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

Methodenartikel

Bibliometrie en bioinformatica Verkenning van onderzoekshotspots en belangrijke doelwitten in comorbiditeit: interstitiële longziekte en pulmonale hypertensie

130 weergaven

⸱

DOI:

10.3791/71631

⸱

7 augustus 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 dit artikel

Samenvatting

Dit protocol gebruikt interstitiële longziekte en pulmonale hypertensie als voorbeelden en integreert bibliometrie met bio-informatica om systematisch en voorlopig hun onderzoekstrends, hotspots, belangrijke doelwitten en gerelateerde routes te onderzoeken. Dit protocol kan worden gerepliceerd om ziekteparen te analyseren door de prompts aan te passen.

Samenvatting

Interstitiële longziekte (ILD) en pulmonale hypertensie (PH) bestaan vaak naast elkaar als comorbiditeiten, wat leidt tot slechte klinische resultaten en beperkte therapeutische opties. Het identificeren van belangrijke onderzoekshotspots en het ontdekken van belangrijke comorbiditeitsdoelen is essentieel voor het verbeteren van ziektebeheer en het ontwikkelen van nieuwe therapeutische strategieën. Dit protocol haalt relevante publicaties op uit de Web of Science Core Collection en Scopus-databases, en gebruikt CiteSpace en VOSviewer om onderzoekshotspots en veranderende trends in kaart te brengen. Vervolgens worden overlappende genetische doelen die met beide ziekten zijn geassocieerd geïdentificeerd uit de GeneCards-database. Eiwit-eiwitinteractienetwerken worden geconstrueerd met behulp van STRING om hubgenen te identificeren, en KEGG-routeverrijkingsanalyse wordt uitgevoerd met behulp van de R-taal om belangrijke signaalroutes te verduidelijken. De resultaten tonen aan dat bibliometrie het ontwikkelingstraject van dit interdisciplinaire vakgebied vanuit een macroperspectief identificeert; bio-informatische analyse onthult FN1, IL6 en TNF als potentiële kerncomorbiditeitsdoelen; en KEGG-verrijkingsanalyse geeft aan dat immuungerelateerde routes gericht op PI3K-Akt en MAPK diepgaand betrokken zijn bij de pathogenese van de comorbiditeit. Door de twee benaderingen te integreren, wordt het ontwikkelingstraject en onderzoekshotspots in ILD-PH comorbiditeitsonderzoek systematisch afgebakend, terwijl potentiële comorbiditeitsdoelen en -routes voorlopig worden gescreend. Het biedt richting en een computationele basis voor toekomstig experimenteel onderzoek en klinische validatie. Dit geïntegreerde kader biedt een reproduceerbare methodologie die toepasbaar is voor de studie van andere complexe ziektecomorbiditeiten.

Inleiding

Interstitiële longziekte (ILD) verwijst naar een groep diffuse longziekten die pathologisch worden gekenmerkt door ontsteking en fibrose van het pulmonale interstitium. Tijdens de ziekteprogressie wordt het vaak gecompliceerd door meerdere comorbiditeiten, waarvan pulmonale hypertensie (PH) een van de veelvoorkomende comorbiditeiten is die de prognose aanzienlijk beïnvloedt 1,2. Epidemiologische gegevens geven aan dat de incidentie van PH bij patiënten met ILD varieert afhankelijk van het subtype en het ziektestadium, variërend van 13% tot 86%. Deze comorbide aandoening vermindert niet alleen aanzienlijk de kwaliteit van leven van patiënten en verhoogt hun sterfterisico, maar verergert ook de sociaaleconomische en zorglast. In tegenstelling tot pulmonale arteriële hypertensie is de pathogenese van interstitiële longziekte-geassocieerde pulmonale hypertensie complexer, met meerdere pathologische processen zoals hypoxische pulmonale vasoconstrictie, pro-fibrotische en inflammatoire factor-gemedieerde vasculaire remodellering, en extracellulaire matrixdepositie 8,9,10. Op dit moment blijven klinische diagnose- en behandelstrategieën voor deze comorbide aandoening relatief beperkt en ontbreken specifieke gerichte geneesmiddelen. De onderliggende moleculaire mechanismen, belangrijke signaalroutes en vroege biomarkers moeten nog systematisch worden opgehelderd 11,12.

