È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo metodologico

Bibliometria e Bioinformatica Esplorazione dei punti caldi di ricerca e dei principali obiettivi nella comorbidità: Malattie polmonari interstiziali e ipertensione polmonare

157 visualizzazioni

⸱

DOI:

10.3791/71631

⸱

7 agosto 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

In questo articolo

Sommario

Questo protocollo utilizza come esempi la malattia polmonare interstiziale e l'ipertensione polmonare e integra la bibliometria con la bioinformatica per esplorare sistematicamente e preliminarmente le tendenze di ricerca, i punti caldi, i bersagli chiave e le vie correlate. Questo protocollo poteva essere replicato per analizzare eventuali coppie di malattie modificando i prompt.

Abstract

La malattia polmonare interstiziale (ILD) e l'ipertensione polmonare (HP) coesistono frequentemente come comorbidità, portando a scarsi risultati clinici e opzioni terapeutiche limitate. Identificare importanti punti di riferimento della ricerca e scoprire i principali obiettivi di comorbidità è essenziale per migliorare la gestione delle malattie e sviluppare nuove strategie terapeutiche. Questo protocollo recupera le pubblicazioni rilevanti dai database Web of Science Core Collection e Scopus, e utilizza CiteSpace e VOSviewer per mappare punti caldi di ricerca e tendenze in evoluzione. Successivamente, dal database GeneCards vengono identificati bersagli genetici sovrapposti associati a entrambe le malattie. Le reti di interazione proteina-proteina sono costruite utilizzando STRING per identificare i geni hub, e l'analisi di arricchimento delle vie KEGG viene eseguita utilizzando il linguaggio R per chiarire le principali vie di segnalazione. I risultati mostrano che la bibliometria identifica la traiettoria evolutiva di questo campo interdisciplinare da una prospettiva macro; l'analisi bioinformatica rivela FN1, IL6 e TNF come potenziali obiettivi principali di comorbidità; e l'analisi di arricchimento KEGG indica che le vie immunitarie legate a PI3K-Akt e MAPK sono profondamente coinvolte nella patogenesi della comorbidità. Integrando i due approcci, questo protocollo delinea sistematicamente la traiettoria di sviluppo e i punti caldi di ricerca nella ricerca sulla comorbidità ILD-PH, selezionando preliminarmente potenziali obiettivi e vie di comorbidità. Fornisce una direzione e una base computazionale per future ricerche sperimentali e validazione clinica. Questo quadro integrato offre una metodologia riproducibile applicabile allo studio di altre complesse comorbidità di malattie.

Introduzione

La malinpatia polmonare interstiziale (ILD) si riferisce a un gruppo di malattie polmonari diffuse caratterizzate patologicamente da infiammazione e fibrosi dell'interstizio polmonare. Durante la sua evoluzione della malattia, spesso è complicata da molteplici comorbidità, tra cui l'ipertensione polmonare (HP) è una delle comorbidità più comuni che influisce significativamente sullaprognosi 1,2. I dati epidemiologici indicano che l'incidenza dell'HP nei pazienti con ILD varia a seconda del sottotipo e dello stadio della malattia, variando dal 13% all'86%3,4,5. Questa condizione comorbida non solo riduce significativamente la qualità della vita dei pazienti e aumenta il rischio di mortalità, ma aggrava anche il carico socioeconomico esanitario 6,7. A differenza dell'ipertensione arteriosa polmonare, la patogenesi dell'ipertensione polmonare associata alla malattia polmonare interstiziale è più complessa, coinvolgendo molteplici processi patologici come la vasocostrizione polmonare ipossica, il rimodellamento vascolare mediato da fattori profibrotici e infiammatori, e la deposizione della matriceextracellulare 8,9,10. Attualmente, le strategie cliniche di diagnosi e trattamento per questa condizione comorbida restano relativamente limitate e mancano farmaci specifici mirati. I suoi meccanismi molecolari sottostanti, le vie chiave di segnalazione e i primi biomarcatori devono ancora essere sistematicamentechiariti 11,12.

