הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

ביבליומטריקה וביואינפורמטיקה חקר מוקדי מחקר ויעדים מרכזיים במחלה נלווית: מחלת ריאות אינטרסטיציאלית ויתר לחץ דם ריאתי

130 צפיות

⸱

DOI:

10.3791/71631

⸱

7 באוגוסט 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

במאמר זה

סיכום

פרוטוקול זה משתמש במחלת ריאות אינטרסטיציאלית וביתר לחץ דם ריאתי כדוגמאות ומשלב ביבליומטריקה עם ביואינפורמטיקה כדי לחקור באופן שיטתי וראשוני מגמות מחקר, מוקדי חום, יעדים מרכזיים ומסלולים קשורים. פרוטוקול זה יכול להיות משוכפל כדי לנתח זוגות מחלות על ידי שינוי ההנחות.

תקציר

מחלת ריאה אינטרסטיציאלית (ILD) ויתר לחץ דם ריאתי (PH) מתקיימים לעיתים קרובות במקביל כמחלות נלוות, מה שמוביל לתוצאות קליניות גרועות ולאפשרויות טיפוליות מוגבלות. זיהוי מוקדי מחקר חשובים וחשיפת יעדים מרכזיים של מחלות נלוות הוא חיוני לשיפור ניהול המחלות ולפיתוח אסטרטגיות טיפוליות חדשות. פרוטוקול זה שולף פרסומים רלוונטיים מאוסף הליבה Web of Science וממסדי הנתונים של Scopus, ומשתמש ב-CiteSpace וב-VOSviewer למיפוי מוקדי מחקר ומגמות מתפתחות. בהמשך, מטרות גנטיות חופפות הקשורות לשתי המחלות מזוהות במאגר GeneCards. רשתות אינטראקציה בין חלבון לחלבון נבנות באמצעות STRING לזיהוי גני האב, וניתוח העשרת מסלולי KEGG מבוצע בשפת R כדי להבהיר מסלולי איתות מרכזיים. התוצאות מראות שביבליומטריקה מזהה את מסלול ההתפתחות של תחום בין-תחומי זה מנקודת מבט מאקרו; ניתוח ביואינפורמטיקה מגלה ש-FN1, IL6 ו-TNF הם יעדי מחלה נלווים פוטנציאליים; וניתוח העשרת KEGG מצביע על כך שמסלולים הקשורים למערכת החיסון הממוקדים ב-PI3K-Akt ו-MAPK מעורבים עמוקות בפתוגנזה של המחלה הנלווית. על ידי שילוב שתי הגישות, פרוטוקול זה מגדיר באופן שיטתי את מסלול ההתפתחות ואת מוקדי המחקר במחקר תחלואה נלווית של ILD-PH, תוך סינון ראשוני של יעדי תחלואה נלווים פוטנציאליים ומסלולים. הוא מספק כיוון ובסיס חישובי למחקר ניסויי עתידי ולאימות קליני. מסגרת משולבת זו מציעה מתודולוגיה ניתנת לשחזור המיושמת לחקר מחלות נלוות מורכבות אחרות.

מבוא

מחלת ריאות אינטרסטיציאלית (ILD) מתייחסת לקבוצת מחלות ריאה מפוזרות המתאפיינות פתולוגית בדלקת ופיברוזיס של האינטרסטיטיום הריאתי. במהלך התקדמות המחלה, לעיתים קרובות היא מסתבכת על ידי מחלות נלוות מרובות, ביניהן יתר לחץ דם ריאתי (PH) הוא אחת מהמחלות הנלוות הנפוצות שמשפיעות באופן משמעותי על הפרוגנוזה 1,2. נתונים אפידמיולוגיים מצביעים על כך ששכיחות ה-PH בחולי ILD משתנה בהתאם לתת-הסוג ולשלב המחלה, ונעה בין 13% ל-86% 3,4,5. מצב נלווה זה לא רק מפחית משמעותית את איכות חיי המטופלים ומעלה את הסיכון לתמותה, אלא גם מחמיר את העומס החברתי-כלכלי והבריאותי 6,7. בניגוד ליתר לחץ דם עורקי ריאתי, הפתוגנזה של יתר לחץ דם ריאתי הקשור למחלת ריאה אינטרסטיציאלית היא מורכבת יותר, וכוללת תהליכים פתולוגיים מרובים כגון היצרות כלי דם ריאתיים היפוקסיות, עיצוב כלי דם פרו-פיברוטי ותיווך גורמים דלקתיים, והצטברות מטריצה חוץ-תאית 8,9,10. נכון לעכשיו, אבחון קליני ואסטרטגיות טיפול למצב הנלווה הזה נותרו מוגבלות יחסית, ותרופות ממוקדות ספציפיות חסרות. המנגנונים המולקולריים הבסיסיים שלו, מסלולי האיתות המרכזיים והסמנים הביולוגיים המוקדמים עדיין צריכים להיות מובהרים באופן שיטתי11,12.

