Name: Globalne i aktualne trendy badawcze w sekwencjonowaniu pojedynczych komórek w raku: badanie bibliometryczne i wizualizacyjne (Wideo) | JoVE Journal
Uploaded: 2025-04-18T13:50:00.000+00:00
Duration: 7 min 50 s
Description: Odkryj trendy w sekwencjonowaniu pojedynczych komórek w badaniach nad rakiem dzięki analizie bibliometrycznej. Poznaj wiodące kraje, kluczowe instytucje i kierunki przyszłych badań nad heterogenicznością nowotworów.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Dane użyte w tym badaniu pochodzą z Web of Science Core Collection (2010-2023).
1. Zbieranie danych
<ol>
	<li>Wybór bazy danych
	<ol>
		<li>Uzyskaj dostęp do bazy danych Web of Science Core Collection (WoSCC) za pośrednictwem https://webofscience. clarivate.cn/wos/author/author-search. </li>
		<li>Skonstruuj strategię wyszukiwania, używając ukierunkowanych słów kluczowych, w szczególności "sekwencjonowanie pojedynczych komórek" i "rak", aby zidentyfikować odpowiednią literaturę. Kliknij przycisk wyszukiwania, aby zakończyć wyszukiwanie literatury. 
		UWAGA: Zapoznaj się z Tabelą uzupełniającą 1, aby uzyskać pełną listę słów kluczowych użytych w strategii wyszukiwania w celu zwiększenia dokładności i inkluzywności.</li>
	</ol>
	</li>
	<li>Parametry wyszukiwania
	<ol>
		<li>Wybierz okres publikacji od 1 stycznia 2010 r. do 31 grudnia 2023 r., aby uchwycić najnowsze i kompleksowe trendy badawcze.</li>
		<li>Wybierz język angielski jako język wyników wyszukiwania, a następnie wybierz typ artykułu i recenzja, aby zapewnić spójność danych i ułatwić analizę porównawczą.</li>
		<li>Zapewnienie adekwatności poprzez wykluczenie publikacji spoza dziedzin sekwencjonowania pojedynczych komórek i badań nad rakiem.</li>
	</ol>
	</li>
	<li>Pobieranie i formatowanie danych
	<ol>
		<li>Skompiluj wybrane publikacje w formacie pełnego rekordu i cytowanych odniesień, aby zachować szczegółowe metadane.</li>
		<li>Zebrane dane można zapisać jako zwykłe pliki tekstowe do późniejszej analizy za pomocą narzędzi bibliometrycznych.</li>
		<li>Sprawdź, czy każdy rekord zawiera pełne metadane, w tym informacje o cytowaniu i współautorstwie, aby umożliwić dokładną analizę bibliometryczną (<silna klasa="xfig">Rysunek 1).</li>
	</ol>
	</li>
</ol>
2. Wstępne przetwarzanie danych
<ol>
	<li>Gromadzenie i importowanie danych
	<ol>
		<li>Uruchom interfejs biblioshiny pakietu bibliometrix w R. 
		UWAGA: Konkretny kod jest dostarczany w następujący sposób: 
		biblioteka(bibliometrix) 
		pakietWersja("bibliometrix") 
		biblioshiny()</li>
		<li>Uzyskaj dostęp do bazy danych WoSCC i wybierz scalony plik tekstowy zawierający dane bibliometryczne.</li>
		<li>Zaimportuj dane i wyeksportuj je w formacie R Data Format do późniejszej analizy.</li>
	</ol>
	</li>
	<li>Roczny trend wzrostowy publikacji i cytowań
	<ol>
		<li>Przekonwertuj kolumny PY (rok publikacji) i Z9 (liczba cytowań) na format liczbowy.</li>
		<li>Pogrupuj dane według roku publikacji i oblicz roczną liczbę publikacji oraz łączną liczbę cytowań.</li>
		<li>Utwórz wykres słupkowy przedstawiający liczbę publikacji każdego roku i nałóż wykres liniowy, aby zilustrować liczbę cytowań w czasie. 
		UWAGA: Konkretny kod jest dostarczony jako Kod 1 w pliku uzupełniającym 1.</li>
	</ol>
	</li>
	<li>Analiza publikacji i współpracy na szczeblu krajowym
	<ol>
		<li>Krajowe publikacje i agregacja współpracy
		<ol>
			<li>Podsumuj roczne publikacje i cytowania według każdego kraju, korzystając z pól Rok publikacji (PY) i Kraje autorów (AU_CO1).</li>
			<li>Skoncentruj się na analizie 10 krajów o największej liczbie publikacji.</li>
		</ol>
		</li>
		<li>Obliczanie metryk
		<ol>
			<li>Oblicz kluczowe wskaźniki, w tym liczbę publikacji (NP), częstotliwość cytowań (NC), publikacje z jednego kraju (SCP) i publikacje z wielu krajów (MCP)16.</li>
			<li>Określ stosunek publikacji z wielu krajów (MCP_Ratio) jako wskaźnik współpracy międzynarodowej.</li>
			<li>Użyj funkcji indeksu H języka R, aby obliczyć wskaźniki wpływu (indeks H, indeks G i indeks M) dla każdego kraju w okresie 14 lat17. 
			UWAGA: Konkretny kod jest dostarczony jako kod 2 w pliku uzupełniającym 1. Skorzystaj z internetowej platformy analizy literatury metrologicznej (https://bibliometric.com/), aby zbadać relacje współpracy między krajami. Prześlij dane w formacie zwykłego tekstu z WoSCC. Skorzystaj z funkcji "relacje między krajami", aby ocenić współpracę międzynarodową. Punktem kulminacyjnym jest wizualizacja sieci współpracy między wiodącymi krajami uczestniczącymi w projekcie.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Publikacja instytucjonalna i analiza współpracy
	<ol>
		<li>Wyodrębnianie i klasyfikacja danych
		<ol>
			<li>Wyodrębnij dane instytucjonalne z sekcji Powiązania w funkcji Analizuj wyniki bazy danych WoSCC.</li>
			<li>Uszereguj instytucje w porządku malejącym zgodnie z ich łączną liczbą opublikowanych artykułów.</li>
		</ol>
		</li>
		<li>Wizualizacja danych
		<ol>
			<li>Wygeneruj poziomy wykres słupkowy za pomocą pakietu ggplot2 w języku R, aby zilustrować liczbę publikacji w wiodących instytucjach. 
			UWAGA: Konkretny kod jest dostarczony jako kod 3 w pliku uzupełniającym 1.</li>
		</ol>
		</li>
		<li>Analiza współautorstwa
		<ol>
			<li>Ustawienia analizy w VOSviewer: Uruchom VOSviewer, a następnie wybierz Utwórz z menu głównego. Wybierz opcję Utwórz mapę na podstawie danych bibliograficznych i wybierz opcję Odczyt danych z plików bibliograficznej bazy danych. Na koniec zaimportuj zwykłe pliki tekstowe.</li>
			<li>Konfiguracja i parametry: Ustaw typ analizy na współautorstwo w VOSviewer. Wybierz metodę pełnego zliczania i wybierz organizacje jako jednostkę analizy. Skonfiguruj parametry tak, aby obejmowały maksymalnie 1 200 organizacji na dokument i ustaw minimalny próg na 30 dokumentów na organizację, aby zapewnić kompleksową analizę sieci.</li>
			<li>Wizualizacja i interpretacja: Zakończ konfigurację, klikając przycisk Zakończ, aby wygenerować mapę wizualizacji, która ilustruje sieci współpracy między instytucjami. Zapewnienie, aby mapa podkreślała poziomy konektywności i partnerstwa, identyfikując centralne ośrodki działalności badawczej i kluczowe obszary współpracy między instytucjami.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Analiza autorów i współpraca z autorami
	<ol>
		<li>Identyfikacja płodnych autorów: Uzyskaj dostęp do sekcji Profile badaczy w bazie danych WoSCC, aby uszeregować autorów na podstawie całkowitej liczby opublikowanych artykułów.</li>
		<li>Wizualizacja danych: Użyj pakietu ggplot2 w języku R, aby utworzyć poziomy wykres słupkowy, wizualnie reprezentujący liczbę publikacji wiodących autorów.</li>
		<li>Ocena wkładu autorów: Uzyskaj dodatkowe wskaźniki dla 10 najlepszych autorów według liczby publikacji, w tym indeks H, kraj i instytucję stowarzyszoną, korzystając z danych z bazy danych WoSCC. 
		UWAGA: Konkretny kod jest podany jako kod 4 w pliku uzupełniającym 1.</li>
		<li>Sieci współpracy autorów
		<ol>
			<li>Konfiguracja analizy w VOSviewer: Uruchom VOSviewer i wybierz przycisk Utwórz, a następnie Utwórz mapę na podstawie danych bibliograficznych. Zaimportuj odpowiednie pliki tekstowe zawierające dane bibliograficzne, wybierając opcję Odczytaj dane z plików bibliograficznej bazy danych.</li>
			<li>Konfiguracja i parametry: Ustaw typ analizy na współautorstwo i użyj metody pełnego zliczania. Wybierz autorów jako jednostkę analizy. Dostosuj parametry, aby uwzględnić maksymalnie 33 organizacje na dokument i ustal minimalny próg 15 dokumentów na autora, aby zapewnić przechwytywanie istotnych danych współpracy.</li>
			<li>Wizualizacja i szczegółowe informacje: Kliknij przycisk Zakończ, aby wygenerować wizualizację nakładkową, która ilustruje ewolucję czasową współpracy autorów, zapewniając wgląd w dynamikę i rozwój sieci współautorstwa w czasie.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Analiza czasopism i czasopism współcytowanych
	<ol>
		<li>Obliczanie wskaźników czasopisma: Użyj funkcji indeksu H w języku R, aby obliczyć kluczowe wskaźniki dla każdego czasopisma, w tym liczbę publikacji na źródło (NP), częstotliwość cytowań (NC), rok pierwszej publikacji (PY_start) i wskaźniki wpływu (indeks H, indeks G i indeks M).</li>
		<li>Wyszukiwanie czynników wpływu i rankingów: Uzyskaj współczynniki wpływu czasopisma i rankingi kwartylowe z bazy danych WoSCC, aby dokładniej ocenić wpływ i pozycję każdego czasopisma w tej dziedzinie. 
		UWAGA: Konkretny kod jest dostarczony jako kod 5 w pliku uzupełniającym 1.</li>
		<li>Analiza przepływu wiedzy
		<ol>
			<li>Import i konfiguracja danych w CiteSpace: Otwórz CiteSpace i przejdź do menu Dane. Wybierz opcję Importuj/Eksportuj i wybierz pozycję WOS, aby zaimportować dane. Skonfiguruj ścieżki wejściowe i wyjściowe zgodnie z wymaganiami.</li>
			<li>Wybór i konfiguracja mapy: Wybierz opcje Overlay Maps i JCR Journals Maps w CiteSpace, ustawiając wskaźnik Z na 0. Taka konfiguracja umożliwia wygenerowanie podwójnej mapy w celu zilustrowania przepływu wiedzy między czasopismami.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Analiza cytowanych odniesień i sieci klastrów
	<ol>
		<li>Import i konfiguracja danych w CiteSpace
		<ol>
			<li>Otwórz CiteSpace, przejdź do menu Dane i wybierz opcję Importuj/Eksportuj.</li>
			<li>Importuj dane z bazy danych WoSCC w postaci zwykłego tekstu, konfigurując wycinek czasu analizy od stycznia 2010 r. do grudnia 2023 r. z rocznym interwałem dla szczegółów czasowych.</li>
		</ol>
		</li>
		<li>Konfiguracja i oczyszczanie sieci
		<ol>
			<li>Ustaw typ węzła na Odwołanie w CiteSpace. Użyj opcji Pathfinder i funkcji Przycinanie pokrojonych sieci, aby zastosować przycinanie do sieci.</li>
			<li>Wykonaj analizę, klikając przycisk GO, aby wygenerować mapę współcytowań referencyjnych, dostosowując ustawienia czcionki i kolorów w celu poprawy czytelności.</li>
		</ol>
		</li>
		<li>Identyfikowanie odniesień o dużym wpływie
		<ol>
			<li>Wybierz opcję Burstness i ustaw parametr γ na [0, 1] w CiteSpace.</li>
			<li>Odśwież dane, aby wygenerować listę 20 pierwszych odwołań z najsilniejszymi seriami cytowań.</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Analiza współwystępowania słów kluczowych
	<ol>
		<li>Analiza częstotliwości słów kluczowych w R
		<ol>
			<li>Przeprowadź analizę słów kluczowych za pomocą pakietu bibliometrix w R, koncentrując się na najczęściej występujących słowach kluczowych w dokumentach.</li>
			<li>Ustaw pole na Słowa kluczowe autora i ogranicz liczbę do 20 pierwszych słów kluczowych, odfiltrowując synonimy w celu zapewnienia spójności.</li>
		</ol>
		</li>
		<li>Analiza burst słów kluczowych w CiteSpace
		<ol>
			<li>Użyj CiteSpace, aby przeprowadzić analizę serii słów kluczowych, wybierając opcję Burstness i ustawiając parametr γ na [0, 1].</li>
			<li>Odśwież dane, aby wygenerować listę 30 najpopularniejszych słów kluczowych z najsilniejszymi seriami cytowań.</li>
		</ol>
		</li>
		<li>Analiza sieci współwystępowania słów kluczowych w VOSviewer
		<ol>
			<li>Otwórz VOSviewer, wybierz pozycję Utwórz, a następnie Utwórz mapę na podstawie danych bibliograficznych.</li>
			<li>Zaimportuj zwykłe pliki tekstowe za pomocą opcji Odczytaj dane z plików bibliograficznej bazy danych.</li>
			<li>Ustaw typ analizy na współwystępowanie, używając metody pełnego zliczania, ze słowami kluczowymi autora jako jednostką analizy.</li>
			<li>Zastosuj minimalny próg 40 wystąpień słów kluczowych i kliknij przycisk Zakończ, aby zakończyć analizę, tworząc sieć współwystępowania, która wizualizuje relacje słów kluczowych w polu.</li>
		</ol>
		</li>
	</ol>
	</li>
</ol>

