É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.

Artigo de método

Tendências globais e atuais de pesquisa de sequenciamento de célula única no câncer: um estudo bibliométrico e de visualização

1.6K vistas

⸱

DOI:

10.3791/67880

⸱

18 de abril de 2025

 ,  ,  ,  ,  ,  ,  , 
1Department of Operating Theatre, Tianjin Medical University General Hospital, 2Department of General Surgery, Tianjin Medical University General Hospital, Tianjin Medical University, 3Department of Medical Oncology, Tianjin Medical University General Hospital

* These authors contributed equally

Neste artigo

Resumo

Esta análise bibliométrica do sequenciamento de células únicas na pesquisa do câncer indica que a China e os EUA produzem significativamente mais artigos acadêmicos do que outras nações. A detecção de explosão identifica termos emergentes como 'heterogeneidade intratumoral', 'evolução clonal' e 'sistemas de entrega de medicamentos', que devem influenciar pesquisas futuras.

Resumo

O câncer representa um desafio significativo para a saúde humana devido aos seus sistemas biológicos complexos, necessitando de uma análise aprofundada. O sequenciamento de célula única tornou-se uma ferramenta essencial para investigar esses sistemas, permitindo a detecção de expressão gênica e modificações epigenéticas no nível de célula única. Para elucidar tendências de pesquisa, redes de colaboração e disseminação de conhecimento nesse campo, foi realizada uma análise bibliométrica utilizando a base de dados Web of Science Core Collection, abrangendo publicações de 1º de janeiro de 2010 a 31 de dezembro de 2023. O pacote Bibliometrix em R foi usado para extrair e analisar os principais dados de publicação, incluindo tipos de documentos, países, instituições, autores e palavras-chave. Além disso, CiteSpace, VOSviewer e a Plataforma de Análise Online de Metrologia da Literatura foram empregados para compilação e visualização de dados. A análise identificou 34.074 autores de 3.129 instituições em 75 países e regiões, contribuindo para 5.680 publicações sobre sequenciamento de células únicas no câncer, publicadas em 788 periódicos acadêmicos. A China e os Estados Unidos emergiram como as nações líderes em volume de publicações. A Universidade de Harvard produziu o maior número de publicações (320), com Aviv Regev, afiliado a Harvard, reconhecido como um dos principais colaboradores. Periódicos importantes, como Frontiers in Immunology e Nature Communications, destacam áreas de pesquisa estabelecidas e emergentes, incluindo o microambiente imunológico e a imunoterapia. As principais tendências e áreas potenciais para pesquisas futuras incluem heterogeneidade intratumoral, evolução clonal e sistemas de administração de medicamentos. Este estudo fornece uma visão abrangente da pesquisa de sequenciamento de célula única em oncologia, enfatizando seu rápido progresso, impulsionado por avanços tecnológicos e colaborações internacionais. Fortalecer parcerias globais, desenvolver ferramentas analíticas integrativas e abordar as complexidades dos dados será crucial para o avanço de terapias personalizadas contra o câncer e aprofundamento dos insights sobre a biologia do câncer.

Introdução

O câncer representa uma das doenças mais prejudiciais, sendo a segunda principal causa de mortalidade em todo o mundo1. Estima-se que, até 2035, aproximadamente um quarto da população global será diretamente afetada pelo câncer 2,3. A patogênese do câncer está ligada principalmente à desregulação do crescimento celular, que é influenciada por uma variedade de fatores tumorigênicos 4,5. As "Características do Câncer" foram conceituadas como um conjunto de capacidades funcionais que facilitam a transição de estados celulares normais para o crescimento neoplásico, especificamente aquelas capacidades essenciais para a formação de tumores malignos6. A tecnologia de sequenciamento desempenha um papel fundamental no avanço de nossa compreensão da patogênese da doença. No entanto, devido à heterogeneidade inerente dos tumores, identificar as características genômicas de células-tronco de baixa abundância por meio da análise de sequenciamento de alto rendimento de tecidos tumorais apresenta desafios significativos 7,8.