Come strumento oggettivo per rilevare punti focali di ricerca e traiettorie evolutive, la bibliometria ha acquisito ampi applicazioni negli ultimianni 13,14. L'analisi bioinformatica identifica i target chiave e le vie principali integrando bersagli associati alla malattia scopertiin precedenza 15. Per la ricerca sulla comorbidità, integrare i punti caldi di ricerca macroscopica con le informazioni a livello molecolare dei percorsi e dei target approfondisce la comprensione dei meccanismi di comorbidità e fornisce previsioni computazionali e indicazioni direzionali per studi sperimentali successivi. Tuttavia, la ricerca sulla comorbidità della malattia polmonare interstiziale e dell'ipertensione polmonare manca ancora di un'analisi integrata sistematica che combini la mappatura macroscopica della conoscenza con le reti molecolari microscopiche. Di conseguenza, questo studio ha utilizzato i database Web of Science Core Collection (WoSCC) e Scopus per delineare in modo completo la traiettoria di sviluppo e i punti caldi di ricerca della ricerca sulla comorbidità ILD-PH attraverso metodi bibliometrici. Contemporaneamente, sono stati impiegati strumenti bioinformatici per identificare geni fondamentali e potenziali vie molecolari associate alla comorbidità, fornendo una base molecolare candidata e una direzione di progettazione sperimentale per ricerche sperimentali successive e esplorazioni mirate.

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

Protocollo

Lo studio utilizzava database secondari pubblici disponibili, tra cui GeneCards, STRING e KEGG. Secondo l'Articolo 32 del Regolamento sulle Risorse Genetiche Umane della Cina, questi database non prevedono la raccolta diretta di risorse genetiche umane all'interno della Cina; Pertanto, non era richiesta alcuna approvazione etica o consenso informato per questo studio. Le informazioni dettagliate sulle versioni del software e delle piattaforme utilizzate in questa sezione sono fornite nella Tabella dei Materiali.

1. Raccolta e organizzazione della letteratura

  1. Accedi al database MeSH (Tabella dei Materiali).
  2. Cerca separatamente i termini per la malattia "Malattie polmonari interstiziali" e "Ipertensione polmonare" per recuperare i loro sottotitoli associati.
  3. Sviluppare una strategia di ricerca completa basata sui termini e sottotitoli MeSH identificati.
  4. Il 9 marzo 2026, apri il database WoSCC (Tabella dei Materiali).
  5. Seleziona Ricerca Avanzata. Inserisci la strategia di ricerca: TS=("Malattia polmonare parenchimante diffusa" O "Malattie polmonari parenchimate diffuse" O "Malattia polmonare interstiziale" O "Malattie polmonari interstiziali") E TS=("Ipertensione polmonare"). Imposta l'intervallo di data di pubblicazione dal 1° gennaio 2016 al 31 dicembre 2025, clicca su Cerca.
  6. Seleziona Articoli e Articoli di Revisione come tipi di documento e scegli l'inglese come lingua. Seleziona Record Completo e Riferimenti Citati come contenuto del registro. Esporta i record in formato txt e salvali come wos.txt, poi converti in formato csv e salva come wos.csv.
  7. Il 9 marzo 2026, apri il database Scopus (Tabella dei Materiali).
  8. Imposta il campo di ricerca su "Titolo"/ "Astratto" / "Parole chiave". Inserisci la strategia di ricerca: TITOLO-ABS-TASTO(("Malattia polmonare parenchimatosa diffusa" O "Malattie polmonari parenchimate diffuse" O "Malattia polmonare interstiziale" O "Malattie polmonari interstiziali") E TASTO-ABS-TASTO. ("Ipertensione polmonare"). Seleziona l'intervallo di anni dal 1° gennaio 2016 al 31 dicembre 2025, scegli Medicina come area tematica e clicca su Ricerca (Tabella Supplementare 1).
  9. Clicca su Esporta, seleziona il formato CSV, esporta tutti i record recuperati e salva come scopus.csv.
  10. Apri wos.csv, copia la colonna DOI e incollala in scopus.csv. Effettua il confronto dei dati, usa la funzione Rimuovi duplicati in Excel per segnare i record duplicati, elimina i duplicati e ottieni scopus1.csv. Per i pochissimi documenti privi di un DOI, abbiamo verificato manualmente utilizzando una combinazione di "titolo + autore + anno" per garantire l'inclusione completa della letteratura richiesta per questo studio.
  11. Crea nuove cartelle chiamate entry directory e output directory. Posiziona scopus1.csv ottenuta dopo la deduplicazione nella cartella di input. Apri CiteSpace, clicca su Data, seleziona Scopus, specifica le cartelle corrispondenti e clicca sul pulsante Scopus (csv) > WoS per convertire il formato dati Scopus, unificando il formato dei due database in formato txt. Nomina il file risultante scopus1.txt.
  12. Unisci i dati dai due database. Inserisci scopus1.txt e wos.txt in CiteSpace per la deduplicazione e la fusione per ottenere dati della letteratura formattata uniformemente e deduplicata: dataset.txt, per analisi successive (Tabella Supplementare 2).
  13. Controlla i file wos.txt e scopus.csv ottenuti per assicurarti che il processo di deduplicazione utilizzi DOI come criterio di corrispondenza e che il file dataset.txt sia generato con successo.