<ol><li>Kocarnik, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cancer+incidence%2C+mortality%2C+years+of+life+lost%2C+years+lived+with+disability%2C+and+disability-adjusted+life+years+for+29+cancer+groups+from+2010+to+2019%3A+A+systematic+analysis+for+the+global+burden+of+disease+study+2019%5BTitle%5D)+AND+%22JAMA+Oncol%22%5BJournal%5D)">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.</a> JAMA Oncol. 8 (3), 420-444 (2022).</li>
<li>Soerjomataram, I., Bray, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Planning+for+tomorrow%3A+Global+cancer+incidence+and+the+role+of+prevention+2020-2070%5BTitle%5D)+AND+%22Nat+Rev+Clin+Oncol%22%5BJournal%5D)">Planning for tomorrow: Global cancer incidence and the role of prevention 2020-2070.</a> Nat Rev Clin Oncol. 18 (10), 663-672 (2021).</li>
<li>Bray, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Global+cancer+statistics+2022%3A+Globocan+estimates+of+incidence+and+mortality+worldwide+for+36+cancers+in+185+countries%5BTitle%5D)+AND+%22CA+Cancer+J+Clin%22%5BJournal%5D)">Global cancer statistics 2022: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries.</a> CA Cancer J Clin. 74 (3), 229-263 (2024).</li>
<li>Zhang, Y., Zhang, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+history+and+advances+in+cancer+immunotherapy%3A+Understanding+the+characteristics+of+tumor-infiltrating+immune+cells+and+their+therapeutic+implications%5BTitle%5D)+AND+%22Cell+Mol+Immunol%22%5BJournal%5D)">The history and advances in cancer immunotherapy: Understanding the characteristics of tumor-infiltrating immune cells and their therapeutic implications.</a> Cell Mol Immunol. 17 (8), 807-821 (2020).</li>
<li>Xu, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Metabolic+reprogramming+and+epigenetic+modifications+in+cancer%3A+From+the+impacts+and+mechanisms+to+the+treatment+potential%5BTitle%5D)+AND+%22Exp+Mol+Med%22%5BJournal%5D)">Metabolic reprogramming and epigenetic modifications in cancer: From the impacts and mechanisms to the treatment potential.</a> Exp Mol Med. 55 (7), 1357-1370 (2023).</li>
<li>Hanahan, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hallmarks+of+cancer%3A+New+dimensions%5BTitle%5D)+AND+%22Cancer+Discov%22%5BJournal%5D)">Hallmarks of cancer: New dimensions.</a> Cancer Discov. 12 (1), 31-46 (2022).</li>
<li>Kashyap, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantification+of+tumor+heterogeneity%3A+From+data+acquisition+to+metric+generation%5BTitle%5D)+AND+%22Trends+Biotechnol%22%5BJournal%5D)">Quantification of tumor heterogeneity: From data acquisition to metric generation.</a> Trends Biotechnol. 40 (6), 647-676 (2022).</li>
<li>Vredevoogd, D. W., Peeper, D. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Heterogeneity+in+functional+genetic+screens%3A+Friend+or+foe%5BTitle%5D)+AND+%22Front+Immunol%22%5BJournal%5D)">Heterogeneity in functional genetic screens: Friend or foe.</a> Front Immunol. 14, 1162706(2023).</li>
<li>Jovic, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+RNA+sequencing+technologies+and+applications%3A+A+brief+overview%5BTitle%5D)+AND+%22Clin+Transl+Med%22%5BJournal%5D)">Single-cell RNA sequencing technologies and applications: A brief overview.</a> Clin Transl Med. 12 (3), e694(2022).</li>
<li>Hong, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((RNA+sequencing%3A+New+technologies+and+applications+in+cancer+research%5BTitle%5D)+AND+%22J+Hematol+Oncol%22%5BJournal%5D)">RNA sequencing: New technologies and applications in cancer research.</a> J Hematol Oncol. 13 (1), 166(2020).</li>
<li>Moed, H. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((New+developments+in+the+use+of+citation+analysis+in+research+evaluation%5BTitle%5D)+AND+%22Arch+Immunol+Ther+Exp+%28Warsz%29%22%5BJournal%5D)">New developments in the use of citation analysis in research evaluation.</a> Arch Immunol Ther Exp (Warsz). 57 (1), 13-18 (2009).</li>
<li>Ninkov, A., Frank, J. R., Maggio, L. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Bibliometrics%3A+Methods+for+studying+academic+publishing%5BTitle%5D)+AND+%22Perspect+Med+Educ%22%5BJournal%5D)">Bibliometrics: Methods for studying academic publishing.</a> Perspect Med Educ. 11 (3), 173-176 (2022).</li>
<li>Li, X., Wang, L., Wang, L., Feng, Z., Peng, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+sequencing+of+hepatocellular+carcinoma+reveals+cell+interactions+and+cell+heterogeneity+in+the+microenvironment%5BTitle%5D)+AND+%22Int+J+Gen+Med%22%5BJournal%5D)">Single-cell sequencing of hepatocellular carcinoma reveals cell interactions and cell heterogeneity in the microenvironment.</a> Int J Gen Med. 14, 10141-10153 (2021).</li>
<li>Li, Y., Jin, J., Bai, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cancer+biology+deciphered+by+single-cell+transcriptomic+sequencing%5BTitle%5D)+AND+%22Protein+Cell%22%5BJournal%5D)">Cancer biology deciphered by single-cell transcriptomic sequencing.</a> Protein Cell. 13 (3), 167-179 (2022).</li>
<li>Bai, X., Li, Y., Zeng, X., Zhao, Q., Zhang, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+sequencing+technology+in+tumor+research%5BTitle%5D)+AND+%22Clin+Chim+Acta%22%5BJournal%5D)">Single-cell sequencing technology in tumor research.</a> Clin Chim Acta. 518, 101-109 (2021).</li>
<li>Zhang, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Worldwide+research+trends+on+tumor+burden+and+immunotherapy%3A+A+bibliometric+analysis%5BTitle%5D)+AND+%22Int+J+Surg%22%5BJournal%5D)">Worldwide research trends on tumor burden and immunotherapy: A bibliometric analysis.</a> Int J Surg. 110 (3), 1699-1710 (2024).</li>
<li>Ghorbani, B. D. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGhorbani%2C+BD+%22A+scientometrics+research+perspective+in+applied+linguistics%22">A scientometrics research perspective in applied linguistics</a>. Meihami, H., Esfandiari, R. , Springer Nature. Switzerland, Cham. 197-234 (2024).</li>
<li>Chen, C. M., Leydesdorff, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Patterns+of+connections+and+movements+in+dual-map+overlays%3A+A+new+method+of+publication+portfolio+analysis%5BTitle%5D)+AND+%22J+Assoc+Inf+Sci+Technol%22%5BJournal%5D)">Patterns of connections and movements in dual-map overlays: A new method of publication portfolio analysis.</a> J Assoc Inf Sci Technol. 65 (2), 334-351 (2014).</li>
<li>Shen, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Analyzing+and+mapping+the+research+status%2C+hotspots%2C+and+frontiers+of+biological+wound+dressings%3A+An+in-depth+data-driven+assessment%5BTitle%5D)+AND+%22Int+J+Pharm%22%5BJournal%5D)">Analyzing and mapping the research status, hotspots, and frontiers of biological wound dressings: An in-depth data-driven assessment.</a> Int J Pharm. 629, 122385(2022).</li>
<li>Small, H., Sweeney, E., Greenlee, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clustering+the+science+citation+index+using+co-citations+.2.+Mapping+science%5BTitle%5D)+AND+%22Scientometrics%22%5BJournal%5D)">Clustering the science citation index using co-citations .2. Mapping science.</a> Scientometrics. 8 (5-6), 321-340 (1985).</li>
