이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

암에서 단일 세포 염기서열 분석의 글로벌 및 현재 연구 동향: 서지 측정 및 시각화 연구

1.6K 조회수

⸱

DOI:

10.3791/67880

⸱

2025년 4월 18일

 ,  ,  ,  ,  ,  ,  , 
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

이 논문에서

요약

암 연구에서 단세포 염기서열 분석에 대한 이러한 서지 분석은 중국과 미국이 다른 국가보다 훨씬 더 많은 학술 논문을 생산한다는 것을 나타냅니다. 버스트 검출은 '종양 내 이질성(intra-tumor heterogeneity)', '클론 진화(clonal evolution)', '약물 전달 시스템(drug delivery systems)'과 같은 새로운 용어를 식별하며, 이는 향후 연구에 영향을 미칠 것으로 예상됩니다.

초록

암은 복잡한 생물학적 시스템으로 인해 인간의 건강에 중대한 문제를 제기하므로 심층적인 분석이 필요합니다. 단일 세포 염기서열 분석은 이러한 시스템을 조사하는 데 필수적인 도구가 되었으며, 이를 통해 단일 세포 수준에서 유전자 발현 및 후성유전학적 변형을 감지할 수 있습니다. 이 분야의 연구 동향, 협업 네트워크 및 지식 보급을 설명하기 위해 2010년 1월 1일부터 2023년 12월 31일까지의 출판물을 대상으로 Web of Science Core Collection 데이터베이스를 사용하여 서지 분석을 수행했습니다. R의 Bibliometrix 패키지는 문서 유형, 국가, 기관, 저자 및 키워드를 포함한 주요 출판물 데이터를 추출하고 분석하는 데 사용되었습니다. 또한 CiteSpace, VOSviewer 및 Online Analysis Platform of Literature Metrology가 데이터 컴파일 및 시각화에 사용되었습니다. 이 분석을 통해 75개 국가 및 지역의 3,129개 기관에서 34,074명의 저자가 확인되었으며, 788개의 학술지에 발표된 암 내 단세포 염기서열 분석에 관한 5,680개의 출판물에 기여했습니다. 중국과 미국은 출판 부수에서 선두 국가로 부상했다. 하버드 대학교가 가장 많은 출판물(320편)을 제작했으며, 하버드 대학과 제휴한 Aviv Regev가 주요 기여자로 인정받았습니다. Frontiers in Immunology 및 Nature Communications와 같은 주요 저널은 면역 미세환경 및 면역 요법을 포함하여 기존 및 신흥 연구 분야를 모두 강조합니다. 향후 연구의 주요 동향 및 잠재적 영역에는 종양 내 이질성, 클론 진화 및 약물 전달 시스템이 포함됩니다. 이 연구는 종양학의 단일 세포 염기서열 분석 연구에 대한 포괄적인 개요를 제공하며, 기술 발전과 국제 협력에 의해 주도되는 급속한 발전을 강조합니다. 글로벌 파트너십을 강화하고, 통합 분석 도구를 개발하고, 데이터 복잡성을 해결하는 것은 맞춤형 암 치료법을 발전시키고 암 생물학에 대한 통찰력을 심화하는 데 매우 중요합니다.

서론

암은 가장 해로운 질병 중 하나이며, 전 세계적으로 두 번째로 큰 사망 원인입니다1. 2035년까지 전 세계 인구의 약 4분의 1이 암의 직접적인 영향을 받을 것으로 추정됩니다 2,3. 암의 발병기전은 주로 세포 성장의 조절 장애와 관련이 있으며, 이는 다양한 종양 유발 요인의 영향을 받습니다 4,5. "암의 특징(Hallmarks of Cancer)"은 정상적인 세포 상태에서 종양 성장으로의 전환을 촉진하는 일련의 기능적 능력, 특히 악성 종양의 형성에 필수적인 능력으로 개념화되었다6. 염기서열분석 기술은 질병 발병에 대한 이해를 증진하는 데 중추적인 역할을 합니다. 그러나 종양의 고유한 이질성으로 인해 종양 조직의 고처리량 염기서열분석 분석을 통해 저농도 줄기세포의 게놈 특성을 식별하는 것은 상당한 도전입니다 7,8.

