Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Wereldwijde en huidige onderzoekstrends van single-cell sequencing bij kanker: een bibliometrische en visualisatiestudie

1.6K weergaven

⸱

DOI:

10.3791/67880

⸱

18 april 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 dit artikel

Samenvatting

Deze bibliometrische analyse van single-cell sequencing in kankeronderzoek geeft aan dat China en de VS aanzienlijk meer wetenschappelijke artikelen produceren dan andere landen. Burst-detectie identificeert opkomende termen zoals 'intra-tumor heterogeniteit', 'klonale evolutie' en 'medicijnafgiftesystemen', die naar verwachting toekomstig onderzoek zullen beïnvloeden.

Samenvatting

Kanker vormt een aanzienlijke uitdaging voor de menselijke gezondheid vanwege de complexe biologische systemen, die een diepgaande analyse vereisen. Single-cell sequencing is een essentieel hulpmiddel geworden voor het onderzoeken van deze systemen, waardoor genexpressie en epigenetische modificaties op eencellig niveau kunnen worden gedetecteerd. Om onderzoekstrends, samenwerkingsnetwerken en kennisverspreiding op dit gebied te verduidelijken, werd een bibliometrische analyse uitgevoerd met behulp van de Web of Science Core Collection-database, die publicaties van 1 januari 2010 tot 31 december 2023 omvat. Het Bibliometrix-pakket in R werd gebruikt om belangrijke publicatiegegevens te extraheren en te analyseren, waaronder documenttypen, landen, instellingen, auteurs en trefwoorden. Daarnaast werden CiteSpace, VOSviewer en het Online Analysis Platform of Literature Metrology gebruikt voor het verzamelen en visualiseren van gegevens. De analyse identificeerde 34.074 auteurs van 3.129 instellingen in 75 landen en regio's, die bijdroegen aan 5.680 publicaties over single-cell sequencing bij kanker, gepubliceerd in 788 academische tijdschriften. China en de Verenigde Staten kwamen naar voren als de leidende landen in publicatievolume. Harvard University produceerde het hoogste aantal publicaties (320), waarbij Aviv Regev, verbonden aan Harvard, werd erkend als een belangrijke bijdrager. Toonaangevende tijdschriften, zoals Frontiers in Immunology en Nature Communications, belichten zowel gevestigde als opkomende onderzoeksgebieden, waaronder de immuunmicro-omgeving en immunotherapie. Belangrijke trends en mogelijke gebieden voor toekomstig onderzoek zijn onder meer heterogeniteit binnen tumoren, klonale evolutie en medicijnafgiftesystemen. Deze studie biedt een uitgebreid overzicht van onderzoek naar single-cell sequencing in de oncologie, met de nadruk op de snelle vooruitgang ervan, gedreven door technologische vooruitgang en internationale samenwerkingen. Het versterken van wereldwijde partnerschappen, het ontwikkelen van integratieve analytische tools en het aanpakken van de complexiteit van gegevens zullen cruciaal zijn voor het bevorderen van gepersonaliseerde kankertherapieën en het verdiepen van inzichten in kankerbiologie.

Inleiding

Kanker vertegenwoordigt een van de meest schadelijke ziekten en is wereldwijd de op één na belangrijkste doodsoorzaak1. Geschat wordt dat tegen 2035 ongeveer een kwart van de wereldbevolking rechtstreeks door kanker zal worden getroffen 2,3. De pathogenese van kanker houdt voornamelijk verband met ontregeling van de cellulaire groei, die wordt beïnvloed door een verscheidenheid aan tumorigene factoren 4,5. De "Hallmarks of Cancer" werden geconceptualiseerd als een reeks functionele mogelijkheden die de overgang van normale cellulaire toestanden naar neoplastische groei vergemakkelijken, met name die mogelijkheden die essentieel zijn voor de vorming van kwaadaardige tumoren6. Sequencingtechnologie speelt een cruciale rol bij het vergroten van ons begrip van de pathogenese van ziekten. Vanwege de inherente heterogeniteit van tumoren vormt het identificeren van de genomische kenmerken van stamcellen met een lage abundantie door middel van high-throughput sequencing-analyse van tumorweefsels echter aanzienlijke uitdagingen 7,8.