ככלי אובייקטיבי לזיהוי נקודות מוקד מחקר ומסלולי אבולוציה, הביבליומטריקה זכתה ליישום נרחב בשנים האחרונות13,14. ניתוח ביואינפורמטיקה מזהה יעדים מרכזיים ונתיבי ליבה על ידי שילוב יעדים שנמצאו בעבר הקשורים למחלה15. למחקר תחלואה נלווית, שילוב מוקדי מחקר מקרוסקופיים עם מסלולים ומידע על יעד ברמה מולקולרית מעמיק את ההבנה של מנגנוני תחלואה נלווית ומספק תחזיות חישוביות והנחיה כיוונית למחקרים ניסיוניים עתידיים. עם זאת, המחקר על תחלואה נלווית של מחלות ריאות אינטרסטיציאליות ויתר לחץ דם ריאתי עדיין חסר ניתוח שיטתי משולב המשלב מיפוי ידע מקרוסקופי עם רשתות מולקולריות מיקרוסקופיות. בהתאם לכך, מחקר זה השתמש באוסף הליבה של Web of Science (WoSCC) ובמאגרי Scopus כדי לתאר באופן מקיף את מסלול ההתפתחות ומוקדי המחקר של מחקר מחלות נלוות ILD-PH באמצעות שיטות ביבליומטריות. במקביל, נעשה שימוש בכלים ביואינפורמטיים לזיהוי גנים מרכזיים ונתיבים מולקולריים פוטנציאליים הקשורים למחלה הנלווית, מה שסיפק בסיס מולקולרי מועמד וכיוון עיצוב ניסויי למחקר ניסויי עתידי ולחקירה ממוקדת.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

המחקר השתמש במאגרי מידע משניים זמינים לציבור, כולל GeneCards, STRING ו-KEGG. לפי סעיף 32 של תקנות משאבי הגנטיקה האנושיים של סין, מאגרי מידע אלו אינם כוללים איסוף ישיר של משאבי גנטיקה אנושיים בתוך סין; לכן, לא נדרשה אישור אתי או הסכמה מדעת למחקר זה. מידע מפורט על גרסאות התוכנה והפלטפורמות שבהן השתמשו בסעיף זה מסופק בטבלת החומרים.