2. Analisi delle tendenze annuali dei risultati delle pubblicazioni

  1. In Microsoft Excel, contare il numero di pubblicazioni per anno per generare due colonne di dati (Anno, Pubblicazioni).
  2. Seleziona il dataset, accedi a Inserisci > Grafico > Grafico a Colonne per generare un grafico a colonne con l'output annuale delle pubblicazioni.
  3. Designa l'asse orizzontale come Anno e l'asse verticale come Pubblicazioni.
  4. Abilita le etichette dei dati per mostrare il numero specifico di pubblicazioni per ogni anno.
  5. Esporta tutte le figure in formato Tagged Image File Format (TIFF), garantendo una risoluzione di almeno 300 dpi.

3. Analisi della produzione di pubblicazioni nazionali/regionali e della collaborazione internazionale

  1. Avvia VOSviewer, seleziona Crea > Crea una mappa basata su dati bibliografici > Leggi dati dai file del database bibliografico16.
  2. Importa il dataset in testo semplice generato nel passo 1.12.
  3. Seleziona Co-autoria come tipo di analisi e Paesi come unità di analisi.
  4. Fissare il numero minimo di documenti per un paese a 40, mantenendo i primi 20 paesi per produzione di pubblicazione. Garantire che la rete di collaborazione si concentri sui paesi ad alto rendimento, mantenendo al contempo chiarezza e leggibilità della mappa, facilitando ai lettori la comprensione intuitiva delle forze di ricerca internazionali fondamentali e dei modelli di collaborazione.
  5. Nell'interfaccia Verifica elementi selezionati , seleziona tutti i paesi, copia la lista su Excel ed esporta il numero di pubblicazioni e il conteggio delle citazioni per ogni paese.
  6. Nella tabella Excel risultante, seleziona i 10 paesi principali per output di pubblicazione e genera un grafico che mostra il numero di pubblicazioni e citazioni.
  7. Seleziona il pulsante "Termina" per costruire la rete nazionale di collaborazione e salvare la rete in formato GML.
  8. Avvia Scimago Graphica e importa il file GML.
  9. Mappare il campo etichetta su Paese e imposta il tipo di campo cluster su Stringa.
  10. Nella configurazione di visualizzazione, inserisci il campo di output della pubblicazione (tipicamente weight o un nome simile) nella casella Dimensione, imposta il campo cluster come casella Colore e mappa il campo etichetta alle caselle Etichetta, Tooltip e Unità.
  11. Vai su Marks > Map. Usa Edge per la regolazione della curvatura delle linee e Edge Color per la configurazione dei nodi color.
  12. Esporta la mappa finale in formato PNG.
  13. Importa il dataset in testo semplice generato nel passo 1.12 nella Bibliometric Online Analysis Platform (https://bibliometric.com), clicca su Carica dati di citazione e seleziona Relazioni con i paesi per generare un diagramma nazionale di corde di collaborazione per la visualizzazione.
  14. Un punto di controllo chiave è regolare il numero minimo di documenti in modo appropriato, affinché la rete risultante sia ben bilanciata e visivamente chiara, pur riflettendo gli obiettivi della ricerca.

