Articolo metodologico

Tendenze di ricerca globali e attuali del sequenziamento di singole cellule nel cancro: uno studio bibliometrico e di visualizzazione

1.6K visualizzazioni

⸱

DOI:

10.3791/67880

⸱

18 aprile 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

In questo articolo

Sommario

Questa analisi bibliometrica del sequenziamento di singole cellule nella ricerca sul cancro indica che la Cina e gli Stati Uniti producono un numero significativamente maggiore di articoli accademici rispetto ad altre nazioni. Il rilevamento burst identifica termini emergenti come "eterogeneità intra-tumorale", "evoluzione clonale" e "sistemi di somministrazione di farmaci", che dovrebbero influenzare la ricerca futura.

Abstract

Il cancro rappresenta una sfida significativa per la salute umana a causa dei suoi complessi sistemi biologici, che richiedono un'analisi approfondita. Il sequenziamento di singole cellule è diventato uno strumento essenziale per lo studio di questi sistemi, consentendo il rilevamento dell'espressione genica e delle modificazioni epigenetiche a livello di singola cellula. Per chiarire le tendenze della ricerca, le reti di collaborazione e la diffusione della conoscenza in questo campo, è stata condotta un'analisi bibliometrica utilizzando il database Web of Science Core Collection, che copre le pubblicazioni dal 1° gennaio 2010 al 31 dicembre 2023. Il pacchetto Bibliometrix in R è stato utilizzato per estrarre e analizzare i dati chiave della pubblicazione, inclusi tipi di documenti, paesi, istituzioni, autori e parole chiave. Inoltre, per la compilazione e la visualizzazione dei dati sono stati utilizzati CiteSpace, VOSviewer e la piattaforma di analisi online della metrologia della letteratura. L'analisi ha identificato 34.074 autori provenienti da 3.129 istituzioni in 75 paesi e regioni, contribuendo a 5.680 pubblicazioni sul sequenziamento di singole cellule nel cancro, pubblicate in 788 riviste accademiche. La Cina e gli Stati Uniti sono emersi come le nazioni leader nel volume delle pubblicazioni. L'Università di Harvard ha prodotto il maggior numero di pubblicazioni (320), con Aviv Regev, affiliato ad Harvard, riconosciuto come un contributore chiave. Riviste leader, come Frontiers in Immunology e Nature Communications, evidenziano aree di ricerca consolidate ed emergenti, tra cui il microambiente immunitario e l'immunoterapia. Le tendenze chiave e le potenziali aree per la ricerca futura includono l'eterogeneità intra-tumorale, l'evoluzione clonale e i sistemi di somministrazione dei farmaci. Questo studio fornisce una panoramica completa della ricerca sul sequenziamento di singole cellule in oncologia, sottolineando il suo rapido progresso, guidato dai progressi tecnologici e dalle collaborazioni internazionali. Rafforzare le partnership globali, sviluppare strumenti analitici integrativi e affrontare la complessità dei dati sarà fondamentale per far progredire le terapie antitumorali personalizzate e approfondire le conoscenze sulla biologia del cancro.

Introduzione

Il cancro rappresenta una delle malattie più dannose, classificandosi come la seconda causa di mortalità in tutto il mondo1. Si stima che entro il 2035 circa un quarto della popolazione mondiale sarà direttamente colpita dal cancro 2,3. La patogenesi del cancro è principalmente legata alla disregolazione della crescita cellulare, che è influenzata da una varietà di fattori tumorigenici 4,5. Gli "Hallmarks of Cancer" sono stati concettualizzati come un insieme di capacità funzionali che facilitano la transizione dagli stati cellulari normali alla crescita neoplastica, in particolare quelle capacità essenziali per la formazione di tumori maligni6. La tecnologia di sequenziamento svolge un ruolo fondamentale nel far progredire la nostra comprensione della patogenesi delle malattie. Tuttavia, a causa dell'intrinseca eterogeneità dei tumori, l'identificazione delle caratteristiche genomiche delle cellule staminali a bassa abbondanza attraverso l'analisi del sequenziamento ad alto rendimento dei tessuti tumorali presenta sfide significative 7,8.

