complet de la recherche sur le séquençage unicellulaire en oncologie, en mettant l’accent sur ses progrès rapides, stimulés par les progrès technologiques et les collaborations internationales. Le renforcement des partenariats mondiaux, le développement d’outils analytiques intégratifs et la résolution des complexités des données seront essentiels pour faire progresser les thérapies personnalisées contre le cancer et approfondir les connaissances sur la biologie du cancer.

Introduction

Le cancer représente l’une des maladies les plus préjudiciables, se classant au deuxième rang des causes de mortalité dans le monde1. On estime que d’ici 2035, environ un quart de la population mondiale sera directement touchée par le cancer 2,3. La pathogenèse du cancer est principalement liée à une dérégulation de la croissance cellulaire, qui est influencée par une variété de facteurs tumorigènes 4,5. Les « caractéristiques du cancer » ont été conceptualisées comme un ensemble de capacités fonctionnelles qui facilitent la transition des états cellulaires normaux à la croissance néoplasique, en particulier les capacités essentielles à la formation de tumeurs malignes6. La technologie de séquençage joue un rôle central dans l’avancement de notre compréhension de la pathogenèse des maladies. Cependant, en raison de l’hétérogénéité inhérente des tumeurs, l’identification des caractéristiques génomiques des cellules souches de faible abondance par l’analyse de séquençage à haut débit des tissus tumoraux présente des défis importants 7,8.

Le séquençage unicellulaire, qui comprend la génomique, la transcriptomique, l’épigénomique, la protéomique et la métabolomique, représente une approche méthodologique puissante pour élucider les paysages cellulaires et moléculaires au niveau de la cellule unique 9,10. Son application dans la recherche sur le cancer a considérablement amélioré la compréhension des caractéristiques biologiques et de la dynamique présentes dans les lésions néoplasiques, facilitant ainsi une compréhension plus complète du développement du cancer et des métastases.

L’analyse bibliométrique examine les caractéristiques structurelles et les attributs des publications savantes et a été largement utilisée dans les évaluations qualitatives et quantitatives de la littérature scientifique11,12. En comparant les contributions de différents pays, institutions, chercheurs et publications, il est possible d’élucider et d’anticiper les avancées potentielles dans un domaine de recherche particulier. Bien qu’il y ait eu une augmentation substantielle des revues systématiques et narratives axées sur la recherche sur le séquençage de cellules uniques dans le cancer, il reste une lacune notable dans les analyses exhaustives dans le domaine de l’évaluation quantitative 13,14,15. Cette étude vise à effectuer une analyse complète des tendances développementales et des principaux sujets de recherche en séquençage unicellulaire dans le domaine du cancer, en utilisant des méthodes bibliométriques. Les résultats offriront aux chercheurs, aux cliniciens et aux décideurs politiques un aperçu détaillé de l’état actuel des connaissances et de la compréhension dans ce domaine.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Les données utilisées dans cette étude ont été obtenues à partir de la Web of Science Core Collection (2010-2023).

1. Collecte de données

  1. Sélection de la base de données
    1. Accédez à la base de données Web of Science Core Collection (WoSCC) via. https://webofscience. clarivate.cn/wos/author/author-search.
    2. Élaborez une stratégie de recherche à l’aide de mots-clés ciblés, en particulier « séquençage unicellulaire » et « cancer », afin d’identifier la littérature pertinente. Cliquez sur le bouton de recherche pour terminer la recherche documentaire.
      REMARQUE : Reportez-vous au tableau supplémentaire 1 pour une liste complète des mots-clés utilisés dans la stratégie de recherche afin d’améliorer l’exactitude et l’inclusivité.
  2. Paramètres de recherche
    1. Choisissez la période de publication du 1er janvier 2010 au 31 décembre 2023 pour saisir les tendances de recherche les plus récentes et les plus complètes.
    2. Sélectionnez l’anglais comme langue pour les résultats de recherche et choisissez Article et Revue comme types d’articles pour assurer la cohérence des données et faciliter l’analyse comparative.
    3. Assurer la pertinence en excluant les publications en dehors des domaines du séquençage unicellulaire et de la recherche sur le cancer.
  3. Récupération et format des données
    1. Compilez les publications sélectionnées au format Full Record et Cited References pour préserver les métadonnées détaillées.