1. אוסף ספרות וארגון

  1. גישה למסד הנתונים MeSH (טבלת החומרים).
  2. חפשו בנפרד את מונחי המחלה "מחלת ריאות אינטרסטיציאלית" ו"יתר לחץ דם ריאתי" כדי לאסוף את הכותרות המשויכות להן.
  3. פתח אסטרטגיית חיפוש מקיפה המבוססת על מונחים ותתי-כותרות מזוהים ב-MeSH.
  4. ב-9 במרץ 2026, פתח את מסד הנתונים של WoSCC (טבלת החומרים).
  5. בחר חיפוש מתקדם. הזן את אסטרטגיית החיפוש: TS=("מחלת ריאות פרנכימלית דיפוזית" או "מחלות ריאה פרנכימליות מפוזרות" או "מחלת ריאה אינטרסטיציאלית" או "מחלות ריאה אינטרסטיציאליות") ו-TS=("יתר לחץ דם ריאתי"). הגדר את טווח תאריכי הפרסום מ-1 בינואר 2016 עד 31 בדצמבר 2025, ולחץ על חיפוש.
  6. בחרו מאמרים ומאמרי סקירה כסוגי המסמך, ובחרו אנגלית כשפה. בחר בתוכן הרשומה המלאה ומקורות מצוטטים . ייצא את הרשומות בפורמט txt ושמור כ-wos.txt, ואז להמיר לפורמט csv ולשמור כ-wos.csv.
  7. ב-9 במרץ 2026, פתח את מסד הנתונים של Scopus (טבלת החומרים).
  8. הגדר את שדה החיפוש ל"כותרת"/ "תקציר" / "מילות מפתח". הזן את אסטרטגיית החיפוש: TITLE-ABS-KEY(("Diffuse Parenchymal Lung Disease" OR "Diffuse Parenchymal Lung Diseases" או "Interstitial Lung Disease" או "Interstitial Lung Diseases")) ו-title-abs-key ("יתר לחץ דם ריאתי"). בחרו את טווח השנים מ-1 בינואר 2016 עד 31 בדצמבר 2025, בחרו רפואה כתחום הנושא, ולחצו על חיפוש (טבלה משלימה 1).
  9. לחץ על ייצוא, בחר בפורמט CSV, יייצא את כל הרשומות שהוחזרו, ושמור כ-scopus.csv.
  10. פתח wos.csv, העתק את עמודת DOI, והדביק אותה לתוך scopus.csv. בצע השוואת נתונים, השתמש בפונקציית הסרת כפילויות באקסל כדי לסמן רשומות כפולות, למחוק את הכפילויות ולקבל scopus1.csv. עבור מעט הרשומות שחסרות DOI, בדקנו ידנית באמצעות שילוב של "כותרת + מחבר + שנה" כדי להבטיח הכללה מלאה של הספרות הנדרשת למחקר זה.
  11. צור תיקיות חדשות בשם תיקיית קלט ותיקיית פלט. הכניסו scopus1.csv שהושגו לאחר הסרת כפילות לתיקיית הקלט. פתח CiteSpace, לחץ על Data, בחר Scopus, ציין את התיקיות המתאימות, ולחץ על כפתור Scopus (csv) > WoS כדי להמיר את פורמט הנתונים של Scopus, ולאחד את פורמט שני מסדי הנתונים לפורמט txt. תן שם לקובץ המתקבל scopus1.txt.
  12. למזג את הנתונים משני מסדי הנתונים. הכניסו scopus1.txt ו-wos.txt ל-CiteSpace לצורך הסרת שכפול ומיזוג לקבלת נתוני ספרות בפורמט אחיד ומשוכפל: dataset.txt, לניתוח עתידי (טבלה משלימה 2).
  13. בדוק את קבצי wos.txt ו-scopus.csv שהושגו כדי לוודא שתהליך הסרת הכפילות משתמש ב-DOI כקריטריון ההתאמה ושקובץ ה-dataset.txt נוצר בהצלחה.

2. ניתוח מגמות תפוקת הפרסום השנתית

  1. ב-Microsoft Excel, ספרו את מספר הפרסומים לפי שנה כדי לייצר שתי עמודות נתונים (שנה, פרסומים).
  2. בחר את מערך הנתונים, גש ל-Insert > Chart > Column Chart כדי ליצור תרשים עמודות של תוצרת הפרסום השנתית.
  3. ציין את הציר האופקי כשנה ואת הציר האנכי כפרסומים.
  4. אפשר תוויות נתונים להציג את מספר הפרסומים הספציפי לכל שנה.
  5. ייצא את כל הדמויות בפורמט קובץ תמונה מתויג (TIFF), כדי להבטיח רזולוציה של לפחות 300 dpi.