Il sequenziamento di singole cellule, che comprende genomica, trascrittomica, epigenomica, proteomica e metabolomica, rappresenta un potente approccio metodologico per chiarire i paesaggi cellulari e molecolari a livello di singola cellula 9,10. La sua applicazione nella ricerca sul cancro ha migliorato significativamente la comprensione delle caratteristiche biologiche e delle dinamiche presenti all'interno delle lesioni neoplastiche, facilitando così una comprensione più completa dello sviluppo e delle metastasi del cancro.

L'analisi bibliometrica esamina le caratteristiche strutturali e gli attributi delle pubblicazioni scientifiche ed è stata ampiamente impiegata nelle valutazioni sia qualitative che quantitative della letteratura scientifica 11,12. Confrontando i contributi di vari paesi, istituzioni, ricercatori e pubblicazioni, è possibile chiarire e anticipare potenziali progressi all'interno di un particolare dominio di ricerca. Sebbene vi sia stato un aumento sostanziale delle revisioni sistematiche e narrative incentrate sulla ricerca sul sequenziamento di singole cellule nel cancro, rimane una notevole carenza di analisi complete nell'ambito della valutazione quantitativa 13,14,15. Questo studio mira a condurre un'analisi completa delle tendenze di sviluppo e dei principali argomenti di ricerca nel sequenziamento di singole cellule nel dominio del cancro, utilizzando metodi bibliometrici. I risultati offriranno a ricercatori, medici e responsabili politici una panoramica dettagliata dello stato attuale delle conoscenze e della comprensione in questo settore.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

I dati utilizzati in questo studio sono stati ottenuti dalla Web of Science Core Collection (2010-2023).

1. Raccolta dei dati

  1. Selezione del database
    1. Accedi al database Web of Science Core Collection (WoSCC) tramite. https://webofscience. clarivate.cn/wos/author/author-search.
    2. Costruisci una strategia di ricerca utilizzando parole chiave mirate, in particolare "sequenziamento di singole cellule" e "cancro", per identificare la letteratura pertinente. Fare clic sul pulsante di ricerca per completare la ricerca bibliografica.
      NOTA: Fare riferimento alla Tabella supplementare 1 per un elenco completo delle parole chiave impiegate nella strategia di ricerca per migliorare l'accuratezza e l'inclusività.
  2. Parametri di ricerca
    1. Scegli il periodo di pubblicazione dal 1° gennaio 2010 al 31 dicembre 2023 per catturare le tendenze di ricerca più recenti e complete.
    2. Seleziona l'inglese come lingua per i risultati della ricerca e scegli Articolo e Recensione sono i tipi di articolo per garantire la coerenza dei dati e facilitare l'analisi comparativa.
    3. Garantisci la pertinenza escludendo le pubblicazioni al di fuori dei domini del sequenziamento di singole cellule e della ricerca sul cancro.
  3. Recupero e formattazione dei dati
    1. Compila le pubblicazioni selezionate in formato Full Record e Citati Riferimenti per conservare metadati dettagliati.
    2. Salva i dati raccolti come file di testo normale per la successiva analisi utilizzando strumenti bibliometrici.
    3. Verificare che ogni record contenga metadati completi, comprese le informazioni sulle citazioni e sulla co-paternità, per consentire un'analisi bibliometrica approfondita (Figura 1).