    2. Enregistrez les données collectées sous forme de fichiers texte brut pour une analyse ultérieure à l’aide d’outils bibliométriques.
    3. Vérifiez que chaque enregistrement contient des métadonnées complètes, y compris des informations sur les citations et les co-auteurs, afin de permettre une analyse bibliométrique approfondie (Figure 1).

2. Prétraitement des données

  1. Collecte et importation de données
    1. Lancez l’interface biblioshiny du paquet bibliometrix dans R.
      REMARQUE : Le code spécifique est fourni comme suit :
      Bibliothèque(Bibliometrix)
      packageVersion(« bibliometrix »)
      biblioshiny()
    2. Accédez à la base de données WoSCC et sélectionnez un fichier texte brut fusionné contenant des données bibliométriques.
    3. Importez les données et exportez-les au format de données R pour une analyse ultérieure.
  2. Tendance à la croissance annuelle des publications et des citations
    1. Convertissez les colonnes PY (année de publication) et Z9 (nombre de citations) au format numérique.
    2. Regroupez les données par année de publication et calculez le nombre annuel de publications et le nombre total de citations.
    3. Créez un graphique à barres pour représenter le nombre de publications chaque année et superposez un graphique linéaire pour illustrer le nombre de citations au fil du temps.
      REMARQUE : Le code spécifique est fourni sous la forme du code 1 dans le fichier supplémentaire 1.
  3. Publication nationale et analyse de la collaboration
    1. Agrégation nationale de publications et de collaborations
      1. Résumez les publications annuelles et les citations par pays à l’aide des champs Année de publication (PY) et Pays auteur (AU_CO1).
      2. Concentrez l’analyse sur les 10 premiers pays en termes de volume de publications.
    2. Calcul métrique
      1. Calculez des indicateurs clés, notamment le nombre de publications (NP), la fréquence de citations (NC), les publications dans un seul pays (SCP) et les publications dans plusieurs pays (MCP)16.
      2. Déterminer le ratio de publications multi-pays (MCP_Ratio) comme indicateur de collaboration internationale.
      3. Utilisez la fonction H-index de R pour calculer les indices d’impact (H-index, G-index et M-index) pour chaque pays sur une période de 14 ans17.
        REMARQUE : Le code spécifique est fourni sous forme de code 2 dans le fichier supplémentaire 1. Utilisez la plateforme d’analyse en ligne de la métrologie de la littérature (https://bibliometric.com/) pour examiner les relations de collaboration entre les pays. Téléchargez des données au format texte brut à partir du WoSCC. Utilisez la fonction « relations avec les pays » pour évaluer les collaborations internationales. Le point culminant est une visualisation du réseau de collaboration entre les principaux pays contributeurs.
  4. Publication institutionnelle et analyse de la collaboration
    1. Extraction et classement des données
      1. Extrayez les données institutionnelles de la section Affiations de la fonction Analyser les résultats de la base de données WoSCC.
      2. Classez les établissements par ordre décroissant en fonction de leur nombre total d’articles publiés.
    2. Visualisation des données
      1. Générez un graphique à barres horizontales à l’aide du package ggplot2 dans R pour illustrer le volume de publication des principales institutions.
        REMARQUE : Le code spécifique est fourni sous forme de code 3 dans le fichier supplémentaire 1.
    3. Analyse de la co-paternité
      1. Configuration de l’analyse dans VOSviewer : lancez VOSviewer, puis sélectionnez Créer dans le menu principal. Choisissez Créer une carte basée sur des données bibliographiques et choisissez Lire les données à partir de fichiers de base de données bibliographiques. Enfin, importez les fichiers Plain Text.
      2. Configuration et paramètres : définissez le type d’analyse sur la co-création dans VOSviewer. Choisissez la méthode de comptage complet et sélectionnez les organisations comme unité d’analyse. Configurez les paramètres pour inclure un maximum de 1 200 organisations par document et définissez le seuil minimum sur 30 documents par organisation pour garantir une analyse complète du réseau.
      3. Visualisation et interprétation : Terminez la configuration en cliquant sur Terminer pour générer une carte de visualisation qui illustre les réseaux de collaboration entre les établissements. Veiller à ce que la carte mette en évidence les niveaux de connectivité et de partenariat, en identifiant les centres d’activité de recherche et les principaux domaines de coopération entre les établissements.