3. תפוקת פרסומים לאומית/אזורית וניתוח שיתופי פעולה בינלאומיים

  1. הפעל VOSviewer, בחר ליצור > ליצור מפה המבוססת על נתונים ביבליוגרפיים > קרא נתונים מקבצי מסד נתונים ביבליוגרפיים16.
  2. ייבא את מאגר הנתונים הטקסט הפשוט שנוצר בשלב 1.12.
  3. בחרו בשותפות כסוג הניתוח ובמדינות כיחידת ניתוח.
  4. קבע את מספר המסמכים המינימלי למדינה ל-40, תוך שמירה על 20 המדינות המובילות לפי תפוקת פרסום. להבטיח שרשת שיתוף הפעולה תתמקד במדינות בעלות תפוקה גבוהה תוך שמירה על בהירות וקריאות המפה, מה שמקל על הקוראים להבין אינטואיטיבית את כוחות המחקר הבינלאומיים המרכזיים ודפוסי שיתוף הפעולה.
  5. בממשק אימות הפריטים הנבחרים , בחר את כל המדינות, העתיק את הרשימה ל-Excel, ויצא את מספר הפרסומים וספירת הציטוטים עבור כל מדינה.
  6. בטבלת האקסל שהתקבלה, בחרו את עשר המדינות המובילות לפי תפוקת הפרסום וצרו תרשים המציג את ספירת הפרסומים והציטוט.
  7. בחר את כפתור "סיים" כדי לבנות את רשת שיתוף הפעולה הארצית ולשמור את הרשת בפורמט GML.
  8. הפעל את Scimago Graphica וייבא את קובץ ה-GML.
  9. מפה את שדה התווית למדינה והגדר את סוג שדה האשכול ל-String.
  10. בתצורת הוויזואליזציה, הניחו את שדה פלט הפרסום (בדרך כלל weight או שם דומה) בתיבת הגודל, הגדרו את שדה האשכול כתיבת הצבע, ומפות את שדה התווית לתיבות Label, Tooltip ו-Unit.
  11. לך ל-Marks > Map. השתמש ב-Edges לכיוון עקמומיות הקווים, וב-Edge color להגדרת צבע הצמתים.
  12. ייצא את המפה הסופית בפורמט PNG.
  13. ייבא את מערך הנתונים הטקסט הפשוט שנוצר בשלב 1.12 לפלטפורמת ניתוח ביבליומטרית מקוונת (https://bibliometric.com), לחץ על העלאת נתוני ציטוטים, ובחר יחסי מדינות כדי ליצור דיאגרמת מיתרי שיתוף פעולה לאומית להמחשה.
  14. נקודת ביקורת מרכזית היא להתאים את מספר המסמכים המינימלי בצורה מתאימה כדי שהרשת המתקבלת תהיה מאוזנת וברורה ויזואלית, תוך שמירה על השקפת מטרות המחקר.

4. תוצרת פרסומי כתב עת וניתוח ציטוטים

  1. ייבא את אותו מערך נתונים ל-VOSviewer, בחר את Citation כסוג ניתוח, ובחר Sources כיחידת ניתוח.
  2. הגדר את מספר המסמכים המינימלי למקור ל-5 ואת מספר הציטוטים המינימלי ל-20.
  3. בממשק הפריטים הנבחרים Valid , העתק את רשימת כתבי העת ל-Excel כדי לקבל את מספר הפרסומים וספירת הציטוטים הכוללת עבור כל כתב עת.
  4. בחר ב'סיים', ומפת רשת הציטוטים המשותפים של כתב העת תיווצר. כוון את פרמטרי המשיכה והדחייה כדי לשפר את הפריסה, לחדד את המראה באמצעות לוח הוויזואליזציה , ושמור את המפה כ-TIFF ברזולוציה של לפחות 300 dpi.
  5. באקסל, מיין את כתבי העת לפי מספר הפרסומים, בחר את עשרת כתבי העת המובילים לפי תפוקת פרסום. ב-9 במרץ 2026, יש לגשת לפלטפורמה הרשמית של JCR (טבלת החומרים), לחפש כל כתב עת בהתאמה, ולרשום את מדד ההשפעה העדכני שלהם ואת רבע JCR. צור תרשים המציג את עשרת כתבי העת המובילים לפי תפוקת פרסום.
  6. באקסל, מיין כתבי עת לפי סך כל הציטוטים, בחר את עשרת כתבי העת המובילים לפי תדירות הציטוטים. ב-9 במרץ 2026, השלכו והקליטו את Impact Factor ו-JCR האחרונים שלהם מהפלטפורמה הרשמית של JCR. צור תרשים המציג את עשרת כתבי העת המובילים לפי תדירות ציטוטים.