<li>Butler, A., Hoffman, P., Smibert, P., Papalexi, E., Satija, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Integrating+single-cell+transcriptomic+data+across+different+conditions%2C+technologies%2C+and+species%5BTitle%5D)+AND+%22Nat+Biotechnol%22%5BJournal%5D)">Integrating single-cell transcriptomic data across different conditions, technologies, and species.</a> Nat Biotechnol. 36 (5), 411-420 (2018).</li>
<li>Stuart, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comprehensive+integration+of+single-cell+data%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Comprehensive integration of single-cell data.</a> Cell. 177 (7), 1888-1902.e21 (2019).</li>
<li>Baysoy, A., Bai, Z., Satija, R., Fan, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+technological+landscape+and+applications+of+single-cell+multi-omics%5BTitle%5D)+AND+%22Nat+Rev+Mol+Cell+Biol%22%5BJournal%5D)">The technological landscape and applications of single-cell multi-omics.</a> Nat Rev Mol Cell Biol. 24 (10), 695-713 (2023).</li>
<li>Macosko, E. Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Highly+parallel+genome-wide+expression+profiling+of+individual+cells+using+nanoliter+droplets%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Highly parallel genome-wide expression profiling of individual cells using nanoliter droplets.</a> Cell. 161 (5), 1202-1214 (2015).</li>
<li>Tirosh, I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dissecting+the+multicellular+ecosystem+of+metastatic+melanoma+by+single-cell+RNA-seq%5BTitle%5D)+AND+%22Science+%28New+York%2C+N.Y.%29%22%5BJournal%5D)">Dissecting the multicellular ecosystem of metastatic melanoma by single-cell RNA-seq.</a> Science (New York, N.Y.). 352 (6282), 189-196 (2016).</li>
<li>Martinez-Simon, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Covid-19+publications+in+anaesthesiology+journals%3A+A+bibliometric+analysis%5BTitle%5D)+AND+%22Br+J+Anaesth%22%5BJournal%5D)">Covid-19 publications in anaesthesiology journals: A bibliometric analysis.</a> Br J Anaesth. 128 (3), e239-e241 (2022).</li>
<li>Wen, L., Tang, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+sequencing+in+stem+cell+biology%5BTitle%5D)+AND+%22Genome+Biol%22%5BJournal%5D)">Single-cell sequencing in stem cell biology.</a> Genome Biol. 17, 71(2016).</li>
<li>Zhang, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+RNA+sequencing+in+cancer+research%5BTitle%5D)+AND+%22J+Exp+Clin+Cancer+Res%22%5BJournal%5D)">Single-cell RNA sequencing in cancer research.</a> J Exp Clin Cancer Res. 40 (1), 81(2021).</li>
<li>Tang, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MRNA-seq+whole-transcriptome+analysis+of+a+single-cell%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">MRNA-seq whole-transcriptome analysis of a single-cell.</a> Nat Methods. 6 (5), 377-382 (2009).</li>
<li>Navin, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tumour+evolution+inferred+by+single-cell+sequencing%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Tumour evolution inferred by single-cell sequencing.</a> Nature. 472 (7341), 90-94 (2011).</li>
<li>Tang, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+exome+sequencing+reveals+multiple+subclones+in+metastatic+colorectal+carcinoma%5BTitle%5D)+AND+%22Genome+Med%22%5BJournal%5D)">Single-cell exome sequencing reveals multiple subclones in metastatic colorectal carcinoma.</a> Genome Med. 13 (1), 148(2021).</li>
<li>Song, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+analysis+of+human+primary+prostate+cancer+reveals+the+heterogeneity+of+tumor-associated+epithelial+cell+states%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Single-cell analysis of human primary prostate cancer reveals the heterogeneity of tumor-associated epithelial cell states.</a> Nat Commun. 13 (1), 141(2022).</li>
<li>Zheng, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+transcriptomic+profiling+unravels+the+adenoma-initiation+role+of+protein+tyrosine+kinases+during+colorectal+tumorigenesis%5BTitle%5D)+AND+%22Signal+Transduct+Target+Ther%22%5BJournal%5D)">Single-cell transcriptomic profiling unravels the adenoma-initiation role of protein tyrosine kinases during colorectal tumorigenesis.</a> Signal Transduct Target Ther. 7 (1), 60(2022).</li>
<li>Chan, T. J., Zhang, X., Mak, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Biophysical+informatics+reveals+distinctive+phenotypic+signatures+and+functional+diversity+of+single-cell+lineages%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Biophysical informatics reveals distinctive phenotypic signatures and functional diversity of single-cell lineages.</a> Bioinformatics. 39 (1), btac833(2023).</li>
<li>Chen, Y. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+transcriptomics+reveals+regulators+underlying+immune+cell+diversity+and+immune+subtypes+associated+with+prognosis+in+nasopharyngeal+carcinoma%5BTitle%5D)+AND+%22Cell+Res%22%5BJournal%5D)">Single-cell transcriptomics reveals regulators underlying immune cell diversity and immune subtypes associated with prognosis in nasopharyngeal carcinoma.</a> Cell Res. 30 (11), 1024-1042 (2020).</li>
<li>Small, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Co-citation+in+scientific+literature+-+new+measure+of+relationship+between+2+documents%5BTitle%5D)+AND+%22J+Am+Soc+Inf+Sci%22%5BJournal%5D)">Co-citation in scientific literature - new measure of relationship between 2 documents.</a> J Am Soc Inf Sci. 24 (4), 265-269 (1973).</li>
<li>Villani, A. -C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+RNA-seq+reveals+new+types+of+human+blood+dendritic+cells%2C+monocytes%2C+and+progenitors%5BTitle%5D)+AND+%22Science+%28New+York%2C+N.Y.%29%22%5BJournal%5D)">Single-cell RNA-seq reveals new types of human blood dendritic cells, monocytes, and progenitors.</a> Science (New York, N.Y.). 356 (6335), eaah4573(2017).</li>
<li>Sun, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identifying+phenotype-associated+subpopulations+by+integrating+bulk+and+single-cell+sequencing+data%5BTitle%5D)+AND+%22Nat+Biotechnol%22%5BJournal%5D)">Identifying phenotype-associated subpopulations by integrating bulk and single-cell sequencing data.</a> Nat Biotechnol. 40 (4), 527-538 (2022).</li>
<li>Pe'er, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tumor+heterogeneity%5BTitle%5D)+AND+%22Cancer+Cell%22%5BJournal%5D)">Tumor heterogeneity.</a> Cancer Cell. 39 (8), 1015-1017 (2021).</li>
<li>Liu, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+transcriptomics+links+malignant+T+cells+to+the+tumor+immune+landscape+in+cutaneous+T-cell+lymphoma%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Single-cell transcriptomics links malignant T cells to the tumor immune landscape in cutaneous T-cell lymphoma.</a> Nat Commun. 13 (1), 1158(2022).</li>
<li>Yan, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Clonal+phylogeny+and+evolution+of+critical+cytogenetic+aberrations+in+multiple+myeloma+at+single-cell+level+by+qm-fish%5BTitle%5D)+AND+%22Blood+Adv%22%5BJournal%5D)">Clonal phylogeny and evolution of critical cytogenetic aberrations in multiple myeloma at single-cell level by qm-fish.</a> Blood Adv. 6 (2), 441-451 (2022).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