Als een objectief hulpmiddel om onderzoekspunten en evolutionaire trajecten te detecteren, heeft bibliometrie de afgelopen jaren uitgebreide toepassing gekregen13,14. Bio-informatica analyse identificeert belangrijke doelen en kernroutes door eerder ontdekte ziektegerelateerde doelen te integreren15. Voor comorbiditeitsonderzoek verdiept het integreren van macroscopische onderzoekshotspots met informatie op moleculair niveau paden en doelwitten het begrip van comorbiditeitsmechanismen en biedt het computationele voorspellingen en richtingsrichtlijnen voor latere experimentele studies. Onderzoek naar de comorbiditeit van interstitiële longziekte en pulmonale hypertensie mist echter nog steeds een systematische geïntegreerde analyse die macroscopische kennismapping combineert met microscopische moleculaire netwerken. Daarom gebruikte deze studie de Web of Science Core Collection (WoSCC) en Scopus-databases om het ontwikkelingstraject en de onderzoekshotspots van ILD-PH comorbiditeitsonderzoek via bibliometrische methoden volledig te schetsen. Tegelijkertijd werden bio-informatica-instrumenten ingezet om kerngenen en potentiële moleculaire routes die met de comorbiditeit geassocieerd zijn te identificeren, wat een kandidaat voor moleculaire basis en experimenteel ontwerp bood voor latere experimentele onderzoeken en gerichte exploratie.

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

Protocol

De studie maakte gebruik van openbaar beschikbare secundaire databases, waaronder GeneCards, STRING en KEGG. Volgens Artikel 32 van de Regelgeving inzake Menselijke Genetische Hulpbronnen van China houden deze databases geen directe verzameling van menselijke genetische hulpbronnen binnen China in; Daarom was voor deze studie geen ethische goedkeuring of geïnformeerde toestemming vereist. Gedetailleerde versie-informatie van de software en platforms die in deze sectie worden gebruikt, is te vinden in de Materiaaloverzicht.

1. Literatuurcollectie en organisatie

  1. Toegang tot de MeSH-database (Table of Materials).
  2. Zoek afzonderlijk op de ziektetermen "Interstitiële Longziekte" en "Longhypertensie" om de bijbehorende subkoppen te vinden.
  3. Ontwikkel een uitgebreide zoekstrategie op basis van de geïdentificeerde MeSH-termen en subkoppen.
  4. Op 9 maart 2026 opent u de WoSCC-database (Materiaaltafel).
  5. Selecteer Geavanceerde zoekopdracht. Voer de zoekstrategie in: TS=("Diffuse Parenchymale Longziekte" OF "Diffuse Parenchymale Longziekten" OF "Interstitiële Longziekte" OF "Interstitiële Longziekten") EN TS=("Pulmonale Hypertensie"). Stel de publicatiedatum in van 1 januari 2016 tot 31 december 2025 en klik op Zoeken.
  6. Selecteer artikelen en recensieartikelen als documenttypen, en kies Engels als taal. Selecteer Volledig Record en Geciteerde Referenties als inhoud van het record. Exporteer de records in txt-formaat en sla op als wos.txt, converteer daarna naar csv-formaat en sla op als wos.csv.
  7. Op 9 maart 2026 open je de Scopus-database (Materiaaloverzicht).
  8. Stel het zoekveld in op "Titel"/ "Abstract" / "Zoekwoorden". Voer de zoekstrategie in: TITLE-ABS-KEY(("Diffuse Parenchymale Longziekte" OF "Diffuse Parenchymale Longziekten" OF "Interstitiële Longziekte" OF "Interstitiële Longziekten")) EN TITLE-ABS-KEY ("Pulmonale Hypertensie"). Selecteer het jaartal van 1 januari 2016 tot 31 december 2025, kies Geneeskunde als vakgebied en klik op Zoeken (Aanvullende Tabel 1).
  9. Klik op Exporteren, selecteer CSV-formaat, exporteer alle opgehaalde records en sla op als scopus.csv.
  10. Open wos.csv, kopieer de DOI-kolom en plak deze in scopus.csv. Voer gegevensvergelijking uit, gebruik de functie Duplicaten verwijderen in Excel om dubbele records te markeren, verwijder de duplicaten en haal scopus1.csv. Voor de zeer weinige documenten zonder DOI hebben we handmatig gecontroleerd met een combinatie van "titel + auteur + jaar" om volledige opname van de voor deze studie vereiste literatuur te waarborgen.
  11. Maak nieuwe mappen aan met de naam input directory en output directory. Plaats scopus1.csv verkregen na deduplicatie in de invoermap. Open CiteSpace, klik op Data, selecteer Scopus, geef de bijbehorende mappen aan en klik op de Scopus (csv) > WoS-knop om het Scopus-dataformaat om te zetten, waarmee het formaat van de twee databases wordt verenigd in txt-formaat. Noem het resulterende bestand scopus1.txt.
  12. Meng de gegevens uit de twee databases. Plaats scopus1.txt en wos.txt in CiteSpace voor deduplicatie en samenvoeging om uniform geformatteerde, gededupliceerde literatuurgegevens te verkrijgen: dataset.txt, voor latere analyse (Aanvullende Tabel 2).
  13. Controleer de verkregen wos.txt- en scopus.csv bestanden om te verzekeren dat het deduplicatieproces DOI als matchingscriterium gebruikt en dat het dataset.txt-bestand succesvol is gegenereerd.