2. Pre-elaborazione dei dati

  1. Raccolta e importazione dei dati
    1. Avvia l'interfaccia biblioshiny del pacchetto bibliometrix in R.
      NOTA: Il codice specifico viene fornito come segue:
      biblioteca(bibliometrix)
      packageVersion("bibliometrix")
      biblioshiny()
    2. Accedi al database WoSCC e seleziona un file di testo normale unito contenente dati bibliometrici.
    3. Importare i dati ed esportarli in formato dati R per l'analisi successiva.
  2. Trend di crescita annuale delle pubblicazioni e delle citazioni
    1. Converti le colonne PY (anno di pubblicazione) e Z9 (conteggio citazioni) in formato numerico.
    2. Raggruppa i dati per anno di pubblicazione e calcola il numero di pubblicazioni annuali e le citazioni totali.
    3. Crea un grafico a barre per rappresentare il numero di pubblicazioni ogni anno e sovrapponi un grafico a linee per illustrare il conteggio delle citazioni nel tempo.
      NOTA: Il codice specifico è fornito come Codice 1 nel File supplementare 1.
  3. Pubblicazione nazionale e analisi della collaborazione
    1. Pubblicazione nazionale e aggregazione di collaborazioni
      1. Riepiloga le pubblicazioni annuali e le citazioni di ciascun paese utilizzando i campi Anno di pubblicazione (PY) e Paesi autori (AU_CO1).
      2. Focalizza l'analisi sui primi 10 paesi per volume di pubblicazioni.
    2. Calcolo metrico
      1. Calcola le metriche chiave, tra cui il numero di pubblicazioni (NP), la frequenza di citazioni (NC), le pubblicazioni per singolo paese (SCP) e le pubblicazioni per più paesi (MCP)16.
      2. Determinare il rapporto tra le pubblicazioni di più paesi (MCP_Ratio) come indicatore della collaborazione internazionale.
      3. Utilizza la funzione H-index di R per calcolare gli indici di impatto (H-index, G-index e M-index) per ciascun paese in un periodo di 14 anni17.
        NOTA: Il codice specifico è fornito come Codice 2 nel File supplementare 1. Utilizza la piattaforma di analisi online della metrologia della letteratura (https://bibliometric.com/) per esaminare le relazioni di collaborazione tra i paesi. Carica i dati in formato testo normale dal WoSCC. Utilizza la funzione "relazioni tra paesi" per valutare le collaborazioni internazionali. Culmina in una visualizzazione della rete di collaborazione tra i principali paesi contributori.
  4. Pubblicazione istituzionale e analisi della collaborazione
    1. Estrazione e classificazione dei dati
      1. Estrai i dati istituzionali dalla sezione Affiazioni all'interno della funzione Analizza risultati del database WoSCC.
      2. Classifica le istituzioni in ordine decrescente in base al numero totale di articoli pubblicati.
    2. Visualizzazione dei dati
      1. Genera un grafico a barre orizzontali utilizzando il pacchetto ggplot2 in R per illustrare il volume delle pubblicazioni tra le principali istituzioni.
        NOTA: Il codice specifico è fornito come Codice 3 nel File supplementare 1.
    3. Analisi della co-paternità
      1. Configurazione dell'analisi in VOSviewer: avvia VOSviewer, quindi seleziona Crea dal menu principale. Scegliere Crea una mappa basata sui dati bibliografici e scegliere Leggi i dati dai file del database bibliografico. Infine, importa i file di testo normale.
      2. Configurazione e parametri: imposta il tipo di analisi su co-authorship in VOSviewer. Scegliere il metodo di conteggio completo e selezionare le organizzazioni come unità di analisi. Configura i parametri in modo da includere un massimo di 1.200 organizzazioni per documento e imposta la soglia minima su 30 documenti per organizzazione per garantire un'analisi completa della rete.
      3. Visualizzazione e interpretazione: Completa la configurazione facendo clic su Fine per generare una mappa di visualizzazione che illustra le reti di collaborazione tra le istituzioni. Garantire che la mappa evidenzi i livelli di connettività e partenariato, identificando gli hub centrali dell'attività di ricerca e le aree chiave di cooperazione tra le istituzioni.
  5. Analisi degli autori e collaborazione degli autori
    1. Identificazione degli autori prolifici: accedi alla sezione Profili dei ricercatori nel database WoSCC per classificare gli autori in base al numero totale di articoli pubblicati.
    2. Visualizzazione dei dati: utilizza il pacchetto ggplot2 in R per creare un grafico a barre orizzontali, che rappresenta visivamente il volume di pubblicazione dei principali autori.
    3. Valutazione dei contributi degli autori: recupera metriche aggiuntive per i primi 10 autori per volume di pubblicazioni, tra cui l'H-index, il paese e l'istituzione affiliata, utilizzando i dati del database WoSCC.
      NOTA: Il codice specifico è fornito come Codice 4 nel File supplementare 1.
    4. Reti di collaborazione per gli autori
      1. Impostazione dell'analisi in VOSviewer: avvia VOSviewer e seleziona il pulsante Crea , seguito da Crea una mappa basata sui dati bibliografici. Importare i file di testo normale pertinenti contenenti i dati bibliografici selezionando Leggi i dati dai file del database bibliografico.