O sequenciamento de célula única, que inclui genômica, transcriptômica, epigenômica, proteômica e metabolômica, representa uma abordagem metodológica poderosa para elucidar paisagens celulares e moleculares no nível de célula única 9,10. Sua aplicação na pesquisa do câncer melhorou significativamente a compreensão das características biológicas e dinâmicas presentes nas lesões neoplásicas, facilitando assim uma compreensão mais abrangente do desenvolvimento e metástase do câncer.

A análise bibliométrica examina as características estruturais e os atributos das publicações acadêmicas e tem sido amplamente empregada em avaliações qualitativas e quantitativas da literatura científica 11,12. Ao comparar contribuições de vários países, instituições, pesquisadores e publicações, é possível elucidar e antecipar possíveis avanços dentro de um determinado domínio de pesquisa. Embora tenha havido um aumento substancial nas revisões sistemáticas e narrativas com foco na pesquisa de sequenciamento de células únicas no câncer, ainda há uma deficiência notável em análises abrangentes no âmbito da avaliação quantitativa13 , 14 , 15 . Este estudo tem como objetivo realizar uma análise abrangente das tendências de desenvolvimento e tópicos de pesquisa proeminentes em sequenciamento de células únicas no domínio do câncer, utilizando métodos bibliométricos. As descobertas oferecerão aos pesquisadores, médicos e formuladores de políticas uma visão geral detalhada do estado atual do conhecimento e compreensão nesta área.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

Os dados utilizados neste estudo foram obtidos da Web of Science Core Collection (2010-2023).

1. Coleta de dados

  1. Seleção de banco de dados
    1. Acesse o banco de dados da Web of Science Core Collection (WoSCC) via. https://webofscience. clarivate.cn/wos/author/author-search.
    2. Construa uma estratégia de pesquisa usando palavras-chave direcionadas, especificamente "sequenciamento de célula única" e "câncer", para identificar a literatura relevante. Clique no botão de pesquisa para concluir a pesquisa bibliográfica.
      NOTA: Consulte a Tabela Suplementar 1 para obter uma lista completa de palavras-chave empregadas na estratégia de pesquisa para aumentar a precisão e a inclusão.
  2. Parâmetros de pesquisa
    1. Escolha o período de publicação de 1º de janeiro de 2010 a 31 de dezembro de 2023 para capturar as tendências de pesquisa mais recentes e abrangentes.
    2. Selecione inglês como idioma para os resultados da pesquisa e escolha Artigo e Revisão foram os tipos de artigo para garantir a consistência dos dados e facilitar a análise comparativa.
    3. Garantir a relevância excluindo publicações fora dos domínios de sequenciamento de célula única e pesquisa de câncer.
  3. Recuperação e formato de dados
    1. Compile as publicações selecionadas no formato Full Record e Cited References para preservar metadados detalhados.
    2. Salve os dados coletados como arquivos de texto simples para análise posterior usando ferramentas bibliométricas.
    3. Verifique se cada registro contém metadados completos, incluindo informações de citação e coautoria, para permitir uma análise bibliométrica completa (Figura 1).