2. Analyse van jaarlijkse publicatie-output trendanalyse

  1. In Microsoft Excel telt je het aantal publicaties per jaar om twee kolommen met gegevens te genereren (Jaar, Publicaties).
  2. Selecteer de dataset, open Insert > Chart > Column Chart om een kolomdiagram van jaarlijkse publicatieoutput te genereren.
  3. Wijs de horizontale as aan als Jaar en de verticale as als Publicaties.
  4. Schakel datalabels in om het specifieke aantal publicaties per jaar weer te geven.
  5. Exporteer alle figuren in Tagged Image File Format (TIFF), zodat een resolutie van minstens 300 dpi wordt gegarandeerd.

3. Nationale en regionale publicatie-output en analyse van internationale samenwerking

  1. Start VOSviewer, selecteer Create > Maak een kaart aan op basis van bibliografische gegevens > Lees gegevens uit bibliografische databasebestanden16.
  2. Importeer de platte tekstdataset die in stap 1.12 is gegenereerd.
  3. Selecteer mede-auteurschap als analysetype en Landen als analyse-eenheid.
  4. Stel het minimumaantal documenten voor een land vast op 40, waarbij de top 20 landen op basis van publicatieoutput behouden blijven. Om ervoor te zorgen dat het samenwerkingsnetwerk zich richt op landen met hoge output, terwijl de duidelijkheid en leesbaarheid van de kaart behouden blijven, waardoor het voor lezers gemakkelijker wordt om intuïtief de kern van internationale onderzoekskrachten en samenwerkingspatronen te begrijpen.
  5. Selecteer in de interface 'Verify selected items ' alle landen, kopieer de lijst naar Excel en exporteer het aantal publicaties en citatieaantallen per land.
  6. Selecteer in de resulterende Excel-tabel de top 10 landen op publicatie-output en genereer een grafiek met hun publicatie- en citatieaantallen.
  7. Selecteer de knop "Voltooien" om het nationale samenwerkingsnetwerk op te bouwen en het netwerk op te slaan in GML-formaat.
  8. Start Scimago Graphica en importeer het GML-bestand.
  9. Koppel het labelveld aan Country en stel het clusterveldtype in op String.
  10. In de visualisatieconfiguratie plaats je het publicatie-uitvoerveld (meestal gewicht of een vergelijkbare naam) in het Grootte-vakje, stel je het clusterveld in als het Kleur-vakje en koppel je het labelveld aan de Label-, Tooltip- en Unit-vakken.
  11. Ga naar Marks > Map. Gebruik Randen voor het aanpassen van lijnkromming en Randkleur voor de configuratie van knoopkleur.
  12. Exporteer de uiteindelijke kaart in PNG-formaat.
  13. Importeer de platte tekstdataset die in stap 1.12 is gegenereerd in het Bibliometric Online Analysis Platform (https://bibliometric.com), klik op Citatiegegevens uploaden en selecteer Landrelaties om een nationaal samenwerkingsakkoord te genereren voor visualisatie.
  14. Een belangrijk controlepunt is het aanpassen van het minimale aantal documenten zodat het resulterende netwerk goed in balans en visueel duidelijk is, terwijl het toch de onderzoeksdoelstellingen weerspiegelt.