4. Analisi delle pubblicazioni e delle citazioni delle riviste

  1. Importa lo stesso dataset in VOSviewer, seleziona Citation come tipo di analisi e seleziona Sources come unità di analisi.
  2. Imposta il numero minimo di documenti per una fonte a 5 e il numero minimo di citazioni a 20.
  3. Nell'interfaccia Verifica elementi selezionati , copia la lista delle riviste su Excel per ottenere il numero di pubblicazioni e il totale delle citazioni per ogni rivista.
  4. Scegli Termina, e verrà generata la mappa della rete di co-citazione delle riviste. Regola i parametri di Attrazione e Repulsione per migliorare il layout, affina l'aspetto usando il pannello Visualizzazione e salva la mappa come TIFF con una risoluzione di almeno 300 dpi.
  5. In Excel, ordina le riviste per numero di pubblicazioni, seleziona le 10 migliori riviste per output di pubblicazione. Il 9 marzo 2026, accedi alla piattaforma ufficiale JCR (Table of Materials), cerca rispettivamente ogni rivista e registra il loro ultimo Impact Factor e il quartile JCR. Genera una tabella che mostri le 10 principali riviste per output di pubblicazione.
  6. In Excel, ordina le riviste per numero totale di citazioni e seleziona le 10 migliori riviste per frequenza di citazione. Il 9 marzo 2026, recupera e registra il loro ultimo Impact Factor e il quartile JCR dalla piattaforma ufficiale JCR. Genera un grafico che mostri le 10 principali riviste per frequenza di citazione.

5. Analisi della rete di collaborazione con autori ad alta produttività

  1. Importa il dataset in VOSviewer, seleziona Co-autoria come tipo di analisi e seleziona Autori come unità di analisi.
  2. Imposta il numero minimo di documenti per un autore a 3 per filtrare autori con un certo livello di attività.
  3. Nell'interfaccia Verifica elementi selezionati , copia la lista degli autori e salva il conteggio delle pubblicazioni e delle citazioni degli autori in un file Excel.
  4. Scegli Finish per produrre la rete di collaborazione con l'autore, adatta la disposizione e l'aspetto della rete e salva come formato TIFF.
  5. In Excel, ordina gli autori in base al numero di pubblicazioni, scegli i 10 ricercatori più produttivi e genera una tabella di ciambelle per mostrare il numero di pubblicazioni.
  6. Dal dataset originale, recupera i primi 10 autori per numero di citazioni, identifica i rispettivi paesi, assegna colori distinti in base al paese e genera una tabella che mostra i primi 10 autori per frequenza di citazione.