5. ניתוח רשתות שיתופי פעולה עם מחברים בפרודוקטיביות גבוהה

  1. ייבא את מערך הנתונים ל-VOSviewer, בחר מחבר משותף כסוג ניתוח, ובחר מחברים כיחידת ניתוח.
  2. הגדר את מספר המסמכים המינימלי ל-3 כדי לסנן מחברים עם רמת פעילות מסוימת.
  3. בממשק Verify items select , העתק את רשימת המחברים ושמור את ספירת הפרסומים וספירת הציטוטים של המחברים בקובץ אקסל.
  4. בחר ב-Finish כדי ליצור את רשת שיתוף הפעולה של המחבר, להתאים את פריסת הרשת ומראה, ולשמור בפורמט TIFF.
  5. ב-Excel, מיין את הכותבים לפי מספר הפרסומים שלהם, בחר את עשרת החוקרים הפרודוקטיביים ביותר, ויצר טבלת סופגניות להצגת מספר הפרסומים שלהם.
  6. מתוך מאגר הנתונים המקורי, שלפו את עשרת המחברים המובילים לפי מספר הציטוטים, זהו את מדינותיהם, הקצו צבעים מובחנים לפי מדינה, וצרו טבלה המציגה את עשרת המחברים המובילים לפי תדירות ציטוטים.

6. שילוב מילות מפתח וניתוח התפתחות נושאית

  1. הפעל את CiteSpace ונווט ל-Data > ייבוא/ייצוא.
  2. שים את קובץ ה-txt שייצא בשלב 1.12 לתיקיית הקלט. בממשק ייבוא/ייצוא , הגדר את נתיבי הקלט והפלט, בחר מאמר וסקירה כסוגי המסמך, ולחץ על Start כדי לבצע המרת פורמט נתונים.
  3. לאחר ההמרה, העתק את הקבצים מתיקיית הפלט לתיקיית הנתונים. בממשק הראשי של CiteSpace, לחץ על חדש, הגדר את תיקיית הפרויקט ותיקיית הנתונים, בחר ב-WoS כמקור הנתונים, ובחר אנגלית כשפה.
  4. עבור ללוח חיתוך הזמן מימין, הגדר את הטווח ל-2016–2025, אימץ חלון של שנה, ובחר את Keyword כסוג הצומת.
  5. יישם את מדד ה-g (k=10) עבור קנה מידה של רשתות, ובחר בשלוש אסטרטגיות גיזום: Pathfinder, גיזום רשתות חתומות, וגיזום הרשת הממוזגת.
  6. לחץ על Start כדי להריץ את הניתוח. לאחר ההשלמה, השתמש בפונקציית One-Click Clustering Label Optimization כדי ליצור את מפת ההופעה המשותפת של מילות מפתח.
  7. הגדר את תצוגת תוויות הצמתים והאשכולות מלוח הבקרה, ואופטימיזציה של אלמנטים ויזואליים כמו גודל צומת.
  8. בחר ב-Layout > Timeline כדי ליצור את תצוגת ציר הזמן של מילות מפתח.
  9. בלוח הבקרה, בחר Burstness, לחץ על רענון וצפייה ברצף, הגדר את מספר 25 מילות המפתח המובילות להצגה, ויצר את הגרף של 25 מילות המפתח המובילות לפי עוצמת הפיצוץ. ייצא את התמונות שנוצרו בפורמט TIFF לאחסון.