4. Publicatie-output en citatieanalyse van tijdschriften

  1. Importeer dezelfde dataset in VOSviewer, selecteer Citation als analysetype en selecteer Sources als analyse-eenheid.
  2. Stel het minimumaantal documenten voor een bron in op 5 en het minimale aantal citaties op 20.
  3. In de interface 'Verify' geselecteerde items kopieert u de tijdschriftlijst naar Excel om het aantal publicaties en het totale aantal citaties per tijdschrift te verkrijgen.
  4. Kies Voltooien, en de co-citatienetwerkkaart van het tijdschrift wordt gegenereerd. Pas de parameters Attractie en Afstoting aan om de lay-out te verbeteren, verfijn het uiterlijk met het Visualisatiepaneel en sla de kaart op als een TIFF met een resolutie van minstens 300 dpi.
  5. In Excel sorteert u tijdschriften op het aantal publicaties, selecteert u de top 10 tijdschriften op publicatieoutput. Op 9 maart 2026 bezoekt u het officiële JCR-platform (Table of Materials), zoekt u respectievelijk naar elk tijdschrift en noteert u hun meest recente Impact Factor en JCR-kwartiel. Genereer een grafiek met de top 10 tijdschriften op basis van publicaties.
  6. Sorteer tijdschriften in Excel op totaal aantal citaties, selecteer de top 10 tijdschriften op citatiefrequentie. Op 9 maart 2026 halen en opnemen ze hun nieuwste Impact Factor en JCR-kwartiel van het officiële JCR-platform. Genereer een grafiek met de top 10 tijdschriften op citatiefrequentie.

5. Analyse van samenwerkingsnetwerken met hoge productiviteit van auteurs

  1. Importeer de dataset in VOSviewer, selecteer Co-auteurschap als analysetype en selecteer Auteurs als analyse-eenheid.
  2. Stel het minimumaantal documenten voor een auteur in op 3 om auteurs met een bepaald activiteitsniveau te filteren.
  3. In de interface 'Geselecteerde items verifiëren ' kopieert u de auteurslijst en slaat u de publicatie- en citatietellingen van auteurs op in een Excel-bestand.
  4. Kies Afwerking om het auteurs-samenwerkingsnetwerk te produceren, pas de netwerkindeling en -uitstraling aan, en sla op als TIFF-formaat.
  5. In Excel sorteer je auteurs op basis van hun aantal publicaties, kies je de 10 meest productieve onderzoekers en maak je een donuttabel om hun publicatieaantallen weer te geven.
  6. Uit de originele dataset haalt u de top 10 auteurs op citatieaantal, identificeert u hun respectievelijke landen, wijst u verschillende kleuren toe op basis van het land en genereert u een grafiek met de top 10 auteurs op citatiefrequentie.