6. Analisi della co-occorrenza delle parole chiave e dell'evoluzione tematica

  1. Avvia CiteSpace e naviga su Data > Import/Export.
  2. Inserisci il file txt esportato nel passo 1.12 nella cartella di input. Nell'interfaccia Import/Export , imposta i percorsi di input e output, seleziona Article e Review come tipi di documento e clicca Start per eseguire la conversione del formato dei dati.
  3. Dopo la conversione, copia i file dalla cartella di output alla cartella data. Nell'interfaccia principale di CiteSpace, clicca su Nuovo, imposta la directory del progetto e quella dei dati, seleziona WoS come sorgente dati e scegli inglese come lingua.
  4. Vai al pannello di slicing temporale a destra, imposta lo span a 2016–2025, adotta una finestra di 1 anno e scegli Keyword come tipo di nodo.
  5. Applica l'indice g (k=10) per la scala della rete e seleziona le tre strategie di potatura: Pathfinder, Potatura delle reti sliccate e Potatura della rete fusa.
  6. Clicca su Start per eseguire l'analisi. Dopo il completamento, utilizza la funzione One-Click Clustering Label Optimization per creare la mappa di co-occorrenza delle parole chiave.
  7. Imposta la visualizzazione delle etichette dei nodi e del cluster dal pannello di controllo e ottimizza elementi visivi come la dimensione del nodo.
  8. Seleziona Layout > Timeline per generare la vista della timeline per parole chiave.
  9. Nel pannello di controllo, seleziona Burstness, clicca su Refresh e View in sequenza, imposta il numero delle 25 parole chiave principali da visualizzare e genera la grafica delle 25 parole chiave principali per potenza di burst. Esporta le immagini generate in formato TIFF per l'archiviazione.

7. Analisi delle co-citazioni di riferimento

  1. Carica lo stesso dataset in CiteSpace. Imposta l'intervallo temporale e le strategie di potatura come descritto nei passaggi 6.4–6.5, e seleziona Cited Reference come tipo di nodo.
  2. Dopo aver eseguito l'analisi, utilizzare la funzione One-Click Clustering Label Optimization per generare la mappa di co-occorrenza di riferimento.
  3. Regola le etichette dei nodi e dei cluster e seleziona Cluster per generare la mappa di clustering di riferimento.
  4. Nel pannello Burstness , imposta il display per mostrare le 20 principali fonti citate in base alla frequenza di citazione e genera la tabella delle 20 principali fonti co-citate per potenza di burst.
  5. Esporta tutte le immagini in formato TIFF per l'archiviazione.

8. Analisi della rete PPI

  1. Accedi al database GeneCards (https://www.genecards.org)17il 12 marzo 2026 e cerca utilizzando rispettivamente "Interstiziale Lung Disease" e "Pulmonary Hypertension" come parole chiave. I termini per la malattia utilizzati per la ricerca sono coerenti con quelli presenti nel recupero della letteratura e non sono state ampliate ulteriori varianti di termini.
  2. Esporta la lista dei target con un punteggio di rilevanza ≥ 1 per ogni ricerca. Il metodo di estrazione prevedeva l'ordinamento per Punteggio di Rilevanza ed esportazione di tutti i target con un punteggio ≥ 1. La soglia di ≥ 1 è stata scelta perché cattura la stragrande maggioranza dei geni associati supportati dalla letteratura, minimizzando i falsi positivi.
  3. Usare R per ottenere l'intersezione dei due set di bersagli, ottenendo i bersagli correlati alla comorbidità ILD-PH.
  4. Accedi al modulo Multiple Proteins del database STRING (https://cn.string-db.org/)18, inserisci l'elenco dei target di comorbidità nella casella di ricerca e seleziona Homo sapiens come specie.
  5. Clicca su Continua, poi nel pannello Impostazioni, imposta il punteggio minimo di interazione richiesto su Alta confidenza (0,700) e abilita nascondere i nodi disconnessi nella rete19.
  6. Dopo aver aggiornato la rete, scarica i dati di interazione come file TSV dal menu Esportazione .
  7. Avvia Cytoscape e carica il file TSV tramite File > Import > Network dal File System.
  8. Negli Strumenti > NetworkAnalyzer > Analisi della Rete > Interpretazione della Rete, seleziona Tratta la rete come non diretta e calcola i parametri topologici, incluso il grado del nodo.
  9. Configura la forma, il colore, la dimensione e altre impostazioni di aspetto dei nodi nel pannello Stile e regola manualmente le posizioni dei nodi per ottenere una disposizione chiara.
  10. Salva l'immagine di rete PPI tramite File > Esporta > Immagine di Rete in File e esporta i risultati dell'analisi di rete tramite File > Esporta > Tabella in File.
  11. Apri la tabella esportata in Excel, ordina per colonna Degree discendente, scegli i primi 20 target chiave insieme ai loro valori di grado, crea un grafico a barre con etichette dati ed esporta in formato TIFF.