  5. Analyse des auteurs et collaboration des auteurs
    1. Identification des auteurs prolifiques : Accédez à la section Profils des chercheurs de la base de données WoSCC pour classer les auteurs en fonction du nombre total d’articles publiés.
    2. Visualisation des données : utilisez le package ggplot2 dans R pour créer un graphique à barres horizontales, représentant visuellement le volume de publication des principaux auteurs.
    3. Évaluation des contributions des auteurs : récupérez des indicateurs supplémentaires pour les 10 premiers auteurs par volume de publications, y compris l’indice H, le pays et l’institution affiliée, à l’aide des données de la base de données WoSCC.
      REMARQUE : Le code spécifique est fourni sous forme de code 4 dans le fichier supplémentaire 1.
    4. Réseaux de collaboration d’auteurs
      1. Configuration de l’analyse dans VOSviewer : Lancez VOSviewer et cliquez sur le bouton Créer , puis sur Créer une carte basée sur des données bibliographiques. Importez les fichiers texte brut appropriés contenant des données bibliographiques en sélectionnant Lire les données à partir des fichiers de base de données bibliographiques.
      2. Configuration et paramètres : définissez le type d’analyse sur la co-paternité et utilisez la méthode de comptage complet . Sélectionnez les auteurs comme unité d’analyse. Ajustez les paramètres pour inclure un maximum de 33 organisations par document et établissez un seuil minimum de 15 documents par auteur pour garantir la capture de données de collaboration significatives.
      3. Visualisation et informations : cliquez sur Terminer pour générer une visualisation en superposition, qui illustre l’évolution temporelle des collaborations d’auteurs, donnant un aperçu de la dynamique et de la croissance des réseaux de co-auteur au fil du temps.
  6. Analyse des revues et des revues co-citées
    1. Calcul des indicateurs de revue : utilisez la fonction H-index dans R pour calculer les indicateurs clés de chaque revue, notamment le nombre de publications par source (NP), la fréquence de citation (NC), l’année de première publication (PY_start) et les indices d’impact (H-index, G-index et M-index).
    2. Récupération des facteurs d’impact et des classements : Obtenez les facteurs d’impact et les classements par quartile des revues à partir de la base de données WoSCC pour évaluer davantage l’influence et la position de chaque revue dans le domaine.
      REMARQUE : Le code spécifique est fourni sous forme de code 5 dans le fichier supplémentaire 1.
    3. Analyse des flux de connaissances
      1. Importation et configuration des données dans CiteSpace : Ouvrez CiteSpace et accédez au menu Données . Sélectionnez Importer/Exporter et choisissez WOS pour importer les données. Configurez les chemins d’entrée et de sortie selon vos besoins.
      2. Sélection et configuration de la carte : Sélectionnez les options Overlay Maps et JCR Journals Maps dans CiteSpace, en définissant le z-score sur 0. Cette configuration permet de générer une double carte pour illustrer le flux de connaissances entre les revues.
  7. Analyse des références co-citées et du réseau de clustering
    1. Importation et configuration des données dans CiteSpace
      1. Ouvrez CiteSpace, accédez au menu Données et sélectionnez Importer/Exporter.
      2. Importez les données de la base de données WoSCC en texte brut, en configurant la tranche de temps d’analyse de janvier 2010 à décembre 2023 avec un intervalle d’un an pour les détails temporels.
    2. Configuration et élagage du réseau
      1. Définissez le type de nœud sur Référence dans CiteSpace. Utilisez l’option Pathfinder et la fonctionnalité d’élagage des réseaux découpés pour appliquer l’élagage au réseau.
      2. Exécutez l’analyse en cliquant sur GO pour générer une carte de co-citation de référence, en ajustant les paramètres de police et de couleur pour une meilleure lisibilité.
    3. Identifier les références à fort impact
      1. Sélectionnez l’option Rafale et réglez le paramètre γ sur [0, 1] dans CiteSpace.
      2. Actualisez les données pour générer une liste des 20 premières références avec les plus fortes rafales de citations.
  8. Analyse de la cooccurrence des mots-clés
    1. Analyse de la fréquence des mots-clés dans R
      1. Effectuez une analyse des mots-clés à l’aide du package bibliometrix dans R, en vous concentrant sur les mots-clés les plus fréquents dans les documents.