6. Keyword co-occurrence en thematische evolutieanalyse

  1. Start CiteSpace en navigeer naar Data > Import/Export.
  2. Plaats het txt-bestand dat in stap 1.12 is geëxporteerd in de invoermap. Stel in de Import/Export-interface de invoer- en uitvoerpaden in, selecteer Artikel en Beoordeling als documenttypen en klik op Start om dataformaatconversie uit te voeren.
  3. Na de conversie kopieer je de bestanden van de uitvoermap naar de datamap. Klik in de hoofdinterface van CiteSpace op Nieuw, stel de projectmap en datamap in, selecteer WoS als databron en kies Engels als taal.
  4. Ga naar het tijdssnijpaneel rechts, stel de span in op 2016–2025, neem een venster van 1 jaar en kies Keyword als knooppunttype.
  5. Pas de g-index (k=10) toe voor netwerkschaling en selecteer de drie snoeistrategieën: Pathfinder, Snoeien van gesneden netwerken en Snoeien van het samengevoegde netwerk.
  6. Klik op Start om de analyse uit te voeren. Na voltooiing gebruik je de One-Click Clustering Label Optimization-functie om de co-occurrencemap van het trefwoord te maken.
  7. Stel het display van knooppunt- en clusterlabels in vanuit het configuratiescherm en optimaliseer visuele elementen zoals knooppuntgrootte.
  8. Selecteer Lay-out > Tijdlijn om de zoekwoord-tijdlijn te genereren.
  9. Selecteer in het configuratiescherm Burstness, klik op Verversen en Bekijken achter elkaar, stel het aantal top 25 trefwoorden in dat weergegeven moet worden en genereer de grafiek van de top 25 zoekwoorden op burststerkte. Exporteer de gegenereerde afbeeldingen in TIFF-formaat voor opslag.

7. Referentie-co-citatieanalyse

  1. Laad dezelfde dataset in CiteSpace. Stel de tijdsreeks en snoeistrategieën in zoals beschreven in stappen 6.4–6.5, en selecteer Cited Reference als knooppunttype.
  2. Na het uitvoeren van de analyse gebruik je de One-Click Clustering Label Optimization-functie om de referentieco-occurrencemap te genereren.
  3. Pas knooppunt- en clusterlabels aan en selecteer Clusters om de referentieclustering map te genereren.
  4. In het Burstness-paneel stelt u het display zo in dat het de top 20 geciteerde referenties op citatiefrequentie wordt weergegeven, en genereert u de grafiek van de top 20 co-citeerde referenties op burststerkte.
  5. Exporteer alle afbeeldingen in TIFF-formaat voor opslag.

8. PPI-netwerkanalyse

  1. Toegang tot de GeneCards-database (https://www.genecards.org)17op 12 maart 2026 en zoek met respectievelijk "Interstitiële Longziekte" en "Pulmonale Hypertensie" als trefwoorden. De ziektetermen die voor de zoekopdracht zijn gebruikt, zijn consistent met die in de literatuuropzoeking, en er zijn geen aanvullende termvarianten uitgebreid.
  2. Exporteer de lijst met doelen met een relevantiescore ≥ 1 voor elke zoekopdracht. De extractiemethode hield in dat alle doelen met een score ≥ 1 werden gesorteerd op relevantiescore en werden geëxporteerd. De drempel van ≥ 1 werd gekozen omdat deze het overgrote deel van de literatuur-ondersteunde geassocieerde genen vastlegt en vals-positieven minimaliseert.
  3. Gebruik R om het snijpunt van de twee doelsets te bepalen, wat resulteert in de ILD-PH comorbiditeitsgerelateerde doelen.
  4. Toegang tot de module Multiple Proteins van de STRING-database (https://cn.string-db.org/)18, voer de lijst met comorbiditeitsdoelen in het zoekvak in en selecteer Homo sapiens als soort.
  5. Klik op Doorgaan, en zet vervolgens in het instellingenpaneel de minimale vereiste interactiescore op Hoge betrouwbaarheid (0,700) en schakel verbonden knooppunten in het netwerk19 in.
  6. Na het updaten van het netwerk download je de interactiegegevens als een TSV-bestand uit het Exportmenu .
  7. Start Cytoscape en laad het TSV-bestand via File > Import > Network vanuit File System.
  8. In Tools > NetworkAnalyzer > Network Analysis > Network Interpretation selecteer je 'Behandel het netwerk als ongericht' en bereken je topologische parameters, inclusief knooppuntgradatie.
  9. Stel nodevorm, kleur, grootte en andere uiterlijkinstellingen in in het Style-paneel en pas de nodeposities handmatig aan om een duidelijke lay-out te krijgen.
  10. Sla de PPI-netwerkimage op via Bestand > Exporteer > netwerkafbeelding naar Bestand, en exporteer de netwerkanalyseresultaten via Bestand > Exporteren > Tabel naar Bestand.
  11. Open de geëxporteerde tabel in Excel, sorteer de kolom Degree dalend, kies de top 20 sleuteldoelen samen met hun graadwaarden, maak een staafdiagram met datalabels en exporteer in TIFF-formaat.