Single-cell sequencing, waaronder genomica, transcriptomics, epigenomics, proteomics en metabolomics, vertegenwoordigt een krachtige methodologische benadering voor het ophelderen van cellulaire en moleculaire landschappen op eencellig niveau 9,10. De toepassing ervan in kankeronderzoek heeft het begrip van de biologische kenmerken en dynamiek van neoplastische laesies aanzienlijk verbeterd, waardoor een beter begrip van de ontwikkeling en metastase van kanker mogelijk is.

De bibliometrische analyse onderzoekt de structurele kenmerken en kenmerken van wetenschappelijke publicaties en wordt op grote schaal gebruikt in zowel kwalitatieve als kwantitatieve beoordelingen van wetenschappelijke literatuur11,12. Door bijdragen van verschillende landen, instellingen, onderzoekers en publicaties te vergelijken, is het mogelijk om mogelijke ontwikkelingen binnen een bepaald onderzoeksdomein te verduidelijken en erop te anticiperen. Hoewel er een substantiële toename is geweest van systematische en narratieve reviews die zich richten op onderzoek naar single-cell sequencing bij kanker, blijft er een opmerkelijke tekortkoming in uitgebreide analyses op het gebied van kwantitatieve beoordeling 13,14,15. Deze studie heeft tot doel een uitgebreide analyse uit te voeren van de ontwikkelingstrends en prominente onderzoeksonderwerpen op het gebied van single-cell sequencing binnen het domein van kanker, met behulp van bibliometrische methoden. De bevindingen zullen onderzoekers, clinici en beleidsmakers een gedetailleerd overzicht bieden van de huidige stand van kennis en begrip op dit gebied.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

De gegevens die in dit onderzoek zijn gebruikt, zijn afkomstig uit de Web of Science Core Collection (2010-2023).

1. Gegevensverzameling

  1. Database selectie
    1. Toegang tot de Web of Science Core Collection (WoSCC) database via. https://webofscience. clarivate.cn/wos/author/author-search.
    2. Bouw een zoekstrategie op met behulp van gerichte trefwoorden, met name 'single-cell sequencing' en 'kanker', om relevante literatuur te identificeren. Klik op de zoekknop om het literatuuronderzoek te voltooien.
      OPMERKING: Raadpleeg aanvullende tabel 1 voor een volledige lijst met trefwoorden die in de zoekstrategie worden gebruikt om de nauwkeurigheid en inclusiviteit te verbeteren.
  2. Parameters zoeken
    1. Kies de publicatieperiode van 1 januari 2010 tot 31 december 2023 om de meest recente en uitgebreide onderzoekstrends vast te leggen.
    2. Selecteer Engels als taal voor de zoekresultaten en kies Artikel en recensie waren de artikeltypen om de consistentie van de gegevens te garanderen en vergelijkende analyse te vergemakkelijken.
    3. Zorg voor relevantie door publicaties buiten de domeinen single-cell sequencing en kankeronderzoek uit te sluiten.
  3. Ophalen en formatteren van gegevens
    1. Stel de geselecteerde publicaties samen in de indeling Full Record en Cited References om gedetailleerde metadata te behouden.
    2. Sla de verzamelde gegevens op als platte tekstbestanden voor latere analyse met behulp van bibliometrische hulpmiddelen.
    3. Controleer of elk record volledige metadata bevat, inclusief citatie- en co-auteurschapsinformatie, om een grondige bibliometrische analyse mogelijk te maken (Figuur 1).