유전체학(genomics), 전사체학(transcriptomics), 후성유전체학(epigenomics), 단백질체학(proteomics) 및 대사체학(metabolomics)을 포함하는 단세포 염기서열분석(single-cell sequencing)은 단세포 수준에서 세포 및 분자 환경을 설명하기 위한 강력한 방법론적 접근 방식을 나타냅니다 9,10. 암 연구에 적용함으로써 종양 병변 내에 존재하는 생물학적 특성과 역학에 대한 이해가 크게 향상되어 암 발생 및 전이에 대한 보다 포괄적인 이해를 촉진했습니다.

서지 분석은 학술 출판물의 구조적 특성과 속성을 조사하고 과학 문헌의 질적 및 양적 평가에 널리 사용되어 왔습니다11,12. 다양한 국가, 기관, 연구자 및 출판물의 기여를 비교함으로써 특정 연구 영역 내에서 잠재적인 발전을 설명하고 예측할 수 있습니다. 암에 대한 단세포 염기서열분석 연구에 초점을 맞춘 체계적이고 서술적인 문헌고찰이 크게 증가했지만, 정량적 평가 영역 내에서 포괄적인 분석이 현저히 부족한 점은 여전히 존재한다 13,14,15. 본 연구는 서지 측정 방법을 활용하여 암 영역 내 단세포 염기서열 분석의 발달 추세와 두드러진 연구 주제에 대한 포괄적인 분석을 수행하는 것을 목표로 합니다. 이 연구 결과는 연구자, 임상의, 정책 입안자에게 이 분야의 지식과 이해의 현재 상태에 대한 자세한 개요를 제공할 것입니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

본 연구에 사용된 데이터는 Web of Science Core Collection(2010-2023)에서 발췌한 것입니다.

1. 데이터 수집

  1. 데이터베이스 선택
    1. 를 통해 Web of Science Core Collection(WoSCC) 데이터베이스에 액세스합니다. https://webofscience. clarivate.cn/wos/author/author-search.
    2. 관련 문헌을 식별하기 위해 타겟 키워드, 특히 "single-cell sequencing" 및 "cancer"를 사용하여 검색 전략을 구성합니다. 검색 버튼을 클릭하여 문헌 검색을 완료합니다.
      참고: 정확성과 포괄성을 향상시키기 위해 검색 전략에 사용되는 키워드의 전체 목록은 보충 표 1 을 참조하십시오.
  2. 검색 매개 변수
    1. 2010년 1월 1일부터 2023년 12월 31일까지의 출판 기간을 선택하여 가장 최근의 포괄적인 연구 동향을 파악합니다.
    2. 검색 결과의 언어로 영어를 선택하고 Article and Review 를 선택하면 데이터 일관성을 보장하고 비교 분석을 용이하게 하기 위한 문서 유형이었습니다.
    3. 단세포 염기서열분석 및 암 연구 영역 밖의 출판물을 제외하여 관련성을 보장합니다.
  3. 데이터 검색 및 형식
    1. 선택한 출판물을 Full Record 및 Cited References 형식으로 컴파일하여 자세한 메타데이터를 보존합니다.
    2. 수집된 데이터를 서지 측정 도구를 사용한 후속 분석을 위해 일반 텍스트 파일로 저장합니다.
    3. 각 레코드에 인용 및 공동 저자 정보를 포함한 완전한 메타데이터가 포함되어 있는지 확인하여 철저한 서지 분석을 수행할 수 있습니다(그림 1).