      2. Configurazione e parametri: impostare il tipo di analisi su co-paternità e utilizzare il metodo di conteggio completo . Selezionare gli autori come unità di analisi. Regola i parametri in modo da includere un massimo di 33 organizzazioni per documento e stabilisci una soglia minima di 15 documenti per autore per garantire l'acquisizione di dati di collaborazione significativi.
      3. Visualizzazione e approfondimenti: fare clic su Fine per generare una visualizzazione in sovrimpressione, che illustra l'evoluzione temporale delle collaborazioni con gli autori, fornendo informazioni sulle dinamiche e sulla crescita delle reti di co-autori nel tempo.
  6. Analisi di riviste e riviste co-citate
    1. Calcolo delle metriche delle riviste: utilizza la funzione H-index in R per calcolare le metriche chiave per ogni rivista, tra cui il numero di pubblicazioni per fonte (NP), la frequenza di citazione (NC), l'anno della prima pubblicazione (PY_start) e gli indici di impatto (H-index, G-index e M-index).
    2. Recupero dei fattori di impatto e delle classifiche: ottieni i fattori di impatto delle riviste e le classifiche dei quartili dal database WoSCC per valutare ulteriormente l'influenza e la posizione di ciascuna rivista nel campo.
      NOTA: Il codice specifico è fornito come Codice 5 nel File supplementare 1.
    3. Analisi del flusso di conoscenza
      1. Importazione e configurazione dei dati in CiteSpace: apri CiteSpace e vai al menu Dati . Selezionare Importa/Esporta e scegliere WOS per importare i dati. Configurare i percorsi di input e output in base alle esigenze.
      2. Selezione e configurazione della mappa: selezionare le opzioni Mappe sovrapposte e Mappe JCR Journals all'interno di CiteSpace, impostando lo z-score su 0. Questa configurazione consente la generazione di una doppia mappa per illustrare il flusso di conoscenza tra le riviste.
  7. Analisi dei riferimenti co-citati e della rete di clustering
    1. Importazione e configurazione dei dati in CiteSpace
      1. Apri CiteSpace, vai al menu Dati e seleziona Importa/Esporta.
      2. Importa i dati dal database WoSCC in testo normale, configurando l'intervallo temporale di analisi da gennaio 2010 a dicembre 2023 con un intervallo di un anno per il dettaglio temporale.
    2. Configurazione e sfoltimento della rete
      1. Impostare il tipo di nodo su Riferimento in CiteSpace. Utilizza l'opzione Pathfinder e la funzione Sfoltimento delle reti affettate per applicare l'eliminazione alla rete.
      2. Esegui l'analisi facendo clic su VAI per generare una mappa di co-citazione di riferimento, regolando le impostazioni del carattere e del colore per una migliore leggibilità.
    3. Identificazione di referenze ad alto impatto
      1. Selezionare l'opzione Burstness e impostare il parametro γ su [0, 1] in CiteSpace.
      2. Aggiorna i dati per generare un elenco dei primi 20 riferimenti con i più forti picchi di citazioni.
  8. Analisi della co-occorrenza delle parole chiave
    1. Analisi della frequenza delle parole chiave in R
      1. Conduci l'analisi delle parole chiave utilizzando il pacchetto bibliometrix in R, concentrandoti sulle parole chiave più frequenti nei documenti.
      2. Imposta il campo su Parole chiave dell'autore e limita il numero alle prime 20 parole chiave, filtrando i sinonimi per garantire la coerenza.
    2. Analisi del burst di parole chiave in CiteSpace
      1. Utilizzare CiteSpace per eseguire l'analisi burst delle parole chiave selezionando l'opzione Burstness e impostando il parametro γ su [0, 1].
      2. Aggiorna i dati per generare un elenco delle prime 30 parole chiave con i più forti picchi di citazioni.
    3. Analisi della rete di co-occorrenza di parole chiave in VOSviewer
      1. Apri VOSviewer, seleziona Crea, quindi Crea una mappa basata sui dati bibliografici.
      2. Importare i file di testo normale utilizzando l'opzione Leggi dati dai file del database bibliografico .
      3. Impostare il tipo di analisi su co-occorrenza, utilizzando il metodo di conteggio completo , con le parole chiave dell'autore come unità di analisi.
      4. Applica una soglia minima di 40 occorrenze di parole chiave e fai clic su Fine per completare l'analisi, producendo una rete di co-occorrenze che visualizza le relazioni tra parole chiave all'interno del campo.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Trend di crescita annuale delle pubblicazioni e delle citazioni
Dal 2010 al 2023, nel database WoSCC sono state identificate un totale di 6.767 pubblicazioni relative al sequenziamento di singole cellule nel cancro. Un totale di 602 studi pubblicati tra il 2010 e il 2023 sono stati esclusi dall'analisi, seguiti dall'esclusione di cinque studi non pubblicati in inglese. Inoltre, 480 articoli sono stati esclusi in base a criteri di esclusione predefiniti, comprendenti 361 abstract di riunioni, 83 materi...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