2. Voorverwerking van gegevens

  1. Gegevensverzameling en -import
    1. Start de biblioshiny interface van het bibliometrix-pakket in R.
      OPMERKING: De specifieke code wordt als volgt verstrekt:
      Bibliotheek (bibliometrix)
      packageVersion("bibliometrix")
      biblioshiny()
    2. Open de WoSCC-database en selecteer een samengevoegd bestand met platte tekst met bibliometrische gegevens.
    3. Importeer de gegevens en exporteer deze in R-gegevensindeling voor latere analyse.
  2. Jaarlijkse groeitrend van publicaties en citaties
    1. Converteer de kolommen PY (publicatiejaar) en Z9 (aantal citaties) naar een numerieke indeling.
    2. Groepeer de gegevens per publicatiejaar en bereken het jaarlijkse aantal publicaties en het totale aantal citaties.
    3. Maak een staafdiagram om het aantal publicaties per jaar weer te geven en leg een lijngrafiek over elkaar heen om het aantal citaties in de loop van de tijd te illustreren.
      OPMERKING: De specifieke code wordt verstrekt als code 1 in aanvullend bestand 1.
  3. Landelijke publicatie en samenwerkingsanalyse
    1. Nationale aggregatie van publicaties en samenwerking
      1. Vat de jaarlijkse publicaties en citaties van elk land samen met behulp van de velden Jaar van publicatie (PY) en Auteurslanden (AU_CO1).
      2. Richt de analyse op de top 10 landen op basis van publicatievolume.
    2. Metrische berekening
      1. Bereken belangrijke statistieken, waaronder het aantal publicaties (NP), citatiefrequentie (NC), publicaties in één land (SCP) en publicaties in meerdere landen (MCP)16.
      2. Bepaal de verhouding van publicaties in meerdere landen (MCP_Ratio) als indicator voor internationale samenwerking.
      3. Gebruik de H-indexfunctie van R om impactindices (H-index, G-index en M-index) voor elk land over een periode van 14 jaar te berekenen17.
        OPMERKING: De specifieke code wordt verstrekt als code 2 in aanvullend bestand 1. Gebruik het online analyseplatform van literatuurmetrologie (https://bibliometric.com/) om de samenwerkingsrelaties tussen landen te onderzoeken. Upload gegevens in platte tekstindeling van de WoSCC. Gebruik de functie 'landenrelaties' om internationale samenwerkingen te beoordelen. Culmineren in een visualisatie van het samenwerkingsnetwerk tussen de belangrijkste bijdragende landen.
  4. Institutionele publicatie en samenwerkingsanalyse
    1. Gegevensextractie en rangschikking
      1. Extraheer institutionele gegevens uit de sectie Affiations in de functie Resultaten analyseren van de WoSCC-database.
      2. Rangschik instellingen in afnemende volgorde op basis van hun totale aantal gepubliceerde artikelen.
    2. Visualisatie van gegevens
      1. Genereer een horizontaal staafdiagram met behulp van het ggplot2-pakket in R om het publicatievolume van toonaangevende instellingen te illustreren.
        OPMERKING: De specifieke code wordt verstrekt als code 3 in aanvullend bestand 1.
    3. Co-auteurschap analyse
      1. Analyse instellen in VOSviewer: Start VOSviewer en selecteer vervolgens Maken in het hoofdmenu. Kies Een kaart maken op basis van bibliografische gegevens en kies voor Gegevens lezen uit bibliografische databasebestanden. Importeer ten slotte de bestanden met platte tekst.
      2. Configuratie en parameters: Stel het analysetype in op co-authorship in VOSviewer. Kies de methode Volledig tellen en selecteer organisaties als analyse-eenheid. Configureer de parameters om maximaal 1.200 organisaties per document op te nemen en stel de minimumdrempel in op 30 documenten per organisatie om een uitgebreide netwerkanalyse te garanderen.
      3. Visualisatie en interpretatie: Voltooi de installatie door op Voltooien te klikken om een visualisatiekaart te genereren die samenwerkingsnetwerken tussen instellingen illustreert. Zorg ervoor dat de kaart de connectiviteits- en partnerschapsniveaus benadrukt, waarbij centrale knooppunten van onderzoeksactiviteiten en belangrijke samenwerkingsgebieden tussen instellingen worden geïdentificeerd.
  5. Analyse van de samenwerking tussen auteurs en auteurs