2. 데이터 전처리

  1. 데이터 수집 및 가져오기
    1. R에서 bibliometrix 패키지의 biblioshiny 인터페이스를 실행합니다.
      참고: 특정 코드는 다음과 같이 제공됩니다.
      라이브러리(BIBLIOMETRIX)
      packageVersion("bibliometrix")
      비블리오샤이니()
    2. WoSCC 데이터베이스에 액세스하고 서지 측정 데이터가 포함된 병합된 일반 텍스트 파일을 선택합니다.
    3. 데이터를 가져와서 후속 분석을 위해 R 데이터 형식으로 내보냅니다.
  2. 출판물 및 인용의 연간 성장 추세
    1. PY(publication year) 및 Z9(citation count) 열을 숫자 형식으로 변환합니다.
    2. 출판 연도별로 데이터를 그룹화하고 연간 출판물 수와 총 인용 수를 계산합니다.
    3. 막대 플롯을 만들어 매년 출판물 수를 나타내고 선 그래프를 오버레이하여 시간 경과에 따른 인용 횟수를 보여줍니다.
      참고: 특정 코드는 보충 파일 1에 코드 1로 제공됩니다.
  3. 국내 출판 및 협업 분석
    1. 전국 출판물 및 협업 집계
      1. 각 국가별 연간 출판물 및 인용 횟수를 Year Published(PY) 및 Author Countries(AU_CO1) 필드를 사용하여 요약합니다.
      2. 출판물 양별 상위 10개 국가에 대한 분석에 초점을 맞춥니다.
    2. 미터법 계산
      1. 출판물 수(NP), 인용 빈도(NC), 단일 국가 출판물(SCP) 및 다중 국가 출판물(MCP)을 포함한 주요 지표를 계산합니다16.
      2. 다국적 출판물(MCP_Ratio)의 비율을 국제 협력의 지표로 결정합니다.
      3. R의 H-index 함수를 사용하여 14년 동안 각 국가의 영향 지수(H-index, G-index, M-index)를 계산한다17.
        참고: 특정 코드는 보충 파일 1에 코드 2로 제공됩니다. Literature Metrology(https://bibliometric.com/)의 온라인 분석 플랫폼을 사용하여 국가 간의 협력 관계를 조사하십시오. WoSCC에서 일반 텍스트 형식으로 데이터를 업로드합니다. "국가 관계" 기능을 사용하여 국제 협력을 평가합니다. 주요 기여 국가 간의 협업 네트워크의 시각화로 절정에 이릅니다.
  4. 기관 간행물 및 협업 분석
    1. 데이터 추출 및 순위 지정
      1. WoSCC 데이터베이스의 Analyze Results 기능 내에 있는 Affiations 섹션에서 기관 데이터를 추출합니다.
      2. 출판된 총 논문 수에 따라 내림차순으로 기관의 순위를 매깁니다.
    2. 데이터 시각화
      1. R의 ggplot2 패키지를 사용하여 가로 막대 차트를 생성하여 주요 기관의 출판물 볼륨을 보여줍니다.
        참고: 특정 코드는 보충 파일 1에 코드 3으로 제공됩니다.
    3. 공동 저자 분석
      1. VOSviewer에서 분석 설정: VOSviewer를 시작한 다음 기본 메뉴에서 생성을 선택합니다. Create a map based on bibliographic data(서지 데이터를 기반으로 맵 생성 )를 선택하고 Read data from bibliographic database files(서지 데이터베이스 파일에서 데이터 읽기)를 선택합니다. 마지막으로 일반 텍스트 파일을 가져옵니다.
      2. 구성 및 매개변수: VOSviewer에서 분석 유형을 공동 작성으로 설정합니다. 전체 계수 방법을 선택하고 조직을 분석 단위로 선택합니다. 문서당 최대 1,200개의 조직을 포함하도록 매개변수를 구성하고 조직당 최소 임계값을 30개의 문서로 설정하여 포괄적인 네트워크 분석을 보장합니다.
      3. 시각화 및 해석: Finish(마침 )를 클릭하여 설정을 완료하고 기관 간의 협업 네트워크를 보여주는 시각화 맵을 생성합니다. 지도가 연결성 및 파트너십 수준을 강조하고 연구 활동의 중심 허브와 기관 간 주요 협력 영역을 식별하도록 합니다.
  5. 저자 분석 및 저자 공동 작업
    1. 다작 저자 식별: WoSCC 데이터베이스의 연구자 프로필 섹션에 액세스하여 출판된 총 논문 수를 기준으로 저자의 순위를 매깁니다.
    2. 데이터 시각화: R의 ggplot2 패키지를 사용하여 주요 저자의 출판 볼륨을 시각적으로 나타내는 가로 막대 차트를 만듭니다.
    3. 저자 기여도 평가: WoSCC 데이터베이스의 데이터를 사용하여 H-index, 국가 및 관련 기관을 포함하여 출판물 볼륨 기준 상위 10명의 저자에 대한 추가 지표를 검색합니다.
      참고: 특정 코드는 보충 파일 1에 코드 4로 제공됩니다.
    4. 협업 네트워크 작성