      2. Définissez le champ sur les mots-clés de l’auteur et limitez le nombre aux 20 mots-clés les plus populaires, en filtrant les synonymes pour assurer la cohérence.
    2. Analyse en rafale de mots-clés dans CiteSpace
      1. Utilisez CiteSpace pour effectuer une analyse en rafale de mots-clés en sélectionnant l’option Burstness et en réglant le paramètre γ sur [0, 1].
      2. Actualisez les données pour générer une liste des 30 mots-clés les plus forts avec les rafales de citations les plus fortes.
    3. Analyse du réseau de cooccurrence de mots-clés dans VOSviewer
      1. Ouvrez VOSviewer, sélectionnez Créer, puis Créez une carte basée sur des données bibliographiques.
      2. Importez les fichiers texte brut à l’aide de l’option Lire les données des fichiers de base de données bibliographiques .
      3. Définissez le type d’analyse sur la cooccurrence, à l’aide de la méthode de comptage complet , avec les mots-clés de l’auteur comme unité d’analyse.
      4. Appliquez un seuil minimum de 40 occurrences de mots-clés et cliquez sur Terminer pour terminer l’analyse, produisant ainsi un réseau de cooccurrences qui visualise les relations de mots-clés dans le champ.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Tendance à la croissance annuelle des publications et des citations
De 2010 à 2023, un total de 6 767 publications liées au séquençage unicellulaire du cancer ont été identifiées dans la base de données WoSCC. Au total, 602 études publiées entre 2010 et 2023 ont été exclues de l’analyse, suivies de l’exclusion de cinq études non publiées en anglais. De plus, 480 articles ont été exclus sur la base de critères d’exclusion prédéfinis, dont 361 résumés de réunion, 83 documents éditoriaux et 36 articles c...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

L’analyse bibliométrique sert d’approche quantitative pour évaluer les caractéristiques et l’impact scientifique des publications importantes26. Cette étude a effectué une analyse bibliométrique approfondie de 5 680 articles liés au séquençage unicellulaire dans la recherche sur le cancer, extraits de la base de données WoSCC et publiés entre 2010 et 2023. Cette analyse visait à évaluer l’état actuel de la recherche, à identifier les principaux points chauds de la...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs n’ont rien à divulguer.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
bibliometrix ComprehensiveR Archive Network (CRAN)bibliometrix 4.3.0Un tracé de forêt qui permet d’établir plusieurs intervalles de confiance par ligne, des polices personnalisées pour chaque élément de texte, des intervalles de confiance personnalisés, du texte mélangé à des expressions, etc.
CiteSpaceChaomei Chen, Université DrexelCiteSpace 6.2.R4 (64 bits) bêta Basic&zwnj ; CiteSpace&zwnj ; est un outil d’analyse de la littérature scientifique. Sa fonction principale est d’analyser les connaissances sous-jacentes de la littérature scientifique par des moyens visuels, en montrant la structure, les règles et la distribution des connaissances scientifiques. Les principales fonctions de CiteSpace comprennent : l’analyse de la collaboration de recherche &zwnj ;, le jugement de revue importante &zwnj ;, l’exploration de sujets centraux et ainsi de suite.
dplyrComprehensive R Archive Network (CRAN)dplyr 1.1.4dbplyr est le backend de base de données pour dplyr. Il vous permet d’utiliser des tables de base de données distantes comme s’il s’agissait de trames de données en mémoire en convertissant automatiquement le code dplyr en SQL.
esquisseComprehensive R Archive Network (CRAN)esquisse 2.0.1Cet addin vous permet d’explorer vos données de manière interactive en les visualisant avec le package ggplot2. Il vous permet de dessiner des diagrammes à barres, des courbes, des nuages de points, des histogrammes, des boîtes à moustaches et des objets sf, puis d’exporter le graphique ou de récupérer le code pour reproduire le graphique.
forcatsComprehensive R Archive Network (CRAN)forcats 1.0.0R utilise des facteurs pour gérer les variables catégorielles, les variables qui ont un ensemble fixe et connu de valeurs possibles. Les facteurs sont également utiles pour réorganiser les vecteurs de caractères afin d’améliorer l’affichage. L’objectif du package forcats est de fournir une suite d’outils qui résolvent des problèmes courants avec des facteurs, y compris la modification de l’ordre des niveaux ou des valeurs.