Analiza bibliometryczna służy jako ilościowe podejście do oceny cech i wpływu naukowego znaczących publikacji26. W badaniu tym przeprowadzono obszerną analizę bibliometryczną 5 680 artykułów związanych z sekwencjonowaniem pojedynczych komórek w badaniach nad rakiem, pobranych z bazy danych WoSCC i opublikowanych w latach 2010-2023. Analiza ta miała na celu ocenę obecnego stanu badań, zidentyfikowanie kluczowych punktów badawczych oraz wyjaśnienie pojawiających się trendów, aby dostarczyć badaczom ...

Rak stanowi jedną z najbardziej szkodliwych chorób, plasując się jako druga najczęstsza przyczyna śmiertelności na świecie1. Szacuje się, że do 2035 roku około jedna czwarta światowej populacji będzie bezpośrednio dotknięta rakiem2,3. Patogeneza raka jest przede wszystkim związana z rozregulowaniem wzrostu komórek, na który wpływają różne czynniki rakotwórcze4,5. "Cechy charakterystyczne raka" zostały skonceptualizowane jako zestaw funkcjonalnych zdolności, które ułatwiają przejście od normalnych stanów komórkowych do wzrostu nowotworowego, w szczególności tych zdolności, które są niezbędne do tworzenia nowotworów złośliwych6. Technologia sekwencjonowania odgrywa kluczową rolę w pogłębianiu naszej wiedzy na temat patogenezy chorób. Jednak ze względu na nieodłączną heterogeniczność nowotworów, identyfikacja cech genomowych komórek macierzystych o niskiej liczebności poprzez wysokoprzepustową sekwencjonowanie analiz tkanek nowotworowych stanowi poważne wyzwanie7,8.
Sekwencjonowanie pojedynczych komórek, które obejmuje genomikę, transkryptomikę, epigenomikę, proteomikę i metabolomikę, stanowi potężne metodologiczne podejście do wyjaśniania krajobrazów komórkowych i molekularnych na poziomie pojedynczej komórki9,10. Jego zastosowanie w badaniach nad rakiem znacznie poszerzyło wiedzę na temat cech biologicznych i dynamiki zmian nowotworowych, ułatwiając w ten sposób bardziej kompleksowe zrozumienie rozwoju raka i przerzutów.
Analiza bibliometryczna bada cechy strukturalne i atrybuty publikacji naukowych i jest szeroko stosowana zarówno w jakościowych, jak i ilościowych ocenach literatury naukowej11,12. Porównując wkłady z różnych krajów, instytucji, badaczy i publikacji, możliwe jest wyjaśnienie i przewidzenie potencjalnych postępów w danej dziedzinie badań. Chociaż nastąpił znaczny wzrost liczby przeglądów systematycznych i narracyjnych koncentrujących się na badaniach nad sekwencjonowaniem pojedynczych komórek w raku, nadal zauważalny jest brak kompleksowych analiz w dziedzinie oceny ilościowej13,14,15. Niniejsze badanie ma na celu przeprowadzenie kompleksowej analizy trendów rozwojowych i głównych tematów badawczych w zakresie sekwencjonowania pojedynczych komórek w dziedzinie nowotworów, z wykorzystaniem metod bibliometrycznych. Wyniki zapewnią badaczom, klinicystom i decydentom szczegółowy przegląd obecnego stanu wiedzy i zrozumienia w tej dziedzinie.