      1. VOSviewer에서 분석 설정: VOSviewer 를 실행하고 Create 버튼을 선택한 다음 서지 데이터를 기반으로 지도를 만듭니다. Read data from bibliographic database files를 선택하여 서지 데이터가 포함된 관련 Plain Text 파일을 가져옵니다.
      2. 구성 및 매개변수: 분석 유형을 공동 작성 으로 설정하고 전체 계산 방법을 활용합니다. 저자 를 분석 단위로 선택합니다. 문서당 최대 33개의 조직을 포함하도록 매개 변수를 조정하고 작성자당 최소 15개의 문서 임계값을 설정하여 의미 있는 협업 데이터가 캡처되도록 합니다.
      3. 시각화 및 인사이트: 마침 을 클릭하여 작성자 협업의 시간적 변화를 보여주는 오버레이 시각화를 생성하고, 시간 경과에 따른 공동 작성자 네트워크의 역학 및 성장에 대한 인사이트를 제공합니다.
  6. 학술지 및 공동 인용 학술지 분석
    1. 저널 지표 계산: R의 H-index 함수를 사용하여 출처당 출판물 수(NP), 인용 빈도(NC), 첫 출판 연도(PY_start) 및 영향 지수(H-index, G-index 및 M-index)를 포함한 각 저널의 주요 지표를 계산합니다.
    2. Impact Factors 및 순위 검색: WoSCC 데이터베이스에서 저널 Impact Factors 및 사분위수 순위를 가져와 해당 분야에서 각 저널의 영향력과 위상을 추가로 평가합니다.
      참고: 특정 코드는 보충 파일 1에 코드 5로 제공됩니다.
    3. 지식 흐름 분석
      1. CiteSpace에서 데이터 가져오기 및 설정: CiteSpace 를 열고 데이터 메뉴로 이동합니다. Import/Export(가져오기/내보내기 )를 선택하고 WOS를 선택하여 데이터를 가져옵니다. 필요에 따라 입력 및 출력 경로를 구성합니다.
      2. 맵 선택 및 구성: CiteSpace 내에서 오버레이 맵 및 JCR 저널 맵 옵션을 선택하고 z-score를 0으로 설정합니다. 이 설정을 통해 저널 간의 지식 흐름을 설명하는 이중 맵을 생성할 수 있습니다.
  7. co-cited references 및 clustering network 분석
    1. CiteSpace에서 데이터 가져오기 및 설정
      1. CiteSpace를 열고 데이터 메뉴로 이동한 다음 가져오기/내보내기를 선택합니다.
      2. WoSCC 데이터베이스에서 데이터를 일반 텍스트로 가져와 2010년 1월부터 2023년 12월까지의 분석 시간 조각을 시간적 세부 정보에 대한 1년 간격으로 구성합니다.
    2. 네트워크 구성 및 정리
      1. CiteSpace에서 노드 유형을 참조로 설정합니다. Pathfinder 옵션과 Pruning Sliced Networks 기능을 활용하여 네트워크에 가지치기를 적용합니다.
      2. GO를 클릭하여 분석을 실행하여 참조 공동 인용 맵을 생성하고 가독성을 높이기 위해 글꼴 및 색상 설정을 조정합니다.
    3. 영향력이 큰 참조 식별
      1. 버스트 옵션을 선택하고 CiteSpace에서 매개 변수 γ [0, 1]로 설정합니다.
      2. 데이터를 새로 고쳐 가장 강력한 인용 버스트가 있는 상위 20개 문헌 목록을 생성합니다.
  8. 키워드 동시 발생 분석
    1. R의 키워드 빈도 분석
      1. R의 bibliometrix 패키지를 사용하여 문서에서 가장 빈번한 키워드에 초점을 맞춰 키워드 분석을 수행합니다.
      2. 필드를 Author's keywords(작성자의 키워드 )로 설정하고 숫자를 상위 20 개 키워드로 제한하여 동의어를 필터링하여 일관성을 보장합니다.
    2. CiteSpace의 키워드 버스트 분석
      1. CiteSpace를 사용하여 버스트니스 옵션을 선택하고 매개 변수 γ [0, 1]로 설정하여 키워드 버스트 분석을 수행합니다.
      2. 데이터를 새로 고쳐 가장 강력한 인용 버스트가 있는 상위 30개 키워드 목록을 생성합니다.
    3. VOSviewer의 키워드 동시 발생 네트워크 분석
      1. VOSviewer를 열고 Create(생성)를 선택한 다음 Create a map based on bibliographic data(서지 데이터를 기반으로 맵 생성)를 선택합니다.
      2. Read data from bibliographic database files 옵션을 사용하여 일반 텍스트 파일을 가져옵니다.
      3. 전체 계산 방법을 사용하여 분석 유형을 동시 발생으로 설정하고 작성자 키워드를 분석 단위로 사용합니다.
      4. 40개의 키워드 발생의 최소 임계값을 적용하고 Finish를 클릭하여 분석을 완료하고 필드 내의 키워드 관계를 시각화하는 동시 발생 네트워크를 생성합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