ggplot2Comprehensive R Archive Network (CRAN)ggplot2 3.5.1ggplot2 est un système de création de graphiques déclaratifs, basé sur la grammaire des graphiques. Vous fournissez les données, indiquez à ggplot2 comment faire correspondre les variables à l’esthétique, quelles primitives graphiques utiliser, et il s’occupe des détails.
ggpmiscComprehensive R Archive Network (CRAN)ggpmisc 0.6.1Paquet ' ggpmisc' (Extensions diverses de ' ggplot2') est un ensemble d’extensions du package R ' ggplot2' (>= 3.0.0) en mettant l’accent sur les annotations et le traçage liés aux modèles ajustés. Les estimations à partir d’objets d’ajustement de modèle peuvent être affichées dans ggplots sous forme de texte, de tableaux ou d’équations. Les valeurs prédites, les résidus, les écarts et les poids peuvent être tracés pour diverses fonctions d’ajustement du modèle.
ggsciComprehensive R Archive Network (CRAN)ggsci 3.2.0ggsci propose une collection de palettes de couleurs ggplot2 inspirées de revues scientifiques, de bibliothèques de visualisation de données, de films de science-fiction et d’émissions de télévision.
openxlsxComprehensive R Archive Network (CRAN)openxlsx 4.2.7.1Ce package R simplifie la création de fichiers .xlsx en fournissant une interface de haut niveau pour l’écriture, la mise en forme et l’édition de feuilles de calcul. Grâce à l’utilisation de Rcpp, les temps de lecture/écriture sont comparables à ceux des packages xlsx et XLConnect, avec l’avantage supplémentaire de supprimer la dépendance à Java.
readxlComprehensive R Archive Network (CRAN)readxl 1.4.3Le package readxl permet de récupérer facilement des données d’Excel vers R. Par rapport à de nombreux packages existants (par exemple gdata, xlsx, xlsReadWrite), readxl n’a pas de dépendances externes, de sorte qu’il' s facile à installer et à utiliser sur tous les systèmes d’exploitation. Il est conçu pour fonctionner avec des données tabulaires.
reshape2Comprehensive R Archive Network (CRAN)reshape2 1.4.4Reshape2 est un redémarrage du package reshape. Cela fait plus de cinq ans depuis la première version de reshape, et pendant ce temps, j’ai énormément appris sur la programmation R et sur la façon de travailler avec les données dans R. Reshape2 utilise ces connaissances pour créer un nouveau package de remodelage des données qui est beaucoup plus ciblé et beaucoup plus rapide.
stringrComprehensive R Archive Network (CRAN)stringr 1.5.1Les chaînes ne sont pas des composants glamour et prestigieux de R, mais elles jouent un rôle important dans de nombreuses tâches de nettoyage et de préparation des données. Le package stringr fournit un ensemble cohérent de fonctions conçues pour rendre le travail avec les cordes aussi facile que possible.
tidytextComprehensive R Archive Network (CRAN)tidytext 0.4.2L’utilisation des principes de données rangées peut rendre de nombreuses tâches d’exploration de texte plus faciles, plus efficaces et cohérentes avec les outils déjà largement utilisés. Une grande partie de l’infrastructure nécessaire à l’exploration de texte avec des trames de données bien rangées existe déjà dans des packages tels que dplyr, broom, tidyr et ggplot2. Dans ce package, nous fournissons des fonctions et des ensembles de données de support pour permettre la conversion de texte vers et depuis des formats tidy, et pour basculer de manière transparente entre les outils tidy et les packages de text mining existants. Consultez notre livre pour en savoir plus sur l’exploration de texte à l’aide des principes de données rangées
tidyverseComprehensive R Archive Network (CRAN)tidyverse 2.0.0Le tidyverse est une collection opiniâtre de packages R conçus pour la science des données. Tous les packages partagent une philosophie de conception, une grammaire et des structures de données sous-jacentes.
VennDiagramComprehensive R Archive Network (CRAN)VennDiagram 1.7.3VennDiagram est un package R permettant de générer des diagrammes de Venn haute résolution et personnalisables avec jusqu’à quatre ensembles et des diagrammes d’Euler avec jusqu’à trois ensembles. Comprend la gestion de plusieurs cas spéciaux, y compris la mise à l’échelle à deux cas, et la personnalisation poussée de la forme et de la structure de l’intrigue.
