Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł badawczy
Niniejsza analiza bibliometryczna miała na celu zmapowane panorami badań nad cukrzycą i przeprogramowaniem metabolicznym (2016–2025) przy użyciu 6864 prac. Ujawnia szybki wzrost, wiodącą liczbę publikacji Chin, ale umiarkowany wpływ akademicki oraz przesunięcie w kierunku mikroflory jelitowej, uczenia maszynowego i integracji multi-omiki.
Cukrzyca (DM) jest globalnym kryzysem zdrowia publicznego. Przeprogramowanie metaboliczne zmienia produkcję energii komórkowej i odgrywa kluczową rolę w patogenezie DM, jednak brakuje systematycznego przeglądu trendów badań, sieci współpracy i nowych obszarów w tej dziedzinie. Niniejsze badanie przeprowadziło analizę bibliometryczną 6 864 publikacji i recenzji w języku angielskim opublikowanych między 2016 a 2025 rokiem, pobranej z Web of Science, PubMed, Scopus i Embase. Przepływ pracy analitycznej obejmował: (1) analizę trendów publikacji roczny, (2) mapowanie krajów/regionów i współpracy instytucjonalnej, (3) analizę współautorstwa autorów i czasopism oraz kocytowanie, (4) kocytowanie referencji i wykrywanie wzrostów oraz (5) analizę trendów słownych kluczowych i tematycznych, z wykorzystaniem trzech narzędzi analizy bibliometrycznej. Roczne publikacje pozostawały poniżej 800 od 2016 do 2024 roku, ale przekroczyły 1 000 w 2025 roku, co wskazuje na szybki wzrost. Chiny wniosły największy wkład w liczbę publikacji (50%) i stanowiły wiele z najlepszych instytucji, jednak analiza centralności pokazała, że Stany Zjednoczone i kraje europejskie nadal prowadzą pod względem wpływów akademickich i generowania wiedzy. Struktura wiedzy budowana jest na trzech filarach: oporze na insulinę, stresie oksydacyjnym i funkcji mitochondriach. Badania rozwijają się w kierunku mikrobiomu jelitowego, uczenia maszynowego i przeprogramowania metabolicznego. Wzrosty słów kluczowych i mapy trendów tematycznych ujawniają zmianę paradygmatu od statycznego obserwowania fenotypu do dynamicznej, zintegrowanej medycyny multi-omics. Zgodnie z naszą wiedzą, żadne wcześniejsze badanie bibliometryczne nie skupiało się szczególnie na styku DM i przeprogramowania metabolicznego; niniejsze badanie zapewnia zatem pierwszą dedykowaną mapę tego pola. Podczas gdy Chiny dominują pod względem liczby publikacji, wskaźniki centralności wskazują na możliwość wzmocnienia międzynarodowej współpracy i przywództwa akademickiego. Przyszłe wysiłki powinny promować współpracę interdyscyplinarną i wsparcie przekładu z badań podstawowych do klinicznych. Niniejsze badanie zapewnia obiektywne odniesienie dla zarządzania badaniami i planowania strategicznego.
Szybkie zmiany społeczne w ciągu ostatnich kilku dekad znacząco zmieniły wzorce żywieniowe i style życia. Zmiany te przyczyniły się do stałego wzrostu globalnej częstości występowania cukrzycy (DM). Jako rosnący kryzys zdrowia publicznego, DM i jej powiązane powikłania stanowią poważne zagrożenie dla zdrowia populacji. Te powikłania obejmują choroby układu krążenia i przewlekłą chorobę nerek na końcowym etapie, między innymi. Znacznie pogarszają one jakość życia osób dotkniętych chorobą1. Obecnie sklasyfikowana jako dziewiąta przyczyna śmierci na świecie, DM dotyka około 1 na 11 dorosłych na całym świecie2. DM jest przewlekłą chorobą metaboliczną spowodowaną albo niedostateczną produkcją insuliny, albo upośledzoną reakcją organizmu na insulinę, prowadzącą do trwale wysokiego poziomu cukru we krwi3. Patogeneza DM i jej powikłań jest bardzo złożona, przy czym mechanizmy związane z metabolizmem są nadal głównym przedmiotem badań.