출판물 및 인용의 연간 성장 추세
2010년부터 2023년까지 WoSCC 데이터베이스에서 암의 단세포 염기서열 분석과 관련된 총 6,767개의 출판물이 확인되었습니다. 2010년에서 2023년 사이에 발표된 총 602건의 연구가 분석에서 제외되었으며, 영어로 출판되지 않은 5건의 연구가 제외되었습니다. 또한, 사전 정의된 제외 기준에 따라 480개의 논문이 제외되었으며, 이 중 361개의 회의 초록, 83개의 편집 자료 및 기타 범주로 분류된 36개의 논문으로 구성되었습니다. 최종적으로 본 연구에는 5,090편의 연구 논문과 590편의 리뷰 논문으로 구성된 5,680편의 논문이 포함되었다.

WoSCC 인용 보고서에 따르면 이러한 문서의 누적 인용 횟수는 162,233회였으며 기사당 평균 인용 횟수는 28.56회였습니다. 연간 성장률은 40.26%로 계산되어 전반적인 상승 추세를 보였습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

서지 분석은 중요한 출판물의 특성과 학문적 영향을 평가하기 위한 정량적 접근 방식의 역할을 합니다26. 이 연구는 WoSCC 데이터베이스에서 추출하여 2010년에서 2023년 사이에 발표된 암 연구의 단세포 염기서열 분석과 관련된 5,680개의 논문에 대한 광범위한 서지 분석을 수행했습니다. 이 분석은 연구의 현재 상태를 평가하고, 주요 연구 핫스팟을 식별하고, 새로운 동향을 설명하여 연구자와 정책 입안자에게 실행 가능한 통찰력을 제공하는 것을 목표로 했습니다.