VOSviewer  ; Centre d’études scientifiques et technologiques, Université de Leiden, Pays-BasVOSviewer version 1.6.19VOSviewer est un outil logiciel permettant de construire et de visualiser des réseaux bibliométriques. Ces réseaux peuvent par exemple inclure des revues, des chercheurs ou des publications individuelles, et ils peuvent être construits sur la base de citations, de couplages bibliographiques, de co-citations ou de relations de co-auteurs. VOSviewer offre également une fonctionnalité d’exploration de texte qui peut être utilisée pour construire et visualiser des réseaux de cooccurrence de termes importants extraits d’un corpus de littérature scientifique.

Références

  1. Kocarnik, J. M., et al. Cancer incidence, mortality, years of life lost, years lived with disability, and disability-adjusted life years for 29 cancer groups from 2010 to 2019: A systematic analysis for the global burden of disease study 2019. JAMA Oncol. 8 (3), 420-444 (2022).
  2. Soerjomataram, I., Bray, F. Planning for tomorrow: Global cancer incidence and the role of prevention 2020-2070. Nat Rev Clin Oncol. 18 (10), 663-672 (2021).
  3. Bray, F., et al. Global cancer statistics 2022: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 74 (3), 229-263 (2024).
  4. Zhang, Y., Zhang, Z. The history and advances in cancer immunotherapy: Understanding the characteristics of tumor-infiltrating immune cells and their therapeutic implications. Cell Mol Immunol. 17 (8), 807-821 (2020).
  5. Xu, X., et al. Metabolic reprogramming and epigenetic modifications in cancer: From the impacts and mechanisms to the treatment potential. Exp Mol Med. 55 (7), 1357-1370 (2023).
  6. Hanahan, D. Hallmarks of cancer: New dimensions. Cancer Discov. 12 (1), 31-46 (2022).
  7. Kashyap, A., et al. Quantification of tumor heterogeneity: From data acquisition to metric generation. Trends Biotechnol. 40 (6), 647-676 (2022).
  8. Vredevoogd, D. W., Peeper, D. S. Heterogeneity in functional genetic screens: Friend or foe. Front Immunol. 14, 1162706(2023).
  9. Jovic, D., et al. Single-cell RNA sequencing technologies and applications: A brief overview. Clin Transl Med. 12 (3), e694(2022).
  10. Hong, M., et al. RNA sequencing: New technologies and applications in cancer research. J Hematol Oncol. 13 (1), 166(2020).
  11. Moed, H. F. New developments in the use of citation analysis in research evaluation. Arch Immunol Ther Exp (Warsz). 57 (1), 13-18 (2009).
  12. Ninkov, A., Frank, J. R., Maggio, L. A. Bibliometrics: Methods for studying academic publishing. Perspect Med Educ. 11 (3), 173-176 (2022).
  13. Li, X., Wang, L., Wang, L., Feng, Z., Peng, C. Single-cell sequencing of hepatocellular carcinoma reveals cell interactions and cell heterogeneity in the microenvironment. Int J Gen Med. 14, 10141-10153 (2021).
  14. Li, Y., Jin, J., Bai, F. Cancer biology deciphered by single-cell transcriptomic sequencing. Protein Cell. 13 (3), 167-179 (2022).
  15. Bai, X., Li, Y., Zeng, X., Zhao, Q., Zhang, Z. Single-cell sequencing technology in tumor research. Clin Chim Acta. 518, 101-109 (2021).
  16. Zhang, L., et al. Worldwide research trends on tumor burden and immunotherapy: A bibliometric analysis. Int J Surg. 110 (3), 1699-1710 (2024).
  17. Ghorbani, B. D. A scientometrics research perspective in applied linguistics. Meihami, H., Esfandiari, R. , Springer Nature. Switzerland, Cham. 197-234 (2024).
  18. Chen, C. M., Leydesdorff, L. Patterns of connections and movements in dual-map overlays: A new method of publication portfolio analysis. J Assoc Inf Sci Technol. 65 (2), 334-351 (2014).
  19. Shen, S., et al. Analyzing and mapping the research status, hotspots, and frontiers of biological wound dressings: An in-depth data-driven assessment. Int J Pharm. 629, 122385(2022).