Reprogramowanie metaboliczne odnosi się do procesu, w którym komórki zmieniają swoje szlaki metaboliczne, aby zwiększyć produkcję energii, głównie poprzez mitochondrialne fosforylację utleniającą (OXPHOS) i glikolizę4. Klasycznym przykładem reprogramowania metabolicznego jest efekt „Warburga”, po raz pierwszy zaproponowany przez profesora Otto Warburga w 1927 roku. Zaobserwował on, że nawet w warunkach odpowiedniej ilości tlenu, komórki nowotworowe mogą wytwarzać ATP poprzez glikolizę5. Poza rakiem, reprogramowanie metaboliczne poprzez te procesy przyczynia się do patogenezy wielu chorób, w tym cukrzycy ciążowej, nefropatii cukrzycowej, sepsy, miażdżycy, udaru i zwłóknienia wątroby4,6,7,8,9,10. DM jest przewlekłym zaburzeniem metabolicznym charakteryzującym się hiperglikemią, wynikającym z różnego stopnia oporności na insulinę i upośledzonego wydzielania insuliny11. Związek między reprogramowaniem metabolicznym a DM jest dobrze ustanowiony: nadmiar składników odżywczych prowadzi do nieprawidłowego metabolizmu lipidów w wątrobie i mięśniach, promując oporność na insulinę, podczas gdy komórki β trzustki cierpią na zaburzenia metaboliczne i dysfunkcję wydzielniczą z powodu lipotoksyczności, stresu śródplazmatycznego i złogów amyloidowych, wspólnie napędzając wystąpienie DM12.
W ostatnich latach, szybki rozwój technologii jednokomórkowych i analiz multi-omics przyczynił się do głównej zmiany paradygmatu w badaniach nad metabolizmem. Pole to przeszło od statycznej obserwacji ku dynamicznemu, mechanistycznemu zapytaniu, otwierając nowe możliwości do wyjaśnienia patogenezy DM i identyfikacji potencjalnych docelowych terapii. Mimo tego postępu, jednak, nie istnieje obecnie żadne systematyczne zestawienie globalnych trendów badawczych, kluczowych wkładów i sieci współpracy. Wstępne wyszukiwanie w głównych bazach danych (PubMed, Web of Science, Scopus) z wykorzystaniem terminów związanych z „cukrzycą” i „reprogramowaniem metabolicznym” nie wykazało żadnego wcześniejszego badania bibliometrycznego na ten temat. Co więcej, istniejące przeglądy narracyjne, przeglądy systematyczne i meta-analizy skupiły się na podsumowaniu konkretnych mechanizmów molekularnych lub wyników klinicznych, ale nie zapewniły holisytycznego, opartego na danych przedstawienia ewolucji pola, struktury wiedzy czy nowych horyzontów. W konsekwencji, obecna struktura wiedzy w tej dziedzinie pozostaje w dużej mierze niedokumentowana. W przeciwieństwie do przeglądu narracyjnego, który może być subiektywny i zależny od ekspertyzy autora, analiza bibliometryczna oferuje powtarzalną, ilościową i obiektywną metodę rejestrowania dużych skalowych wzorców publikacji, sieci współpracy i trendów badawczych. Zamiast tego, ujawnia ona intelektualną, społeczną i koncepcyjną strukturę pola badań w czasie. W ten sposób, analiza bibliometryczna może pokazać, co pole badań badało, kto się przyczynił, jak przepływa wiedza i w którym kierunku się kieruje. Jednak ważne jest, aby uzmysłowić sobie, czego ta metoda nie może ujawniać. Analiza bibliometryczna nie ocenia jakości czy ważności pojedynczych badań, ani nie może ocenić skuteczności klinicznej czy przyczynowości mechanizmu. Zależy również od zasięgu i dokładności bazy danych i może pominąć literaturę nieangielskojęzyczną, preprinty czy nowe czasopisma. W ten sposób, analiza bibliometryczna służy jako narzędzie makro-poziomowego mapowania, które uzupełnia, a nie zastępuje, tradycyjne metody syntezy dowodów.
Na naszą wiedzę, żadne wcześniejsze badania bibliometryczne nie skupiły się na styku DM i reprogramowania metabolicznego. Celem badania jest wykorzystanie danych z literatury naukowej w skali makro, aby systematycznie odkryć ewolucję, intelektualną podstawę, dynamikę hotspotów i nowe horyzonty w tym obszarze badań. Oczekuje się, że wyniki dostarczą obiektywnej bazy i strategicznych wniosków dla przyszłego rozwoju naukowego i planowania badań.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Źródło danych i strategia wyszukiwania
Aby poprawić zasięg i zmniejszyć uprzedzenia źródeł literatury, przeszukano cztery bazy danych elektronicznych: Web of Science (w tym Web of Science Core Collection, WoSCC), PubMed, Scopus i Embase. Okres publikacji ograniczono do 1 stycznia 2016 roku do 31 grudnia 2025 roku. Włączono tylko oryginalne artykuły badawcze i artykuły przeglądowe napisane w języku angielskim. Terminy wyszukiwania koncentrowały się na dwóch pojęciach: “diabetes mellitus” (DM) i “metabolic reprogramming”. Strategie wyszukiwania i wszystkie kryteria wykluczenia użyte podczas procesu przesiewania są podsumowane na Rysunku 1.