7. ניתוח קו-ציטוט מקוון

  1. טען את אותו מערך נתונים ל-CiteSpace. הגדר את טווח הזמן ואסטרטגיות הגיזום כפי שמתואר בשלבים 6.4–6.5, ובחר ב-Cited Reference כסוג הצומת.
  2. לאחר הרצת הניתוח, השתמשו בפונקציית אופטימיזציה של תוויות אשכולות בלחיצה אחת כדי ליצור את מפת ההתייחסות להופעה משותפת.
  3. כוון את התוויות של הצמתים והאשכולות, ובחר אשכולות כדי ליצור את מפת האשכול של הפניות.
  4. בפאנל Burstness , הגדר את התצוגה להציג את 20 המקורות המצוטטים ביותר לפי תדירות ציטוטים, ויצר את טבלת 20 המקורות המשותפים המובילים לפי עוצמת הפיצוץ.
  5. ייצא את כל התמונות בפורמט TIFF לאחסון.

8. ניתוח רשתות PPI

  1. גש למסד הנתונים GeneCards (https://www.genecards.org)17ב-12 במרץ 2026, וחפשו באמצעות "מחלת ריאה אינטרסטיציאלית" ו"יתר לחץ דם ריאתי" כמילות מפתח, בהתאמה. מונחי המחלה ששימשו לחיפוש תואמים לאלו שבשליפת הספרות, ולא הורחבו וריאנטים נוספים של מונחים.
  2. ייצא את רשימת המטרות עם ציון רלוונטיות ≥ 1 לכל חיפוש. שיטת החילוץ כללה מיון לפי ציון רלוונטיות וייצוא כל המטרות עם ציון ≥ 1. סף ≥ 1 נבחר משום שהוא לוכד את רוב הגנים הקשורים הנתמכים בספרות תוך מזעור חיוביים שגויים.
  3. השתמש ב-R כדי להשיג את החיתוך בין שתי קבוצות המטרות, מה שמוביל למטרות הקשורות לתחלואה נלווית של ILD-PH.
  4. גשו למודול Multiple Proteins במסד הנתונים STRING (https://cn.string-db.org/)18, הזינו את רשימת יעדי מחלות נלוות בתיבת החיפוש, ובחרו ב-Homo sapiens כמין.
  5. לחץ על המשך, ואז בפאנל ההגדרות , הגדר את ציון האינטראקציה המינימלי הנדרש לביטחון גבוה (0.700), והפעל הסתרת צמתים מנותקים ברשת19.
  6. לאחר עדכון הרשת, הורד את נתוני האינטראקציה כקובץ TSV מתפריט הייצוא .
  7. הפעל את Cytoscape, וטען את קובץ ה-TSV דרך קובץ > ייבוא > רשת ממערכת הקבצים.
  8. ב-Tools > NetworkAnalyzer > Network Analysis > Network Interpretation, בחר ב-Treating the Network כלא מכוונת, וחשב פרמטרים טופולוגיים, כולל דרגת צומת.
  9. הגדר את צורת הצמת, הצבע, הגודל והגדרות המראה האחרות בפאנל הסגנון , והתאם ידנית את מיקום הצמתים כדי להשיג פריסה ברורה.
  10. שמור את תמונת רשת ה-PPI דרך קובץ > ייצא > תמונת רשת לקובץ, ויצא את תוצאות ניתוח הרשת דרך קובץ > ייצוא > טבלה לקובץ.
  11. פתח את הטבלה המיוצאת ב-Excel, סדר לפי עמודת הדרגה היורדת, בחר את 20 היעדים המרכזיים העליונים יחד עם ערכי הדרגה שלהן, צור תרשים עמודות עם תוויות נתונים, ויצא בפורמט TIFF.