<table><tbody><tr><td>pakiet bibliometrix</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>bibliometrix 4.3.0</td><td>Wykres lasu, który pozwala na wiele przedziałów ufności w wierszu, niestandardowe czcionki dla każdego elementu tekstowego, niestandardowe przedziały ufności, tekst mieszany z wyrażeniami i wiele innych.</td></tr><tr><td>CiteSpace</td><td>Chaomei Chen, Drexel University</td><td>CiteSpace 6.2.R4 (64-bit) beta Basic</td><td>&zwnj; Cytuj przestrzeń&zwnj; jest narzędziem analizy literatury naukowej. Jego główną funkcją jest analiza podstawowej wiedzy w literaturze naukowej za pomocą środków wizualnych, ukazanie struktury, zasad i dystrybucji wiedzy naukowej. Do głównych funkcji CiteSpace należą: analiza współpracy badawczej &zwnj;, ocena ważnych czasopism &zwnj;, eksploracja tematów kluczowych i tak dalej.</td></tr><tr><td>dplyr</td><td>Kompleksowa sieć archiwizacji R (CRAN)</td><td>dplyr 1.1.4</td><td>dbplyr to backend bazy danych dla dplyr. Umożliwia korzystanie ze zdalnych tabel bazy danych tak, jakby były ramkami danych w pamięci, automatycznie konwertując kod dplyr na SQL.</td></tr><tr><td>esquisse</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>esquisse 2.0.1</td><td>Ten dodatek umożliwia interaktywne eksplorowanie danych poprzez wizualizację ich za pomocą pakietu ggplot2. Umożliwia rysowanie wykresów słupkowych, krzywych, wykresów punktowych, histogramów, wykresów skrzynkowych i obiektów sf, a następnie eksportowanie wykresu lub pobieranie kodu w celu odtworzenia wykresu.</td></tr><tr><td>forcats</td><td>Kompleksowa sieć archiwów języka R (CRAN)</td><td>forcats 1.0.0</td><td>R używa czynników do obsługi zmiennych jakościowych, zmiennych, które mają stały i znany zestaw możliwych wartości. Czynniki są również pomocne przy zmianie kolejności wektorów znaków w celu poprawy wyświetlania. Celem pakietu forcats jest dostarczenie zestawu narzędzi, które rozwiązują typowe problemy z czynnikami, w tym zmianą kolejności poziomów lub wartości.</td></tr><tr><td>ggplot2</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>ggplot2 3.5.1</td><td>ggplot2 to system do deklaratywnego tworzenia grafiki, oparty na gramatyce grafiki. Dostarczasz dane, mówisz ggplot2, jak mapować zmienne do estetyki, jakich prymitywów graficznych użyć, a on dba o szczegóły.</td></tr><tr><td>ggpmisc</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>ggpmisc 0.6.1</td><td>Pakiet ' ggpmisc' (ggpmisc' (Różne rozszerzenia do " ggplot2') to zestaw rozszerzeń do pakietu R ' ggplot2' powiedział: (>= 3.0.0) z naciskiem na adnotacje i wykresy związane z dopasowanymi modelami. Oszacowania z obiektów dopasowania modelu mogą być wyświetlane na wykresach ggplot jako tekst, tabele lub równania. Przewidywane wartości, resztki, odchylenia i wagi można wykreślić dla różnych funkcji dopasowania modelu.</td></tr><tr><td>ggsci</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>ggsci 3.2.0</td><td>ggsci oferuje kolekcję palet kolorów ggplot2 inspirowanych czasopismami naukowymi, bibliotekami wizualizacji danych, filmami science fiction i programami telewizyjnymi.</td></tr><tr><td>openxlsx</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>openxlsx 4.2.7.1</td><td>Ten pakiet R upraszcza tworzenie plików .xlsx, zapewniając interfejs wysokiego poziomu do pisania, stylizacji i edycji arkuszy. Dzięki zastosowaniu Rcpp czasy odczytu/zapisu są porównywalne z pakietami xlsx i XLConnect, z dodatkową korzyścią w postaci usunięcia zależności od Javy.</td></tr><tr><td>readxl</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>readxl 1.4.3</td><td>Pakiet readxl ułatwia pobieranie danych z Excela do R. W porównaniu z wieloma istniejącymi pakietami (np. gdata, xlsx, xlsReadWrite) readxl nie ma żadnych zewnętrznych zależności, więc jest" s łatwy w instalacji i obsłudze we wszystkich systemach operacyjnych. Jest przeznaczony do pracy z danymi tabelarycznymi.</td></tr><tr><td>reshape2</td><td>Kompleksowa sieć archiwów języka R (CRAN)</td><td>reshape2 1.4.4</td><td>Reshape2 to ponowne uruchomienie pakietu reshape. Minęło ponad pięć lat od pierwszego wydania reshape i w tym czasie nauczyłem się bardzo dużo o programowaniu w języku R i o tym, jak pracować z danymi w języku R. Reshape2 wykorzystuje tę wiedzę do stworzenia nowego pakietu do przekształcania danych, który jest znacznie bardziej skoncentrowany i znacznie szybszy.</td></tr><tr><td>stringr</td><td>Kompleksowa sieć archiwizacji języka R (CRAN)</td><td>stringr 1.5.1</td><td>Ciągi znaków nie są efektownymi, głośnymi komponentami języka R, ale odgrywają dużą rolę w wielu zadaniach związanych z czyszczeniem i przygotowywaniem danych. Pakiet stringr zapewnia spójny zestaw funkcji zaprojektowanych tak, aby praca z ciągami była tak łatwa, jak to tylko możliwe.</td></tr><tr><td>tidytext</td><td>Kompleksowa sieć archiwów języka R (CRAN)</td><td>tidytext 0.4.2</td><td>Korzystanie z zasad uporządkowanych danych może sprawić, że wiele zadań związanych z eksploracją tekstu będzie łatwiejszych, bardziej efektywnych i spójnych z narzędziami już powszechnie używanymi. Duża część infrastruktury potrzebnej do wydobywania tekstu za pomocą uporządkowanych ramek danych już istnieje w pakietach takich jak dplyr, broom, tidyr i ggplot2. W tym pakiecie udostępniamy funkcje i pomocnicze zestawy danych, które umożliwiają konwersję tekstu do i z uporządkowanych formatów oraz płynne przełączanie się między uporządkowanymi narzędziami a istniejącymi pakietami do eksploracji tekstu. Zapoznaj się z naszą książką, aby dowiedzieć się więcej o eksploracji tekstu przy użyciu zasad tidy data</td></tr><tr><td>tidyverse</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>tidyverse 2.0.0</td><td>tidyverse to opiniotwórcza kolekcja pakietów R przeznaczonych do nauki o danych. Wszystkie pakiety mają wspólną filozofię projektowania, gramatykę i struktury danych.</td></tr><tr><td>VennDiagram</td><td>Kompleksowa sieć archiwów R (CRAN)</td><td>VennDiagram 1.7.3</td><td>VennDiagram to pakiet R do generowania konfigurowalnych diagramów Venna o wysokiej rozdzielczości z maksymalnie czterema zestawami i diagramów Eulera z maksymalnie trzema zestawami. Obejmuje obsługę kilku specjalnych przypadków, w tym skalowanie dwóch przypadków oraz szerokie dostosowywanie kształtu i struktury działki.</td></tr><tr><td>VOSviewer</td><td>&nbsp; Centrum Studiów Naukowych i Technologicznych, Uniwersytet w Lejdzie, Holandia</td><td>VOSviewer w wersji 1.6.19</td><td>VOSviewer to narzędzie programowe do budowy i wizualizacji sieci bibliometrycznych. Sieci te mogą na przykład obejmować czasopisma, badaczy lub pojedyncze publikacje i mogą być konstruowane w oparciu o relacje cytowania, sprzężenia bibliograficznego, współcytowania lub współautorstwa. VOSviewer oferuje również funkcję eksploracji tekstu, która może być używana do konstruowania i wizualizacji sieci współwystępowania ważnych terminów wyodrębnionych z literatury naukowej.</td></tr></tbody></table>