L'analisi bibliometrica funge da approccio quantitativo per valutare le caratteristiche e l'impatto scientifico di pubblicazioni significative26. Questo studio ha condotto un'ampia analisi bibliometrica di 5.680 articoli relativi al sequenziamento di singole cellule nella ricerca sul cancro, estratti dal database WoSCC e pubblicati tra il 2010 e il 2023. L'analisi mirava a valutare lo stato attuale della ricerca, identificare i principali punti caldi della ricerca...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori non hanno nulla da rivelare.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
bibliometrix packageComprehensive R Archive Network (CRAN)bibliometrix 4.3.0Un grafico forestale che consente più intervalli di confidenza per riga, caratteri personalizzati per ogni elemento di testo, intervalli di confidenza personalizzati, testo mescolato con espressioni e altro ancora.
CiteSpaceChaomei Chen, Università DrexelCiteSpace 6.2.R4 (64-bit) beta Basic‌ CiteSpace‌ è uno strumento di analisi della letteratura scientifica. La sua funzione principale è quella di analizzare le conoscenze di base nella letteratura scientifica attraverso mezzi visivi, mostrando la struttura, le regole e la distribuzione delle conoscenze scientifiche. Le funzioni principali di CiteSpace includono: analisi della collaborazione di ricerca ‌, giudizio di importanti riviste ‌, estrazione di argomenti principali e così via.
dplyrComprehensive R Archive Network (CRAN)dplyr 1.1.4dbplyr è il back-end del database per dplyr. Consente di utilizzare tabelle di database remote come se fossero frame di dati in memoria convertendo automaticamente il codice dplyr in SQL.
esquisseComprehensive R Archive Network (CRAN)esquisse 2.0.1Questo componente aggiuntivo ti consente di esplorare in modo interattivo i tuoi dati visualizzandoli con il pacchetto ggplot2. Consente di disegnare grafici a barre, curve, grafici a dispersione, istogrammi, boxplot e oggetti sf, quindi esportare il grafico o recuperare il codice per riprodurre il grafico.
forcatsComprehensive R Archive Network (CRAN)forcats 1.0.0R utilizza fattori per gestire variabili categoriche, variabili che hanno un insieme fisso e noto di valori possibili. I fattori sono utili anche per riordinare i vettori dei caratteri per migliorare la visualizzazione. L'obiettivo del pacchetto forcats è quello di fornire una suite di strumenti che risolvono problemi comuni con fattori, tra cui la modifica dell'ordine dei livelli o dei valori.
ggplot2Comprehensive R Archive Network (CRAN)ggplot2 3.5.1ggplot2 è un sistema per la creazione dichiarativa di grafica, basato su The Grammar of Graphics. Fornisci i dati, dici a ggplot2 come mappare le variabili all'estetica, quali primitive grafiche usare e lui si prende cura dei dettagli.
ggpmiscRete di archiviazione R completa (CRAN)ggpmisc 0.6.1Pacchetto ' ggpmisc' (Estensioni varie di ' ggplot2') è un insieme di estensioni del pacchetto R ' ggplot2' (>= 3.0.0) con enfasi sulle annotazioni e sul tracciato relativi ai modelli adattati. Le stime degli oggetti di adattamento del modello possono essere visualizzate nei grafici grafici come testo, tabelle o equazioni. I valori previsti, i residui, le deviazioni e i pesi possono essere tracciati per varie funzioni di adattamento del modello.
ggsciComprehensive R Archive Network (CRAN)ggsci 3.2.0ggsci offre una raccolta di tavolozze di colori ggplot2 ispirate a riviste scientifiche, librerie di visualizzazione dei dati, film di fantascienza e programmi TV.