9. ניתוח העשרת מסלול KEGG

  1. השיק את R, והזן את הפקודות להתקנה וטעינת החבילות הנדרשות (טבלה משלימה 3):
    install.packages("BiocManager")
    BiocManager::install(c("clusterProfiler", "org. Hs.eg.db"))
    library(clusterProfiler)
    ספרייה (ארגון). Hs.eg.db)
  2. המרו את סמלי הגנים של יעדי תחלואה נלווים ILD-PH למזהי Entrez באמצעות פונקציית bitr(). ב-R, נכנס:
    coma_entrez <- bitr(coma_genes, fromType = "סמל", toType = "ENTREZID", OrgDb = org. Hs.eg.db)
  3. בצע ניתוח העשרה באמצעות פונקציית enrichKEGG() עם הפרמטרים הבאים: organism = "has", pvalueCutoff = 0.05, qvalueCutoff = 0.05. שיטת Benjamini-Hochberg (BH) שימשה לתיקון בדיקות מרובות. הזן את הקוד הבא:
    kegg_result <- enrichKEGG(gene = coma_entrez$ENTREZID,
    אורגניזם = "יש",
    pvalueCutoff = 0.05,
    qvalueCutoff = 0.05,
    use_internal_data = שקרי)
    הערה: ערך p: ערך p המקורי, המייצג את ההסתברות לצפות ברמת ההעשרה הנתונה; ערך q: שיעור גילוי שגוי (FDR) לאחר תיקון בנג'מיני-הוכברג, השולט בשיעור החיובי השגואה. במחקר זה, q < 0.05 שימש כקריטריון להעשרה משמעותית.
  4. סנן את התוצאות באמצעות מילות המפתח "מחלות אנושיות" ו"מטבוליזם" כדי להסיר מסלולים הקשורים למחלות ומטבוליזם אנושיים, תוך שמירה על מסלולים הקשורים לתהליכים ביולוגיים. מחלות אנושיות ונתיבי חילוף חומרים מתארים בעיקר את המנגנונים הכוללים של מחלות ורשתות מטבוליות, אשר קשורים באופן חלש לפיברוזיס, דלקת ומנגנוני שינוי כלי דם של תחלואה נלווית של ILD-PH. לכן, הן הוצאו כדי למקד את התוצאות במסלולי איתות מרכזיים. הכירו:
    kegg_result_df < - as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[!grepl("מחלות אנושיות|מטבוליזם", kegg_result_df$תיאור), ]
  5. מיין את המסלולים בסדר יורד לפי ספירת גנים, בחר את עשרת המסלולים העליונים, יצר גרף נקודות באמצעות פונקציית dotplot(), וייצא את הגרף בפורמט PNG. הכירו:
    top10_pathways <- head(kegg_filtered[order(kegg_filtered$Count, מורד/ת = TRUE), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave("KEGG_dotplot.png", dotplot_result, רוחב = 8, גובה = 6, DPI = 300)
  6. חלץ את עשרת המסלולים המובילים ואת הגנים המטרה המשויכים להם, בנה טבלה דו-עמודית (שם המסלול, גן היעד), ושמור את הטבלה כקובץ TXT מוגבל לטאבים.
  7. ייבא את הקובץ ל-Cytoscape, הגדר את הבדלי הצורה והצבע בין צמתים במסלול לצמתים היעד דרך פאנל Style , לחדד ידנית את הפריסה, ולייצא את תמונת הרשת20.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

שליפת נתונים וסינון

בסך הכל נאספו 2,400 רשומות ממסד הנתונים של Scopus, בעוד ש-696 זוהו במסד הנתונים של WoSCC. לאחר מיזוג שני מערכי הנתונים והסרת 533 רשומות כפולות, נכללו לבסוף 2,563 פרסומים ייחודיים לניתוח ביבליומטרי נוסף (איור 1).

מגמות תפוקת הפרסום השנתיות

תפוקת הפרסום השנתית בתחום מחלות ריאות אינטרסטיציאליות ויתר לחץ דם ריאתי בין השנים 201...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

מחקר זה מייצג את היישום המשולב הראשון של ביבליומטריקה וביואינפורמטיקה לחקר הנלווה של ILD ו-PH. היא בוחנת באופן שיטתי את מסלול ההתפתחות, מבנה הידע והמגמות המתקדמות בתחום זה בעשור האחרון, ומזהה את גני המרכז ואת מסלולי האיתות המרכזיים שמאחורי מצב נלווה זה ברמה המולקולרית. מנקודת מבט מאקרו-מגמה, מספר הפרסומים השנתי בתחום זה עלה מ-142 בשנת 2016 ל-402 בשנת 2025, מה שמייצג עלייה כמעט פי שלושה, המשקף גידול מתמשך בתשומת הלב האקדמית לתחלואה נלווית של ILD-PH. נצפו עליות משמעותיות בשתי תקופות: 2020–...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

המחברים מדווחים שאין ניגודי עניינים בעבודה זו.