  20. Small, H., Sweeney, E., Greenlee, E. Clustering the science citation index using co-citations .2. Mapping science. Scientometrics. 8 (5-6), 321-340 (1985).
  21. Butler, A., Hoffman, P., Smibert, P., Papalexi, E., Satija, R. Integrating single-cell transcriptomic data across different conditions, technologies, and species. Nat Biotechnol. 36 (5), 411-420 (2018).
  22. Stuart, T., et al. Comprehensive integration of single-cell data. Cell. 177 (7), 1888-1902.e21 (2019).
  23. Baysoy, A., Bai, Z., Satija, R., Fan, R. The technological landscape and applications of single-cell multi-omics. Nat Rev Mol Cell Biol. 24 (10), 695-713 (2023).
  24. Macosko, E. Z., et al. Highly parallel genome-wide expression profiling of individual cells using nanoliter droplets. Cell. 161 (5), 1202-1214 (2015).
  25. Tirosh, I., et al. Dissecting the multicellular ecosystem of metastatic melanoma by single-cell RNA-seq. Science (New York, N.Y.). 352 (6282), 189-196 (2016).
  26. Martinez-Simon, A., et al. Covid-19 publications in anaesthesiology journals: A bibliometric analysis. Br J Anaesth. 128 (3), e239-e241 (2022).
  27. Wen, L., Tang, F. Single-cell sequencing in stem cell biology. Genome Biol. 17, 71(2016).
  28. Zhang, Y., et al. Single-cell RNA sequencing in cancer research. J Exp Clin Cancer Res. 40 (1), 81(2021).
  29. Tang, F., et al. MRNA-seq whole-transcriptome analysis of a single-cell. Nat Methods. 6 (5), 377-382 (2009).
  30. Navin, N., et al. Tumour evolution inferred by single-cell sequencing. Nature. 472 (7341), 90-94 (2011).
  31. Tang, J., et al. Single-cell exome sequencing reveals multiple subclones in metastatic colorectal carcinoma. Genome Med. 13 (1), 148(2021).
  32. Song, H., et al. Single-cell analysis of human primary prostate cancer reveals the heterogeneity of tumor-associated epithelial cell states. Nat Commun. 13 (1), 141(2022).
  33. Zheng, X., et al. Single-cell transcriptomic profiling unravels the adenoma-initiation role of protein tyrosine kinases during colorectal tumorigenesis. Signal Transduct Target Ther. 7 (1), 60(2022).
  34. Chan, T. J., Zhang, X., Mak, M. Biophysical informatics reveals distinctive phenotypic signatures and functional diversity of single-cell lineages. Bioinformatics. 39 (1), btac833(2023).
  35. Chen, Y. P., et al. Single-cell transcriptomics reveals regulators underlying immune cell diversity and immune subtypes associated with prognosis in nasopharyngeal carcinoma. Cell Res. 30 (11), 1024-1042 (2020).
  36. Small, H. Co-citation in scientific literature - new measure of relationship between 2 documents. J Am Soc Inf Sci. 24 (4), 265-269 (1973).
  37. Villani, A. -C., et al. Single-cell RNA-seq reveals new types of human blood dendritic cells, monocytes, and progenitors. Science (New York, N.Y.). 356 (6335), eaah4573(2017).
  38. Sun, D., et al. Identifying phenotype-associated subpopulations by integrating bulk and single-cell sequencing data. Nat Biotechnol. 40 (4), 527-538 (2022).
  39. Pe'er, D., et al. Tumor heterogeneity. Cancer Cell. 39 (8), 1015-1017 (2021).
  40. Liu, X., et al. Single-cell transcriptomics links malignant T cells to the tumor immune landscape in cutaneous T-cell lymphoma. Nat Commun. 13 (1), 1158(2022).
  41. Yan, Y., et al. Clonal phylogeny and evolution of critical cytogenetic aberrations in multiple myeloma at single-cell level by qm-fish. Blood Adv. 6 (2), 441-451 (2022).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Mots-clés

Recherche sur le cancerAnalyse bibliom triqueMicroenvironnement immunitairevolution tumoralevolution clonaleH t rog n it intratumoraleSyst mes d administration de m dicamentsAnalyse de co auctoratCo occurrence de mots cl s
Tendances mondiales et actuelles de la recherche sur le séquençage unicellulaire dans le cancer : une étude bibliométrique et de visualisation
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d'utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.