9. KEGG Padverrijkingsanalyse

  1. Start R en voer de commando's in om de benodigde pakketten te installeren en te laden (Aanvullende Tabel 3):
    install.packages("BiocManager")
    BiocManager::install(c("clusterProfiler", "org. Hs.eg.db"))
    library(clusterProfiler)
    bibliotheek(org. Hs.eg.db)
  2. Converteer de gensymbolen van ILD-PH comorbiditeitsdoelen naar Entrez-ID's met behulp van de bitr()-functie. In R, voer in:
    coma_entrez <- bitr(coma_genes, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org. Hs.eg.db)
  3. Voer verrijkingsanalyse uit met de enrichKEGG()-functie met de volgende parameters: organisme = "heeft", pvalueCutoff = 0,05, qvalueCutoff = 0,05. De Benjamini-Hochberg (BH) methode werd gebruikt voor meervoudige testcorrectie. Voer de volgende code in:
    kegg_result <- enrichKEGG(gen = coma_entrez$ENTREZID,
    organisme = "heeft",
    pvalueCutoff = 0,05,
    qvalueCutoff = 0,05,
    use_internal_data = ONJUIST)
    OPMERKING: p-waarde: de oorspronkelijke p-waarde, die de kans voorstelt om het gegeven niveau van verrijking te observeren; q-waarde: de FDR (False Discovery Rate) na Benjamini-Hochberg-correctie, met correctie voor het vals-positiefpercentage. In deze studie werd q < 0,05 gebruikt als criterium voor significante verrijking.
  4. Filter de resultaten met trefwoorden "Menselijke ziekten" en "Metabolisme" om paden die geassocieerd zijn met menselijke ziekten en metabolisme te verwijderen, waarbij paden die geassocieerd worden met biologische processen behouden blijven. Menselijke ziekten en metabolismeroutes beschrijven voornamelijk de algemene mechanismen van ziekten en metabole netwerken, die zwak geassocieerd zijn met de fibrose, ontsteking en vasculaire remodeleringsmechanismen van ILD-PH comorbiditeit. Daarom werden ze uitgesloten om de resultaten te richten op belangrijke signaalpaden. Hier komt het volgende in beeld:
    kegg_result_df <- as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[!grepl("Menselijke Ziekten|Metabolisme", kegg_result_df$Beschrijving), ]
  5. Sorteer de paden in aflopende volgorde op genentelling, selecteer de top 10 paden, genereer een dot plot met de dotplot()-functie en exporteer de plot in PNG-formaat. Hier komt het volgende in beeld:
    top10_pathways <- head(kegg_filtered[order(kegg_filtered$Count, afnemend = WAAR), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave("KEGG_dotplot.png", dotplot_result, breedte = 8, hoogte = 6, dpi = 300)
  6. Haal de top 10 routes en hun bijbehorende doelgenen eruit, stel een tabel met twee kolommen op (pathwaynaam, doelgen) en sla de tabel op als een tab-gescheiden TXT-bestand.
  7. Importeer het bestand in Cytoscape, configureer de vorm- en kleurverschillen tussen pad- en doelknooppunten via het Stijlpaneel , verfijn handmatig de lay-out en exporteer de pathway-target netwerkafbeelding20.

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

Resultaten

Data-opvraging en screening

In totaal werden 2.400 records verzameld uit de Scopus-database, terwijl er 696 werden geïdentificeerd in de WoSCC-database. Na het samenvoegen van de twee datasets en het verwijderen van 533 dubbele records, werden uiteindelijk in totaal 2.563 unieke publicaties opgenomen voor latere bibliometrische analyse (Figuur 1).

Jaarlijkse publicatieproductiet...