תודות

המחברים מודים בהכרת תודה על התמיכה הכספית מהפרויקט הלאומי למחלות כרוניות לא מדבקות - המדע והטכנולוגיה הלאומית (2024ZD0522300, 2024ZD0522301) ומקרן המכון המרכזי למחקר של האקדמיה הסינית למדעי הרפואה (2022-ZHCH330-01).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
Bibliometric Online Analysis PlatformK-Synth Srl (Bibliometric)https://bibliometric.comפלטפורמת ניתוח מקוונת; מודול: יחסי מדינות; מייצרת תרשים מיתרי שיתוף פעולה של מדינות; נגישה ב-10 במרץ, 2026
CiteSpaceDrexel University6.4.R1ניתוח ביבליו-מטרי; פרוסת זמן: 2016–2025; סוגי צמתים: מילות מפתח, הפניות; גיזום: Pathfinder + רשתות מפורקות מפורקות
clusterProfiler (חבילת R)Guangchuang Yu et al.4.13.2ניתוח העשרת KEGG; ספים: p < 0.05, q < 0.2
CytoscapeCytoscape Consortium3.10.3ויזואליזציה וניתוח רשת; תוסף: CytoHubba; אלגוריתם: מרכזיות מעלות; משמש לזיהוי גן רכז
GeneCardsWeizmann Institute of Sciencehttps://www.genecards.orgמסד נתונים של מידע על גנים; גרסת מסד נתונים 5.22; נגישה ב-12 במרץ, 2026; קריטריון סינון: ציון רלוונטיות ≥ 1
Journal Citation Reports (JCR)Clarivate Analyticshttps://jcr.clarivate.comגורם השפעה של כתב עת וקטורת השגה; נגישה ב-9 במרץ, 2026
KEGGKyoto Encyclopedia of Genes and Genomeshttps://www.kegg.jpמסד נתונים של נתיבים; נגישה דרך ממשק ה-API של clusterProfiler ב-13 במרץ, 2026; מין: hsa
MeSH DatabaseNational Library of Medicine (NLM)https://meshb.nlm.nih.govמסד נתונים לשאילתת מונחי MeSH; נגישה ב-9 במרץ, 2026; משמשת לבניית אסטרטגיית חיפוש
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)סטטיסטיקת נתונים ויצירת תרשים; משמשת לספירת פרסומים, סילוק כפילויות, שרטוט תרשים
org.Hs.eg.db (חבילת R)Bioconductor Core Team3.20.0מסד נתונים להערה של הגנום האנושי; משמשת להמרת מזהי גנים
RR Core Team4.4.2סביבת חישוב סטטיסטית ושרטוט; תאריך ריצה: 13 במרץ, 2026
Scimago GraphicaScimago Lab2כלי ויזואליזציה; פריסה: הקרנת מפה; עקמומיות קצה: 0.5; מיפוי צבע: לפי אשכול
ScopusElsevierhttps://www.scopus.comמסד נתונים להשגת ספרות; מהדורה מלאה של Elsevier Scopus 2026; תאריך השגה: 9 במרץ, 2026
STRINGEMBL12.0 / https://cn.string-db.orgמסד נתונים לאינטראקציות חלבון-חלבון; נגישה ב-12 במרץ, 2026; סף ציון אינטראקציה: 0.7 (אמון גבוה); סוג רשת: פיזי + פונקציונאלי
VOSviewerLeiden University1.6.20ניתוח ביבליו-מטרי; סוג ניתוח: שיתוף פעולה כתיבה; שיטת נורמליזציה: חוזק קישור
Web of Science Core CollectionClarivate Analyticshttps://www.webofscience.comמסד נתונים להשגת ספרות; מכסה את מסדי הנתונים SCIE ו-SSCI; תאריך השגה: 9 במרץ, 2026

מקורות

  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.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

ביולוגיהגיליון 234גיליון 234
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.