Dokładne ciągi wyszukiwania użyte dla każdej bazy danych są podane poniżej:
Web of Science (WoSCC):
TS=((diabetes OR “diabetes mellitus” OR “type 1 diabetes” OR “type 2 diabetes” ) AND (“metabolic reprogramming” OR “metabolic remodeling” OR “glucose metabolism” OR “Warburg effect” OR “cellular metabolism” OR “mitochondrial dysfunction”))
*Filtry: Rok publikacji: 2016-2025; Typy dokumentów: Artykuł, Przegląd; Język: Angielski.*
PubMed:
(“diabetes mellitus”[Tytuł/Abstrakt] OR “type 2 diabetes”[Tytuł/Abstrakt] OR “type 1 diabetes”[Tytuł/Abstrakt] OR “T2DM”[Tytuł/Abstrakt] OR “T1DM”[Tytuł/Abstrakt]) AND (“metabolic reprogramming”[Tytuł/Abstrakt] OR “metabolic reprogram”[Tytuł/Abstrakt] OR “ metabolic remodeling”[Tytuł/Abstrakt] OR “Warburg effect”[Tytuł/Abstrakt] OR “cellular metabolism”[Tytuł/Abstrakt] OR “cellular metabolism”[Tytuł/Abstrakt] OR “mitochondrial dysfunction“[Tytuł/Abstrakt])
*Filtry: Data publikacji: 2016/01/01 – 2025/12/31; Typ artykułu: Artykuł, Przegląd; Język: Angielski.*
Scopus:
TITLE-ABS-KEY(“diabetes mellitus” OR “diabetes” OR “type 1 diabetes” OR “type 2 diabetes” OR “T1DM” OR “T2DM”) AND TITLE-ABS-KEY(“metabolic reprogramming” OR “metabolic reprogram” OR “mitochondrial dysfunction“ OR “metabolic remodeling“ OR “Warburg effect”)
*Filtry: Rok publikacji: 2016-2025; Typ dokumentu: Artykuł, Przegląd; Język: Angielski.*
Embase:
('diabetes mellitus'/exp OR 'diabetes mellitus':ab,ti OR 'type 2 diabetes':ab,ti OR 'type 1 diabetes':ab,ti) AND ('metabolic reprogramming':ab,ti OR 'metabolic reprogram':ab,ti OR 'Warburg effect':ab,ti OR 'metabolic remodeling':ab,ti)
*Filtry: Rok publikacji: 2016-2025; Typy dokumentów: Artykuł, Przegląd; Język: Angielski.*
Wszystkie kryteria wykluczenia użyte podczas procesu przesiewania są podsumowane na Rysunku 1. Rekordy odzyskane z każdej bazy danych zostały wyeksportowane w formacie tekstu zwykłego, w tym pełne informacje bibliograficzne (tytuł, autorzy, czasopismo, rok publikacji, abstrakt, słowa kluczowe i cytowane odniesienia).
Proces deduplikacji i ręcznego przesiewania
Aby zapewnić możliwość powtórzenia, przyjęto krok po kroku proces deduplikacji i ręcznego przesiewania: najpierw wszystkie pliki tekstowe zwykłego eksportu z czterech baz danych zostały zaimportowane do oprogramowania zarządzania odniesieniami, a automatyczne deduplikację przeprowadzono przy użyciu funkcji “Odniesienia > Znajdź Duplikaty”; następnie zdeduplikowanie rekordów zostało wyeksportowanie do formatu Excel za pomocą stylu eksportu “Pokaż wszystkie pola” i ręcznie przesiewane na podstawie tytułów i abstraktów. Kryteriami włączenia były oryginalne artykuły badawcze lub przeglądowe, które wyraźnie dotyczyły cukrzycy (dowolnego rodzaju) i przeprogramowania metabolicznego (w tym glikolizy, fosforylacji oksydacyjnej, efektu Warburga lub adaptacji metabolicznej mitochondria), napisane w języku angielskim. Kryteriami wykluczenia były artykuły edytorskie, listy do redakcji, abstrakty konferencyjne, raporty przypadków, badania na zwierzętach niezwiązanych z ludźmi oraz badania koncentrujące się wyłącznie na zespole metabolicznym bez odniesienia do cukrzycy. Ostatecznie, 6864 rekordy zostały włączone do analizy bibliometrycznej (Plik uzupełniający 1).