암 연구에서 단세포 염기서열분석의 개발은 일반적으로 출판 및 인용 데이터를 기반으로 2010년부터 2015년까지의 저성장 단계와 2016년부터 2023년까지의 급속한 확장 단계의 두 단계로 분류할 수 있습니다. 이러한 단계에 대한 분류는 주로 출판물 수, 인용 횟수 및 새로운 방법론의 출현을 포함한 몇 가지 주요 지표를...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자는 공개할 내용이 없습니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
bibliometrix 패키지CRAN(Comprehensive R Archive Network)bibliometrix 4.3.0행당 여러 신뢰 구간, 각 텍스트 요소에 대한 사용자 정의 글꼴, 사용자 정의 신뢰 구간, 표현식과 혼합된 텍스트 등을 허용하는 포레스트 플롯입니다.
CiteSpaceChaomei Chen, Drexel UniversityCiteSpace 6.2.R4(64비트) 베타 Basic‌ 인용공간‌ 과학 문헌 분석 도구입니다. 주요 기능은 과학 문헌의 기본 지식을 시각적 수단을 통해 분석하여 과학 지식의 구조, 규칙 및 분포를 보여주는 것입니다. CiteSpace의 주요 기능에는 연구 협력 분석‌, 중요 저널 판단‌, 핵심 주제 마이닝 등이 포함됩니다.
dplyrCRAN(종합 R 아카이브 네트워크)dplyr 1.1.4dbplyr은 dplyr의 데이터베이스 백엔드입니다. dplyr 코드를 SQL로 자동 변환하여 원격 데이터베이스 테이블을 메모리 내 데이터 프레임인 것처럼 사용할 수 있습니다.
esquisseCRAN(Comprehensive R Archive Network)esquisse 2.0.1이 애드인을 사용하면 ggplot2 패키지로 데이터를 시각화하여 대화형으로 데이터를 탐색할 수 있습니다. 막대 그림, 곡선, 산점도, 히스토그램, 상자 그림 및 sf 개체를 그린 다음 그래프를 내보내거나 코드를 검색하여 그래프를 재현할 수 있습니다.
forcatsCRAN(종합 R 아카이브 네트워크)forcats 1.0.0R은 요인을 사용하여 범주형 변수, 즉 고정되고 알려진 가능한 값 집합이 있는 변수를 처리합니다. 요인은 표시를 개선하기 위해 문자 벡터를 재정렬하는 데에도 유용합니다. forcats 패키지의 목표는 레벨 순서 또는 값 변경을 포함하여 요인과 관련된 일반적인 문제를 해결하는 도구 모음을 제공하는 것입니다. 
ggplot2CRAN(Comprehensive R Archive Network)ggplot2 3.5.1ggplot2는 The Grammar of Graphics를 기반으로 선언적으로 그래픽을 만드는 시스템입니다. 데이터를 제공하고 ggplot2에 변수를 미학에 매핑하는 방법, 사용할 그래픽 프리미티브를 지시하면 세부 사항을 처리합니다.
ggpmiscCRAN(종합 R 아카이브 네트워크)ggpmisc 0.6.1패키지 ' ggpmisc' ('에 대한 기타 확장 ggplot2') R 패키지 '에 대한 확장 집합입니다. ggplot2' (>= 3.0.0) 적합 모델과 관련된 주석 및 플로팅에 중점을 둡니다. 모델 적합 객체의 추정치는 ggplots에 텍스트, 표 또는 방정식으로 표시될 수 있습니다. 예측값, 잔차, 편차 및 가중치는 다양한 모델 적합 함수에 대해 플롯될 수 있습니다.
ggsciCRAN(Comprehensive R Archive Network)ggsci 3.2.0ggsci는 과학 저널, 데이터 시각화 라이브러리, 공상 과학 영화 및 TV 프로그램에서 영감을 받은 ggplot2 색상 팔레트 모음을 제공합니다.
openxlsxCRAN(Comprehensive R Archive Network)openxlsx 4.2.7.1이 R 패키지는 워크시트 작성, 스타일 지정 및 편집에 대한 높은 수준의 인터페이스를 제공하여 .xlsx 파일 생성을 단순화합니다. Rcpp를 사용하면 읽기/쓰기 시간이 xlsx 및 XLConnect 패키지와 비슷하며 Java에 대한 종속성을 제거하는 추가 이점이 있습니다.