    1. Identificatie van productieve auteurs: Ga naar de sectie Onderzoekersprofielen in de WoSCC-database om auteurs te rangschikken op basis van het totale aantal gepubliceerde artikelen.
    2. Gegevensvisualisatie: Gebruik het ggplot2-pakket in R om een horizontaal staafdiagram te maken, dat het publicatievolume van toonaangevende auteurs visueel weergeeft.
    3. Evaluatie van auteursbijdragen: Haal aanvullende statistieken op voor de top 10 auteurs op publicatievolume, inclusief de H-index, het land en de aangesloten instelling, met behulp van gegevens uit de WoSCC-database.
      OPMERKING: De specifieke code wordt verstrekt als code 4 in aanvullend bestand 1.
    4. Samenwerkingsnetwerken voor auteurs
      1. Analyse instellen in VOSviewer: Start VOSviewer en selecteer de knop Maken , gevolgd door Een kaart maken op basis van bibliografische gegevens. Importeer de relevante platte tekstbestanden die bibliografische gegevens bevatten door Gegevens uit bibliografische databasebestanden lezen te selecteren.
      2. Configuratie en parameters: Stel het analysetype in op co-auteurschap en gebruik de methode Volledig tellen . Selecteer auteurs als analyse-eenheid. Pas de parameters aan om maximaal 33 organisaties per document op te nemen en stel een minimumdrempel van 15 documenten per auteur in om ervoor te zorgen dat zinvolle samenwerkingsgegevens worden vastgelegd.
      3. Visualisatie en inzichten: Klik op Voltooien om een overlay-visualisatie te genereren, die de temporele evolutie van auteurssamenwerkingen illustreert en inzicht geeft in de dynamiek en groei van co-auteurschapsnetwerken in de loop van de tijd.
  6. Analyse van tijdschriften en co-geciteerde tijdschriften
    1. Berekening van tijdschriftstatistieken: Gebruik de H-indexfunctie in R om de belangrijkste statistieken voor elk tijdschrift te berekenen, waaronder het aantal publicaties per bron (NP), citatiefrequentie (NC), jaar van eerste publicatie (PY_start) en impactindices (H-index, G-index en M-index).
    2. Ophalen van impactfactoren en ranglijsten: Verkrijg impactfactoren en kwartielranglijsten van tijdschriften uit de WoSCC-database om de invloed en status van elk tijdschrift in het veld verder te evalueren.
      OPMERKING: De specifieke code wordt verstrekt als code 5 in aanvullend bestand 1.
    3. Analyse van kennisstromen
      1. Gegevens importeren en instellen in CiteSpace: Open CiteSpace en navigeer naar het menu Gegevens . Selecteer Importeren/Exporteren en kies WOS om gegevens te importeren. Configureer de invoer- en uitvoerpaden naar wens.
      2. Kaartselectie en configuratie: Selecteer de opties Overlay Maps en JCR Journals Maps in CiteSpace en stel de z-score in op 0. Deze opstelling maakt het mogelijk om een dual-map te genereren om de kennisstroom tussen tijdschriften te illustreren.
  7. Analyse van geciteerde referenties en clusternetwerk
    1. Importeren en instellen van gegevens in CiteSpace
      1. Open CiteSpace, navigeer naar het menu Gegevens en selecteer Importeren/exporteren.
      2. Importeer gegevens uit de WoSCC-database in platte tekst en configureer de analyseperiode van januari 2010 tot december 2023 met een interval van één jaar voor tijdelijke details.
    2. Netwerkconfiguratie en -beheer
      1. Stel het knooppunttype in op Reference in CiteSpace. Gebruik de Pathfinder-optie en de functie Sliced Networks snoeien om het netwerk te snoeien.
      2. Voer de analyse uit door op GO te klikken om een referentie-co-citatiekaart te genereren, waarbij u de lettertype- en kleurinstellingen aanpast voor een betere leesbaarheid.
    3. Referenties met een grote impact identificeren
      1. Selecteer de optie Burstness en stel de parameter γ in op [0,1] in CiteSpace.
      2. Vernieuw de gegevens om een lijst te genereren van de top 20 referenties met de sterkste citatie-uitbarstingen.
  8. Analyse van het gelijktijdig voorkomen van zoekwoorden
    1. Analyse van de trefwoordfrequentie in R
      1. Voer een trefwoordanalyse uit met behulp van het bibliometrix-pakket in R, waarbij u zich richt op de meest voorkomende trefwoorden in documenten.
      2. Stel het veld in op Trefwoorden van de auteur en beperk het aantal tot de top 20 trefwoorden, waarbij synoniemen worden uitgefilterd om consistentie te garanderen.