globalne i aktualne trendy badawcze w sekwencjonowaniu pojedynczych komórek w raku: badanie bibliometryczne i wizualizacyjne

Global and Current Research Trends of Single-Cell Sequencing in Cancer: A Bibliometric and Visualization Study

Rak stanowi poważne wyzwanie dla ludzkiego zdrowia ze względu na swoje złożone systemy biologiczne, co wymaga dogłębnej analizy. Sekwencjonowanie pojedynczych komórek stało się podstawowym narzędziem do badania tych systemów, umożliwiając wykrywanie ekspresji genów i modyfikacji epigenetycznych na poziomie pojedynczej komórki. W celu wyjaśnienia trendów badawczych, sieci współpracy i upowszechniania wiedzy w tej dziedzinie przeprowadzono analizę bibliometryczną z wykorzystaniem bazy Web of Science Core Collection, obejmującej publikacje od 1 stycznia 2010 r. do 31 grudnia 2023 r. Pakiet Bibliometrix w języku R został wykorzystany do wyodrębnienia i przeanalizowania kluczowych danych publikacji, w tym typów dokumentów, krajów, instytucji, autorów i słów kluczowych. Ponadto do kompilacji i wizualizacji danych wykorzystano CiteSpace, VOSviewer oraz Internetową Platformę Analizy Metrologii Literatury. W analizie zidentyfikowano 34 074 autorów z 3 129 instytucji z 75 krajów i regionów, przyczyniając się do powstania 5 680 publikacji na temat sekwencjonowania pojedynczych komórek w nowotworach, opublikowanych w 788 czasopismach naukowych. Chiny i Stany Zjednoczone okazały się wiodącymi krajami pod względem liczby publikacji. Największą liczbę publikacji wyprodukował Uniwersytet Harvarda (320), a za kluczowego współtwórcę uznaje się Aviva Regeva, związanego z Harvardem. Wiodące czasopisma, takie jak Frontiers in Immunology i Nature Communications, podkreślają zarówno uznane, jak i powstające obszary badań, w tym mikrośrodowisko immunologiczne i immunoterapię. Kluczowe trendy i potencjalne obszary przyszłych badań obejmują heterogeniczność wewnątrz guza, ewolucję klonalną i systemy dostarczania leków. Badanie to stanowi kompleksowy przegląd badań nad sekwencjonowaniem pojedynczych komórek w onkologii, podkreślając ich szybki postęp, napędzany postępem technologicznym i współpracą międzynarodową. Wzmocnienie globalnych partnerstw, opracowanie integracyjnych narzędzi analitycznych i rozwiązanie problemu złożoności danych będzie miało kluczowe znaczenie dla rozwoju spersonalizowanych terapii przeciwnowotworowych i pogłębienia wiedzy na temat biologii nowotworów.