openxlsxComprehensive R Archive Network (CRAN)openxlsx 4.2.7.1Questo pacchetto R semplifica la creazione di file .xlsx fornendo un'interfaccia di alto livello per la scrittura, lo stile e la modifica dei fogli di lavoro. Attraverso l'uso di Rcpp, i tempi di lettura/scrittura sono paragonabili ai pacchetti xlsx e XLConnect con l'ulteriore vantaggio di rimuovere la dipendenza da Java.
readxlComprehensive R Archive Network (CRAN)readxl 1.4.3Il pacchetto readxl semplifica l'estrazione dei dati da Excel e in R. Rispetto a molti dei pacchetti esistenti (ad esempio gdata, xlsx, xlsReadWrite) readxl non ha dipendenze esterne, quindi è facile da installare e utilizzare su tutti i sistemi operativi. È progettato per funzionare con dati tabulari.
reshape2Comprehensive R Archive Network (CRAN)reshape2 1.4.4Reshape2 è un riavvio del pacchetto reshape. Sono passati più di cinque anni dalla prima versione di reshape, e in quel periodo ho imparato moltissimo sulla programmazione R e su come lavorare con i dati in R. Reshape2 utilizza questa conoscenza per creare un nuovo pacchetto per rimodellare i dati che è molto più mirato e molto più veloce.
stringrComprehensive R Archive Network (CRAN)stringr 1.5.1Le stringhe non sono componenti affascinanti e di alto profilo di R, ma svolgono un ruolo importante in molte attività di pulizia e preparazione dei dati. Il pacchetto stringr fornisce un insieme coerente di funzioni progettate per rendere il lavoro con le corde il più semplice possibile.
tidytextRete di archiviazione R completa (CRAN)tidytext 0.4.2L'utilizzo dei principi di dati ordinati può rendere molte attività di text mining più facili, più efficaci e coerenti con strumenti già ampiamente utilizzati. Gran parte dell'infrastruttura necessaria per il text mining con frame di dati ordinati esiste già in pacchetti come dplyr, broom, tidyr e ggplot2. In questo pacchetto, forniamo funzioni e set di dati di supporto per consentire la conversione di testo da e verso formati ordinati e per passare senza problemi tra strumenti ordinati e pacchetti di text mining esistenti. Dai un'occhiata al nostro libro per saperne di più sul text mining utilizzando i principi dei dati ordinati
tidyverseComprehensive R Archive Network (CRAN)tidyverse 2.0.0Il tidyverse è una raccolta di pacchetti R progettati per la scienza dei dati. Tutti i pacchetti condividono una filosofia di progettazione, una grammatica e strutture dati di base.
VennDiagramComprehensive R Archive Network (CRAN)VennDiagram 1.7.3VennDiagram è un pacchetto R per la generazione di diagrammi di Venn personalizzabili ad alta risoluzione con un massimo di quattro set e diagrammi di Eulero con un massimo di tre set. Include la gestione di diversi casi speciali, tra cui il ridimensionamento a due casi, e un'ampia personalizzazione della forma e della struttura della trama.
VOSviewer  Centro per gli Studi Scientifici e Tecnologici, Università di Leiden, Paesi BassiVOSviewer versione 1.6.19VOSviewer è uno strumento software per la costruzione e la visualizzazione di reti bibliometriche. Queste reti possono ad esempio includere riviste, ricercatori o singole pubblicazioni, e possono essere costruite sulla base di citazioni, accoppiamenti bibliografici, co-citazioni o relazioni di co-autorialità. VOSviewer offre anche funzionalità di text mining che possono essere utilizzate per costruire e visualizzare reti di co-occorrenza di termini importanti estratti da un corpus di letteratura scientifica.

Riferimenti

  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Ricerca sul cancroAnalisi bibliometricaMicroambiente immunitarioEvoluzione tumoraleEvoluzione clonaleEterogeneit intratumoraleSistemi di rilascio di farmaciAnalisi della co autoriaCo occorrenza di parole chiave

Articoli correlati