9. Analisi dell'arricchimento delle vie KEGG

  1. Avvia R e inserisci i comandi per installare e caricare i pacchetti richiesti (Tabella Supplementare 3):
    install.packages("BiocManager")
    BiocManager::install(c("clusterProfiler", "org. Hs.eg.db"))
    library(clusterProfiler)
    library(org. Hs.eg.db)
  2. Converti i simboli genici dei target di comorbidità ILD-PH in ID Entrez utilizzando la funzione bitr(). In R, inserisci:
    coma_entrez <- bitr(coma_genes, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org. Hs.eg.db)
  3. Eseguire l'analisi di arricchimento utilizzando la funzione enrichKEGG() con i seguenti parametri: organismo = "ha", pvalueCutoff = 0,05, qvalueCutoff = 0,05. Il metodo Benjamini-Hochberg (BH) veniva utilizzato per la correzione di test multipli. Inserisci il seguente codice:
    kegg_result <- enrichKEGG(gene = coma_entrez$ENTREZID,
    organismo = "ha",
    pvalueCutoff = 0,05,
    qvalueCutoff = 0,05,
    use_internal_data = FALSO)
    NOTA: p-valore: il p-valore originale, che rappresenta la probabilità di osservare il dato livello di arricchimento; valore q: il FDR (Tasso di False Discovery) dopo la correzione di Benjamini-Hochberg, controllando il tasso di falsi positivi. In questo studio, q < 0,05 è stato utilizzato come criterio per un arricchimento significativo.
  4. Filtra i risultati usando le parole chiave "Malattie umane" e "Metabolismo" per rimuovere le vie associate alle malattie e al metabolismo umano, mantenendo le vie associate ai processi biologici. Le malattie umane e i percorsi del metabolismo descrivono principalmente i meccanismi complessivi delle malattie e delle reti metaboliche, che sono debolmente associati ai meccanismi di fibrosi, infiammazione e rimodellamento vascolare della comorbidità ILD-PH. Pertanto, sono stati esclusi per concentrare i risultati su vie chiave di segnalazione. Ecco che entra in scena:
    kegg_result_df <- as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[!grepl("Malattie umane|Metabolismo", kegg_result_df$Descrizione), ]
  5. Ordina i percorsi in ordine decrescente per numero di geni, seleziona i primi 10 percorsi, genera un dot plot usando la funzione dotplot() ed esporta il grafico in formato PNG. Ecco che entra in scena:
    top10_pathways <- testa(kegg_filtered[ordine(kegg_filtered$Conteggio, decrescente = VERO), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave("KEGG_dotplot.png", dotplot_result, larghezza = 8, altezza = 6, dpi = 300)
  6. Estrai i primi 10 percorsi e i loro geni target associati, costruisci una tabella a due colonne (nome del percorso, gene target) e salva la tabella come file TXT delimitato da tab.
  7. Importare il file in Cytoscape, configurare le differenze di forma e colore tra i nodi del percorso e i nodi target tramite il pannello Stile , affinare manualmente il layout ed esportare l'immagine di retepathway-target 20.

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

Risultati

Recupero e screening dei dati

In totale, sono stati raccolti 2.400 record dal database Scopus, mentre 696 sono stati identificati nel database WoSCC. Dopo la fusione dei due dataset e la rimozione di 533 record duplicati, un totale di 2.563 pubblicazioni uniche sono state infine incluse per un'analisi bibliometrica successiva (Figura 1).

Tendenze annuali della produzione delle p...

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

Discussione

Questo studio rappresenta la prima applicazione integrata di bibliometria e bioinformatica per esplorare la comorbidità di ILD e PH. Esamina sistematicamente la traiettoria dello sviluppo, la struttura della conoscenza e le tendenze all'avanguardia in questo campo nell'ultimo decennio, e identifica i geni hub e le vie di segnalazione chiave alla base di questo stato comorbido a livello molecolare. Da una prospettiva macro-tendenza, il numero annuo di pubblicazioni in questo campo è aumen...