    2. Analyse van zoekwoordbursts in CiteSpace
      1. Gebruik CiteSpace om een analyse van trefwoordbursts uit te voeren door de optie Burstness te selecteren en de parameter γ in te stellen op [0, 1].
      2. Vernieuw de gegevens om een lijst te genereren van de top 30 zoekwoorden met de sterkste citatie-uitbarstingen.
    3. Trefwoord co-occurrence netwerkanalyse in VOSviewer
      1. Open VOSviewer, selecteer Maken en vervolgens Een kaart maken op basis van bibliografische gegevens.
      2. Importeer de bestanden met platte tekst met behulp van de optie Gegevens lezen uit bibliografische databasebestanden .
      3. Stel het analysetype in op co-voorkomen, met behulp van de methode Volledig tellen , met trefwoorden van de auteur als analyse-eenheid.
      4. Pas een minimumdrempel van 40 trefwoorden toe en klik op Voltooien om de analyse te voltooien, waardoor een netwerk voor gelijktijdig voorkomen ontstaat dat trefwoordrelaties binnen het veld visualiseert.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Jaarlijkse groeitrend van publicaties en citaties
Van 2010 tot 2023 werden in totaal 6.767 publicaties met betrekking tot single-cell sequencing bij kanker geïdentificeerd in de WoSCC-database. In totaal werden 602 studies die tussen 2010 en 2023 zijn gepubliceerd, uitgesloten van de analyse, gevolgd door de uitsluiting van vijf studies die niet in het Engels zijn gepubliceerd. Bovendien werden 480 artikelen uitgesloten op basis van vooraf gedefinieerde uitsluitingscr...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Bibliometrische analyse dient als een kwantitatieve benadering voor het evalueren van de kenmerken en wetenschappelijke impact van belangrijke publicaties26. Deze studie voerde een uitgebreide bibliometrische analyse uit van 5.680 artikelen met betrekking tot single-cell sequencing in kankeronderzoek, geëxtraheerd uit de WoSCC-database en gepubliceerd tussen 2010 en 2023. Deze analyse was bedoeld om de huidige stand van het onderzoek te beoordelen, belangrijke ond...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs hebben niets te onthullen.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
bibliometrix packageComprehensive R Archive Network (CRAN)bibliometrix 4.3.0Een forest plot die meerdere betrouwbaarheidsintervallen per rij, aangepaste lettertypen voor elk tekstelement, aangepaste betrouwbaarheidsintervallen, tekst vermengd met uitdrukkingen en meer mogelijk maakt.
CiteSpaceChaomei Chen, Drexel UniversityCiteSpace 6.2.R4 (64-bit) beta Basic‌CiteSpace‌ is een wetenschappelijk literatuuranalysetool. De hoofdfunctie is om de onderliggende kennis in wetenschappelijke literatuur door middel van visuele middelen te analyseren, waarbij de structuur, regels en verdeling van wetenschappelijke kennis worden getoond. De belangrijkste functies van CiteSpace omvatten: analyse van onderzoekssamenwerking ‌, beoordeling van belangrijke tijdschriften ‌, mijnbouw van kernonderwerpen enzovoort.
dplyrComprehensive R Archive Network (CRAN)dplyr 1.1.4dbplyr is de database-backend voor dplyr. Het stelt u in staat om externe databasetabellen te gebruiken alsof ze in-memory data frames zijn door dplyr-code automatisch om te zetten in SQL.
esquisseComprehensive R Archive Network (CRAN)esquisse 2.0.1Deze addin stelt u in staat uw gegevens interactief te verkennen door deze te visualiseren met het ggplot2-pakket. Het stelt u in staat staafdiagrammen, curven, strooidiagrammen, histogrammen, boxplots en sf-objecten te tekenen, en vervolgens de grafiek te exporteren of de code te verkrijgen om de grafiek te reproduceren.
forcatsComprehensive R Archive Network (CRAN)forcats 1.0.0R gebruikt factoren om categorische variabelen te behandelen, variabelen met een vaste en bekende set mogelijke waarden. Factoren zijn ook nuttig voor het herordenen van tekenreeksen om de weergave te verbeteren. Het doel van het forcats-pakket is om een reeks hulpmiddelen te bieden die veelvoorkomende problemen met factoren oplossen, inclusief het wijzigen van de volgorde van niveaus of de waarden. 