readxlCRAN(Comprehensive R Archive Network)readxl 1.4.3readxl 패키지를 사용하면 Excel에서 R로 데이터를 쉽게 가져올 수 있습니다. 많은 기존 패키지(예: gdata, xlsx, xlsReadWrite)와 비교할 때 readxl에는 외부 종속성이 없으므로 ' 모든 운영 체제에서 쉽게 설치하고 사용할 수 있습니다. 표 형식 데이터로 작업하도록 설계되었습니다.
reshape2CRAN(Comprehensive R Archive Network)reshape2 1.4.4Reshape2는 reshape 패키지의 재부팅입니다. reshape가 처음 출시된 지 5년이 넘었고, 그 기간 동안 R 프로그래밍과 R에서 데이터 작업 방법에 대해 엄청난 양을 배웠습니다. Reshape2는 이러한 지식을 사용하여 훨씬 더 집중적이고 훨씬 더 빠른 데이터 재구성을 위한 새로운 패키지를 만듭니다.
stringrCRAN(Comprehensive R Archive Network)stringr1.5.1문자열은 화려하고 세간의 이목을 끄는 R의 구성 요소는 아니지만 많은 데이터 정리 및 준비 작업에서 큰 역할을 합니다. stringr 패키지는 문자열 작업을 가능한 한 쉽게 할 수 있도록 설계된 응집력 있는 함수 세트를 제공합니다.
깔끔한CRAN(종합 R 아카이브 네트워크)깔끔한 텍스트 0.4.2깔끔한 데이터 원칙을 사용하면 많은 텍스트 마이닝 작업을 더 쉽고 효과적으로 만들 수 있으며 이미 널리 사용되는 도구와 일관성을 유지할 수 있습니다. 깔끔한 데이터 프레임을 사용한 텍스트 마이닝에 필요한 인프라의 대부분은 이미 dplyr, broom, tidyr 및 ggplot2와 같은 패키지에 존재합니다. 이 패키지에서는 텍스트를 깔끔한 형식으로 변환하고 깔끔한 도구와 기존 텍스트 마이닝 패키지 간에 원활하게 전환할 수 있는 기능과 지원 데이터 세트를 제공합니다. 깔끔한 데이터 원칙을 사용한 텍스트 마이닝에 대해 자세히 알아보려면 책을 확인하세요.
tidyverseCRAN(Comprehensive R Archive Network)tidyverse 2.0.0tidyverse는 데이터 과학을 위해 설계된 R 패키지의 독단적인 컬렉션입니다. 모든 패키지는 기본 디자인 철학, 문법 및 데이터 구조를 공유합니다.
VennDiagramCRAN(Comprehensive R Archive Network)VennDiagram 1.7.3VennDiagram은 최대 4세트의 고해상도 맞춤형 벤 다이어그램과 최대 3세트의 오일러 다이어그램을 생성하기 위한 R 패키지입니다. 2케이스 스케일링을 포함한 여러 가지 특수 사례에 대한 처리, 플롯 모양 및 구조의 광범위한 사용자 정의가 포함됩니다.
VOS뷰어  네덜란드 라이덴 대학교 과학 기술 연구 센터VOSviewer 버전 1.6.19VOSviewer는 서지 네트워크를 구성하고 시각화하기 위한 소프트웨어 도구입니다. 이러한 네트워크에는 예를 들어 저널, 연구자 또는 개별 출판물이 포함될 수 있으며 인용, 서지 결합, 공동 인용 또는 공동 저자 관계를 기반으로 구성될 수 있습니다. VOSviewer는 또한 과학 문헌에서 추출한 중요한 용어의 동시 발생 네트워크를 구성하고 시각화하는 데 사용할 수 있는 텍스트 마이닝 기능을 제공합니다.
텍스트

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

암에서 단일 세포 염기서열 분석의 글로벌 및 현재 연구 동향: 서지 측정 및 시각화 연구
문의하기
사서에게 추천하기

개인정보

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.