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

Discussie

Deze studie vertegenwoordigt de eerste geïntegreerde toepassing van bibliometrie en bio-informatica om de comorbiditeit van ILD en PH te onderzoeken. Het bespreekt systematisch het ontwikkelingstraject, de kennisstructuur en de baanbrekende trends in dit vakgebied van het afgelopen decennium, en identificeert de hubgenen en belangrijke signaalroutes die ten grondslag liggen aan deze comorbide toestand op moleculair niveau. Vanuit een macro-trendperspectief steeg het jaarlijkse aantal pub...

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

Openbaarmakingen

De auteurs melden geen belangenconflicten in dit werk.

Dankbetuigingen

De auteurs erkennen dankbaar de financiële steun van het Noncommunicable Chronic Diseases-National Science and Technology Major Project (2024ZD0522300, 2024ZD0522301) en het Non-profit Centraal Onderzoeksinstituut van de Chinese Academie van Medische Wetenschappen (2022-ZHCH330-01).

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

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Bibliometric Online Analysis PlatformK-Synth Srl (Bibliometric)https://bibliometric.comOnline analyseplatform; module: Landrelaties; genereert landsamenwerkingskoorddiagram; geraadpleegd op 10 maart 2026
CiteSpaceDrexel University6.4.R1Bibliometrische analyse; tijdsneden: 2016–2025; knooptypen: trefwoorden, referenties; vertakking: Pathfinder + Pruning sliced networks
clusterProfiler (R-pakket)Guangchuang Yu et al.4.13.2KEGG-verrijkingsanalyse; drempels: p < 0.05, q < 0.2
CytoscapeCytoscape Consortium3.10.3Netwerkvisualisatie en analyse; plug-in: CytoHubba; algoritme: graaddcentraliteit; gebruikt voor identificatie van hub-genen
GeneCardsWeizmann Institute of Sciencehttps://www.genecards.orgGeninformatiedatabase; databaseversie 5.22; geraadpleegd op 12 maart 2026; filtercriterium: Relevantiescore ≥ 1
Journal Citation Reports (JCR)Clarivate Analyticshttps://jcr.clarivate.comJournal impact factor en kwartiel opvragen; geraadpleegd op 9 maart 2026
KEGGKyoto Encyclopedia of Genes and Genomeshttps://www.kegg.jpPathwaydatabase; geraadpleegd via clusterProfiler API op 13 maart 2026; soort: hsa
MeSH DatabaseNational Library of Medicine (NLM)https://meshb.nlm.nih.govMeSH-termquerydatabase; geraadpleegd op 9 maart 2026; gebruikt voor het construeren van zoekstrategie
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)Gegevensstatistieken en het genereren van grafieken; gebruikt voor publicatietelling, deduplicatie, het plotten van grafieken
org.Hs.eg.db (R-pakket)Bioconductor Core Team3.20.0Database voor menselijk genoomannotaties; gebruikt voor conversie van gen-ID
RR Core Team4.4.2Statistisch reken- en plotomgeving; uitvoerdatum: 13 maart 2026
Scimago GraphicaScimago Lab2Visualisatietool; lay-out: kaartprojectie; randkromming: 0,5; kleurentoewijzing: per cluster
ScopusElsevierhttps://www.scopus.comLiteratuuropvraagdatabase; Elsevier Scopus 2026 complete editie; opvraagdatum: 9 maart 2026
STRINGEMBL12.0 / https://cn.string-db.orgEiwit-eiwitinteractiedatabase; geraadpleegd op 12 maart 2026; interactiescoredrempel: 0,7 (hoge betrouwbaarheid); netwerktype: fysiek + functioneel
VOSviewerLeiden University1.6.20Bibliometrische analyse; co-auteurschap als analysetype; normalisatiemethode: associatiesterkte
Web of Science Core CollectionClarivate Analyticshttps://www.webofscience.comLiteratuuropvraagdatabase; omvat SCIE- en SSCI-subdatabases; opvraagdatum: 9 maart 2026

Referenties

  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.

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

Herprints en machtigingen

Tags

BiologieEditie 234Editie 234
Neem contact met ons op
Aanbevelen aan de bibliotheek

Privacy

Gebruiksvoorwaarden

Beleidsoverzicht

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.