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

Dichiarazioni

Gli autori riportano che non ci sono conflitti di interesse in quest'opera.

Ringraziamenti

Gli autori ringrazionano con gratitudine il sostegno finanziario del Progetto Maggiore Non Trasmissibile per le Malattie Croniche - Nazionale di Scienza e Tecnologia (2024ZD0522300, 2024ZD0522301) e del Fondo Centrale di Ricerca Non-profit dell'Accademia Cinese di Scienze Mediche (01-ZHCH330-2022).

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

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Bibliometric Online Analysis PlatformK-Synth Srl (Bibliometric)https://bibliometric.comPiattaforma di analisi online; modulo: Relazioni tra Paesi; genera diagramma a corde della collaborazione tra Paesi; consultato il 10 marzo 2026
CiteSpaceDrexel University6.4.R1Analisi bibliometrica; time slicing: 2016–2025; tipi di nodi: parole chiave, riferimenti; pruning: Pathfinder + Pruning sliced networks
clusterProfiler (pacchetto R)Guangchuang Yu et al.4.13.2Analisi di arricchimento KEGG; soglie: p < 0.05, q < 0.2
CytoscapeCytoscape Consortium3.10.3Visualizzazione e analisi di reti; plugin: CytoHubba; algoritmo: degree centrality; utilizzato per l'identificazione di geni hub
GeneCardsWeizmann Institute of Sciencehttps://www.genecards.orgDatabase di informazioni sui geni; versione del database 5.22; consultato il 12 marzo 2026; criterio di filtraggio: Punteggio di rilevanza ≥ 1
Journal Citation Reports (JCR)Clarivate Analyticshttps://jcr.clarivate.comFattore di impatto e quartili delle riviste; consultato il 9 marzo 2026
KEGGKyoto Encyclopedia of Genes and Genomeshttps://www.kegg.jpDatabase di pathway; consultato tramite API di clusterProfiler il 13 marzo 2026; specie: hsa
MeSH DatabaseNational Library of Medicine (NLM)https://meshb.nlm.nih.govDatabase di termini MeSH; consultato il 9 marzo 2026; utilizzato per costruire la strategia di ricerca
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)Statistiche sui dati e generazione di grafici; utilizzato per il conteggio delle pubblicazioni, deduplicazione, tracciamento dei grafici
org.Hs.eg.db (pacchetto R)Bioconductor Core Team3.20.0Database di annotazione del genoma umano; utilizzato per la conversione degli ID dei geni
RR Core Team4.4.2Ambiente di calcolo statistico e di tracciamento; data di esecuzione: 13 marzo 2026
Scimago GraphicaScimago Lab2Strumento di visualizzazione; layout: proiezione di mappa; curvatura dei bordi: 0.5; mappatura dei colori: per cluster
ScopusElsevierhttps://www.scopus.comDatabase di recupero della letteratura; Elsevier Scopus 2026 complete edition; data di recupero: 9 marzo 2026
STRINGEMBL12.0 / https://cn.string-db.orgDatabase di interazione proteina-proteina; consultato il 12 marzo 2026; soglia del punteggio di interazione: 0.7 (alta confidenza); tipo di rete: fisico + funzionale
VOSviewerLeiden University1.6.20Analisi bibliometrica; co-autore come tipo di analisi; metodo di normalizzazione: forza di associazione
Web of Science Core CollectionClarivate Analyticshttps://www.webofscience.comDatabase di recupero della letteratura; copre le sotto-banchedati SCIE e SSCI; data di recupero: 9 marzo 2026

Riferimenti

  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.

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

Ristampe e permessi

Tag

BiologiaNumero 234Numero 234
Contattaci
Consiglia alla biblioteca

Privacy

Termini di utilizzo

Politiche

Copyright © 2026 MyJoVE Corporation. Tutti i diritti riservati.