ggplot2Comprehensive R Archive Network (CRAN)ggplot2 3.5.1ggplot2 is een systeem voor het declaratief maken van afbeeldingen, gebaseerd op de grammatica van graphics. U geeft de gegevens op, vertelt ggplot2 hoe u variabelen aan esthetiek wilt toewijzen, welke grafische primitieven u wilt gebruiken, en ggplot2 zorgt voor de details.
ggpmiscComprehensive R Archive Network (CRAN)ggpmisc 0.6.1Pakket ‘ggpmisc’ (Diverse uitbreidingen voor ‘ggplot2’) is een reeks uitbreidingen voor het R-pakket ‘ggplot2’ (>= 3.0.0) met nadruk op annotaties en plotten met betrekking tot aangepaste modellen. Schattingen van modelaanpasobjecten kunnen in ggplots worden weergegeven als tekst, tabellen of vergelijkingen. Voorspelde waarden, restwaarden, afwijkingen en gewichten kunnen worden uitgezet voor verschillende modelaanpasfuncties.
ggsciComprehensive R Archive Network (CRAN)ggsci 3.2.0ggsci biedt een verzameling ggplot2-kleurenpaletten geïnspireerd door wetenschappelijke tijdschriften, datavisualisatiebibliotheken, sciencefictionfilms en tv-shows.
openxlsxComprehensive R Archive Network (CRAN)openxlsx 4.2.7.1Dit R-pakket vereenvoudigt het maken van.xlsx-bestanden door een hoog niveau interface te bieden voor het schrijven, stylen en bewerken van werkbladen. Door het gebruik van Rcpp zijn de lees-/schrijftijden vergelijkbaar met de xlsx- en XLConnect-pakketten met het extra voordeel dat de afhankelijkheid van Java is verwijderd.
readxlComprehensive R Archive Network (CRAN)readxl 1.4.3Het readxl-pakket maakt het gemakkelijk om gegevens uit Excel in R te krijgen. In vergelijking met veel van de bestaande pakketten (bijv. gdata, xlsx, xlsReadWrite) heeft readxl geen externe afhankelijkheden, dus het is gemakkelijk te installeren en te gebruiken op alle besturingssystemen. Het is ontworpen om met tabelgegevens te werken.
reshape2Comprehensive R Archive Network (CRAN)reshape2 1.4.4Reshape2 is een herstart van het reshape-pakket. Het is meer dan vijf jaar geleden sinds de eerste release van reshape en in die tijd heb ik enorm veel geleerd over R-programmering en hoe om te gaan met gegevens in R. Reshape2 gebruikt die kennis om een nieuw pakket te maken voor het omvormen van gegevens dat veel meer gericht en veel sneller is.
stringrComprehensive R Archive Network (CRAN)stringr 1.5.1Strings zijn niet glamoureuze, spraakmakende componenten van R, maar ze spelen wel een grote rol bij veel taken voor het opschonen en voorbereiden van gegevens. Het stringr-pakket biedt een samenhangende reeks functies die zijn ontworpen om het werken met strings zo eenvoudig mogelijk te maken.
tidytextComprehensive R Archive Network (CRAN)tidytext 0.4.2Het gebruik van tidy data-principes kan veel tekstmijnbouwtaken eenvoudiger, effectiever en consistenter maken met hulpmiddelen die al op grote schaal worden gebruikt. Veel van de infrastructuur die nodig is voor tekstmijnbouw met tidy data frames bestaat al in pakketten zoals dplyr, broom, tidyr en ggplot2. In dit pakket bieden we functies en ondersteunende datasets om conversie van tekst naar en vanuit tidy-formaten mogelijk te maken, en om naadloos tussen tidy-tools en bestaande tekstmijnbouwpakketten te schakelen. Bekijk ons boek voor meer informatie over tekstmijnbouw met behulp van tidy data-principes
tidyverseComprehensive R Archive Network (CRAN)tidyverse 2.0.0De tidyverse is een door een mening gedreven verzameling R-pakketten ontworpen voor data science. Alle pakketten delen een onderliggende ontwerpfilosofie, grammatica en datastructuren.
VennDiagramComprehensive R Archive Network (CRAN)VennDiagram 1.7.3VennDiagram is een R-pakket voor het genereren van hoogwaardige, aanpasbare Venn-diagrammen met maximaal vier sets en Euler-diagrammen met maximaal drie sets. Bevat behandeling voor verschillende speciale gevallen, inclusief twee-gevallen schaling, en uitgeb

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Trefwoorden

Kankeronderzoekbibliometrische analyseimmuunmicro omgevingtumorevolutieclonale evolutieintratumorale heterogeniteitdrug delivery systemenco auteurschapsanalysetrefwoordco occurrentie
Wereldwijde en huidige onderzoekstrends van single-cell sequencing bij kanker: een bibliometrische en visualisatiestudie
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.