Roczny trend wzrostu liczby publikacji i cytowań 
W latach 2010–2023 w bazie danych WoSCC zidentyfikowano łącznie 6 767 publikacji związanych z sekwencjonowaniem pojedynczych komórek w nowotworach. Z analizy wykluczono łącznie 602 badania opublikowane między 2010 a 2023 rokiem, a następnie pięć badań, które nie zostały opublikowane w języku angielskim. Dodatkowo wykluczono 480 artykułów na podstawie zdefiniowanych kryteriów wykluczenia, w tym 361 streszczeń z konferencji, 83 materiałów redakcyjnych or...

Ta analiza bibliometryczna sekwencjonowania pojedynczych komórek w badaniach nad rakiem wskazuje, że Chiny i USA produkują znacznie więcej artykułów naukowych niż inne kraje. Wykrywanie serii identyfikuje pojawiające się terminy, takie jak "heterogeniczność wewnątrz guza", "ewolucja klonalna" i "systemy dostarczania leków", które mają wpłynąć na przyszłe badania.

Globalne i aktualne trendy badawcze w sekwencjonowaniu pojedynczych komórek w raku: badanie bibliometryczne i wizualizacyjne

Cancer poses a significant challenge to human health due to its complex biological systems, necessitating in-depth analysis. Single-cell sequencing has ...

W naszym badaniu przeanalizowano trendy rozwojowe w sekwencjonowaniu pojedynczych komórek w dziedzinie raka. Wyniki zapewniają badaczom, klinicystom i decydentom dogłębny przegląd obecnego stanu wiedzy i zrozumienia w tej dziedzinie. Nasza analiza bibliometryczna pokazuje, że Chiny i USA przodują w sekwencjonowaniu pojedynczych komórek w badaniach nad rakiem. Pojawiające się terminy, takie jak heterogeniczność wewnątrznowotworowa, ewolucja klonów i systemy dostarczania leków, sugerują przyszłe kierunki badań.Nasze badanie ma na celu ocenę obecnego krajobrazu badań, zidentyfikowanie istotnych punktów zapalnych badań i wyjaśnienie pojawiających się trendów, aby dostarczyć badaczom i decydentom praktycznych spostrzeżeń.[Narrator] Aby rozpocząć, uzyskaj dostęp do bazy danych Web of Science Core Collection z ich witryny internetowej. Skonstruuj strategię wyszukiwania, używając ukierunkowanych słów kluczowych, takich jak sekwencjonowanie pojedynczych komórek i rak, aby zidentyfikować odpowiednią literaturę. Następnie wyszukaj wyniki. Ustaw parametry wyszukiwania, wybierając okres publikacji od 1 stycznia 2010 r. do 31 grudnia 2023 r. Wybierz język angielski jako język i wybierz artykuł i recenzja jako typy dokumentów. Zapisz skompilowane dane jako zwykłe pliki tekstowe do późniejszej analizy bibliometrycznej i skompiluj wybrane publikacje w formacie Full Record i Cited References. Teraz uruchom interfejs Biblioshiny z pakietu bibliometrycznego w R. Zaimportuj zwykłe pliki tekstowe i wyeksportuj zestaw danych w formacie danych R do analizy. Utwórz wykres słupkowy, aby pokazać roczną liczbę publikacji, i nałóż wykres liniowy, aby przedstawić liczbę cytowań w czasie. Wyodrębnij dane instytucjonalne z sekcji Przynależności za pomocą funkcji Analizuj wyniki w bazie danych Web of Science Core Collection. Użyj pakietu ggplot2 w języku R, aby wygenerować poziomy wykres słupkowy wizualizujący liczbę publikacji instytucjonalnych. Korzystając z VOSviewer, przeprowadź analizę współautorstwa, wybierając z menu głównego opcję Utwórz i wybierając opcję Utwórz mapę na podstawie danych bibliograficznych. Zaimportuj zwykłe pliki tekstowe i ustaw typ analizy na Współautorstwo. Wybierz opcję Pełna inwentaryzacja i wybierz Organizacje jako jednostkę analizy. Kliknij przycisk Zakończ, aby wygenerować wizualizację. Uzyskaj dostęp do sekcji Profile badaczy w bazie danych Web of Science Core Collection, aby zidentyfikować i uszeregować autorów na podstawie całkowitej liczby opublikowanych artykułów. Użyj pakietu ggplot2 w języku R, aby wygenerować poziomy wykres słupkowy, wizualizujący najlepszych autorów według liczby publikacji. Teraz pobierz szczegółowe wskaźniki, w tym kraj, instytucję stowarzyszoną i indeks H dla 10 najlepszych autorów, korzystając z danych Web of Science Core Collection. W przypadku sieci współpracy autorów uruchom VOSviewer i wybierz przycisk Utwórz, a następnie Utwórz mapę na podstawie danych bibliograficznych. Zaimportuj odpowiednie zwykłe pliki tekstowe, wybierając opcję Odczytaj dane z plików bibliograficznej bazy danych. Ustaw typ analizy na Współautorstwo w VOSviewer. Użyj metody pełnego zliczania i wybierz opcję Autorzy, jako jednostkę analizy. Kliknij przycisk Zakończ, aby wygenerować wizualizację nakładki. Użyj funkcji hindex w języku R, aby obliczyć metryki czasopisma dla zidentyfikowanych źródeł publikacji. Aby przeprowadzić analizę przepływu wiedzy, otwórz CiteSpace i przejdź do menu Dane. Wybierz opcję WOS, aby zaimportować zestaw danych do analizy przepływu wiedzy. W CiteSpace wybierz opcje Overlay Maps i JCR Journals Maps dla konfiguracji mapy z parametrem 0 z-score i dostosuj kolor tła. Otwórz CiteSpace, przejdź do menu Dane i wybierz dane, aby rozpocząć analizę współcytowanych odwołań. Ustaw typ węzła na Odwołanie. Po włączeniu funkcji Pathfinder i oczyszczeniu funkcji sieci podzielonych na plasterki wykonaj analizę. Aby zidentyfikować odniesienia o dużym wpływie, wybierz opcję Burstness w CiteSpace i ustaw parametr gamma na zakres od 0 do 1. W przypadku współwystępowania słów kluczowych przeprowadź analizę częstotliwości słów kluczowych w języku R przy użyciu pakietu bibliometrycznego. Ustaw pole analizy na Słowa kluczowe autora i ogranicz dane wyjściowe do 20 pierwszych słów kluczowych. Do analizy serii słów kluczowych użyj CiteSpace z włączoną burstness. Ustaw parametr gamma na wartość od 0 do 1. Następnie otwórz VOSviewer i wybierz Utwórz, a następnie wybierz Utwórz mapę na podstawie danych bibliograficznych. Użyj opcji Odczytuj dane z plików bibliograficznej bazy danych i zaimportuj pliki tekstowe. Ustaw typ analizy na Współwystępowanie, użyj metody pełnego zliczania i wybierz opcję Autorskie słowa kluczowe jako jednostkę analizy. Zastosuj minimalny próg 40 wystąpień słów kluczowych i kliknij przycisk Zakończ, aby wygenerować sieć współwystępowania. Roczna liczba publikacji na temat sekwencjonowania pojedynczych komórek w badaniach nad rakiem wykazała gwałtowny wzrost po 2016 r., z zauważalnymi szczytami cytowań w 2014 i 2020 r. Głównymi autorami okazały się Chiny i Stany Zjednoczone, przy czym Chiny wykazały najszybszy wzrost produkcji wydawniczej. Uniwersytet Harvarda został uznany za wiodącą instytucję pod względem liczby publikacji, a za nim uplasowało się kilka głównych chińskich uniwersytetów. Frontiers in Immunology opublikowało największą liczbę artykułów, podczas gdy czasopisma takie jak Cell i Nature miały najwięcej cytowań. Artykuły Macosko i in. oraz Tirosha i wsp. miały najsilniejsze wzrosty cytowań, co wskazuje na główne przełomy w technice i analizie. Mikrośrodowisko immunologiczne było najczęściej używanym słowem kluczowym, a pojawiające się trendy, takie jak gruczolakorak płuc i fibroblasty związane z rakiem, zyskały ostatnio na znaczeniu. Ewolucja guza wykazała najdłuższy czas trwania impulsu cytowania.