Oprogramowanie i metodologie do anali
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Analiza trendów publikacji (2016-2025)
W latach 2016-2025 zidentyfikowano łącznie 6 864 publikacje koncentrujące się na DM i reprogramowaniu metabolicznym, obejmujące 10-letni okres. Rysunek 2A przedstawia roczne trendy publikacji w tej dziedzinie badań. W latach 2016-2024 roczne wyniki pozostały poniżej 800 artykułów. W 2025 roku liczba przekroczyła 1 000 po raz pierwszy. Według bieżących danych, łączna liczba publikacji wyniosła 6 864. Oznacza to, że od 2025 roku roś...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
To badanie systematycznie mapuje strukturę intelektualną, społeczną i koncepcyjną tego rozwijającego się pola przez ostatnie dziesięciolecie. Na podstawie 6864 publikacji pobranej z czterech baz danych, wyniki ujawniają szybki wzrost rocznego wydobycia, dominującą, lecz umiarkowanie scentralizowaną rolę Chin w objętości publikacji oraz strukturę wiedzy skoncentrowaną na insulinooporności, stresie oksydacyjnym i funkcji mitochondriach. Wznoszące się nowe kierunki obejmują mikrobiom jelitowy, uczenie maszynowe oraz samo pr...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy deklarują, że nie mają znanych konkurencyjnych interesów finansowych ani osobistych relacji, które mogłyby wpłynąć na prace zgłoszone w tym artykule.
To prace zostały wsparte przez Jilin Provincial Health Commission (2024A070) i Science and Technology Bureau of Jilin City (20230406225).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| VOSviewer (wersja 1.6.20) | Centre for Science and Technology Studies (CWTS), Uniwersytet w Lejdzie, Holandia | https://www.vosviewer.com/ | Ścieżka menu dla analizy współautorstwa: Utwórz > Utwórz mapę na podstawie danych bibliograficznych > Odczytaj dane z plików bazy danych bibliograficznych > Wybierz pliki TXT > Rodzaj analizy: Współautorstwo > Jednostka analizy: Autorzy (lub Organizacje) > Metoda liczenia: Pełne liczenie > Minimalna liczba dokumentów: 5 > Liczba elementów do wybrania: do 1000 > Kliknij “Dalej” > Zweryfikuj wybrane pozycje > Kliknij “Utwórz mapę” > Wybierz parametry wizualizacji (atrakcja=2, odpychanie=0, rozdzielczość klastera=1.00) > Zapisz jako.png lub.txt. Ścieżka menu dla analizy współcytowania: Utwórz > Utwórz mapę na podstawie danych bibliograficznych > Rodzaj analizy: Współcytowanie > Jednostka analizy: Cytowane odniesienia > Minimalna liczba cytowań: 10 > Pozostałe kroki są takie same jak wyżej. |
| CiteSpace (wersja 6.3.R1) | Chaomei Chen, Drexel University, USA | https://citespace.podia.com/ | Po uruchomieniu analizy poprzez wybranie Keyword lub Cited Reference w Node Types, kliknij Burstness i ustaw parametr Top N na 20, aby wykryć 20 najważniejszych słów kluczowych lub odniesień z najwyższą częstotliwością lub liczbą cytowań. |
| bibliometrix (wersja 4.1.2) | Massimo Aria i Corrado Cuccurullo; pakiet R | https://www.bibliometrix.org/ | W RStudio, uruchom library(bibliometrix) i biblioshiny(); w otwartym interfejsie internetowym biblioshiny, wykonaj kolejno następujące operacje: zaimportuj dane poprzez “Dane > Import” wybierając plik, ustawiając format na “RIS” lub “BibTeX”, następnie klikając “Konwertuj” i “Rozpocznij”; wygeneruj roczną produkcję naukową poprzez “Analiza Deskryptywna > Roczna Produkcja Naukowa > Generuj”; wygeneruj sieciową współpracę krajową poprzez "Współpraca > Sieciowa Współpraca Krajowa > Generuj"; wygeneruj mapę tematyczną poprzez "Koncepcyjne > Mapa Tematyczna" ustawając minimalną częstotliwość występowania słowa na 5 i liczbę klasters na 3, następnie klikając "Generuj"; wygeneruj wykres wybuchu słów kluczowych poprzez “Koncepcyjne > Wybuch Słów Kluczowych > ReferencePublicationYearSpectra > Generuj” |