global-current-research-trends-single-cell-sequencing-cancer

Research

JoVE Journal

Cancer Research

Badania nad rakiem

Sekwencjonowanie pojedynczych komórek jest coraz bardziej popularnym i dostępnym narzędziem do rozwiązywania problemów związanych ze zmianami genomowymi w wysokiej rozdzielczości. Udostępniamy protokół, który wykorzystuje sekwencjonowanie pojedynczych komórek do identyfikacji zmian liczby kopii w pojedynczych komórkach.

Wykrywanie zmian numeru kopii za pomocą sekwencjonowania pojedynczych komórek

Sekwencjonowanie pojedynczych komórek ujawnia niejednorodność genotypową w systemach biologicznych, ale obecnym technologiom brakuje przepustowości niezbędnej do głębokiego profilowania składu i funkcji społeczności. W tym miejscu opisujemy mikroprzepływowy przepływ pracy do sekwencjonowania &gt;50 000 genomów jednokomórkowych z różnych populacji komórek.

Ultraprzepustowa platforma mikroprzepływowa do sekwencjonowania genomu pojedynczej komórki

Niejednorodność wewnątrznowotworowa jest nieodłączną cechą nowotworów, w tym glejaków. Opracowaliśmy prosty i wydajny protokół, który wykorzystuje kombinację i wirowania gradientowego do izolowania pojedynczych jąder ze świeżo mrożonych tkanek glejaka do badań sekwencjonowania RNA pojedynczego jądra i ATAC.

Izolacja jąder ze świeżo zamrożonych guzów mózgu dla sekwencji RNA pojedynczego jądra i sekwencji ATAC

Tutaj autorzy prezentują użyteczność MULTI-seq do fenotypowania i kolejnych sparowanych scRNA-seq i scATAC-seq w charakterystyce transkryptomicznej i dostępności chromatyny w siatkówce.

Multipleksowana analiza ekspresji genów siatkówki i dostępności chromatyny przy użyciu scRNA-Seq i scATAC-Seq

Tutaj prezentowany jest protokół, w którym wiele narzędzi bioinformatycznych jest połączonych w celu zbadania biologicznych funkcji TMEM200A w raku. Ponadto eksperymentalnie weryfikujemy również przewidywania bioinformatyczne.

Analiza multiomiczna TMEM200A jako biomarkera raka

Ten protokół opisuje procedurę szybkiej dysocjacji próbek ludzkich i mysich guzów do sekwencjonowania RNA pojedynczych komórek.

Dysocjacja próbek tkanek nowotworowych ludzi i myszy do sekwencjonowania RNA pojedynczych komórek

Protokół ten przedstawia metody hodowli, manipulowania i analizowania mysich CAF, w tym testy funkcjonalne in vitro/in vivo , transkryptomikę i analizę obliczeniową. Ponadto opisano w nim platformę internetową opracowaną w celu analizy publicznie dostępnych transkryptomów mikrowypreparowanych składników zrębu i nabłonka z kolekcji ludzkich nowotworów raka piersi.

Fibroblasty związane z rakiem z guzów sutka myszy jako narzędzia do badań molekularnych i obliczeniowych

Komórki nowotworowe krążące (CTC) są kluczowe dla badania postępu nowotworów i przerzutów. Niniejszy artykuł przedstawia wysokoprzepustowy, zintegrowany protokół wzbogacania CTC oraz sekwencjonowania pojedynczego CTC, poprawiający efektywność przechwytywania i czystość CTC, jednocześnie zmniejszając koszty zanieczyszczenia i sekwencjonowania, co przyczynia się do rozwoju badań i zastosowań klinicznych w precyzyjnej onkologii.

Technologia sortowania komórek nowotworowych o wysokiej przepustowości i sekwencjonowania pojedynczych komórek oparta na mikrofluidice

Protokół ten przedstawia szczegółową metodę izolowania wysokiej jakości zawiesin pojedynczych komórek zarówno ze zdrowej, jak i z guzowymi tkankami płuc myszy. Protokół ten może być stosowany w scRNA-seq, analizie cytometrii przepływowej oraz izolacji komórek pierwotnych.

Optymalizacja przygotowania całej tkanki płucnej z guzem myszy do cytometrii przepływowej i sekwencjonowania RNA pojedynczego komórkowego

Ten manuskrypt opisuje protokoły kliniczne dla dwóch paneli sekwencjonowania nowej generacji. Jeden panel bada nowotwory hematologiczne, podczas gdy drugi panel koncentruje się na genach powszechnie zmutowanych w guzach litych. Klasyfikacja molekularna mutacji powodujących nowotwory złośliwe u ludzi dostarcza cennych informacji prognostykujących i predykcyjnych.

Sekwencjonowanie nowej generacji do wykrywania mutacji, które można podjąć w celu działania, w guzach litych i płynnych

Odkryj trendy w sekwencjonowaniu pojedynczych komórek w badaniach nad rakiem dzięki analizie bibliometrycznej. Poznaj wiodące kraje, kluczowe instytucje i kierunki przyszłych badań nad heterogenicznością nowotworów.

Globalne i aktualne trendy badawcze w sekwencjonowaniu pojedynczych komórek w raku: badanie bibliometryczne i wizualizacyjne

Przeglądaj więcej filmów