2. Pré-processamento de dados

  1. Coleta e importação de dados
    1. Inicie a interface biblioshiny do pacote bibliometrix em R.
      NOTA: O código específico é fornecido da seguinte forma:
      Biblioteca (Bibliometrix)
      packageVersion("bibliometrix")
      biblioshiny()
    2. Acesse o banco de dados WoSCC e selecione um arquivo de texto simples mesclado contendo dados bibliométricos.
    3. Importe os dados e exporte-os no Formato de Dados R para análise subsequente.
  2. Tendência de crescimento anual de publicações e citações
    1. Converta as colunas PY (ano de publicação) e Z9 (contagem de citações) em formato numérico.
    2. Agrupe os dados por ano de publicação e calcule as contagens anuais de publicações e o total de citações.
    3. Crie um gráfico de barras para representar o número de publicações a cada ano e sobreponha um gráfico de linhas para ilustrar as contagens de citações ao longo do tempo.
      NOTA: O código específico é fornecido como Código 1 no Arquivo Suplementar 1.
  3. Publicação nacional e análise de colaboração
    1. Publicação nacional e agregação de colaboração
      1. Resuma as publicações e citações anuais por cada país usando os campos Ano de publicação (PY) e Países do autor (AU_CO1).
      2. Concentre a análise nos 10 principais países por volume de publicação.
    2. Cálculo de métricas
      1. Calcule as principais métricas, incluindo o número de publicações (NP), frequência de citação (NC), publicações de um único país (SCP) e publicações de vários países (MCP)16.
      2. Determinar a proporção de publicações de vários países (MCP_Ratio) como um indicador de colaboração internacional.
      3. Use a função de índice H de R para calcular índices de impacto (índice H, índice G e índice M) para cada país durante um período de 14 anos17.
        NOTA: O código específico é fornecido como Código 2 no Arquivo Suplementar 1. Use a plataforma de análise on-line de metrologia de literatura (https://bibliometric.com/) para examinar as relações de colaboração entre os países. Carregue dados em formato de texto simples do WoSCC. Empregue o recurso "relações com países" para avaliar colaborações internacionais. Culmine com uma visualização da rede de colaboração entre os principais países contribuintes.
  4. Publicação institucional e análise de colaboração
    1. Extração e classificação de dados
      1. Extraia dados institucionais da seção Affiations no recurso Analyze Results do banco de dados WoSCC.
      2. Classificar as instituições em ordem decrescente de acordo com o número total de artigos publicados.
    2. Visualização de dados
      1. Gere um gráfico de barras horizontais usando o pacote ggplot2 em R para ilustrar o volume de publicações nas principais instituições.
        NOTA: O código específico é fornecido como Código 3 no Arquivo Suplementar 1.
    3. Análise de coautoria
      1. Configuração de análise no VOSviewer: Inicie o VOSviewer e selecione Criar no menu principal. Escolha Criar um mapa com base em dados bibliográficos e opte por Ler dados de arquivos de banco de dados bibliográficos. Por fim, importe os arquivos de texto simples.
      2. Configuração e parâmetros: Defina o tipo de análise como coautoria no VOSviewer. Escolha o método de contagem completa e selecione organizações como a unidade de análise. Configure os parâmetros para incluir um máximo de 1.200 organizações por documento e defina o limite mínimo para 30 documentos por organização para garantir uma análise de rede abrangente.
      3. Visualização e interpretação: Conclua a configuração clicando em Concluir para gerar um mapa de visualização que ilustra as redes de colaboração entre instituições. Garantir que o mapa destaque os níveis de conectividade e parceria, identificando centros centrais de atividade de pesquisa e áreas-chave de cooperação entre instituições.
  5. Análise dos autores e colaboração dos autores
    1. Identificação de autores prolíficos: Acesse a seção Perfis de Pesquisadores no banco de dados WoSCC para classificar os autores com base no número total de artigos publicados.
    2. Visualização de dados: Use o pacote ggplot2 em R para criar um gráfico de barras horizontais, representando visualmente o volume de publicação dos principais autores.
    3. Avaliação das contribuições dos autores: recupere métricas adicionais para os 10 principais autores por volume de publicação, incluindo o índice H, país e instituição afiliada, usando dados do banco de dados WoSCC.
      NOTA: O código específico é fornecido como Código 4 no Arquivo Suplementar 1.
    4. Redes de colaboração de autores
      1. Configurando a análise no VOSviewer: Inicie o VOSviewer e selecione o botão Criar , seguido de Criar um mapa com base em dados bibliográficos. Importe os arquivos de texto simples relevantes que contêm dados bibliográficos selecionando Ler dados de arquivos de banco de dados bibliográficos.
      2. Configuração e parâmetros: defina o tipo de análise como coautoria e utilize o método de contagem completa . Selecione os autores como unidade de análise. Ajuste os parâmetros para incluir um máximo de 33 organizações por documento e estabeleça um limite mínimo de 15 documentos por autor para garantir que dados de colaboração significativos sejam capturados.
      3. Visualização e insights: clique em Concluir para gerar uma visualização de sobreposição, que ilustra a evolução temporal das colaborações de autores, fornecendo informações sobre a dinâmica e o crescimento das redes de coautoria ao longo do tempo.
  6. Análise de periódicos e periódicos cocitados
    1. Cálculo de métricas de periódicos: Use a função de índice H em R para calcular as principais métricas de cada periódico, incluindo o número de publicações por fonte (NP), frequência de citação (NC), ano da primeira publicação (PY_start) e índices de impacto (índice H, índice G e índice M).
    2. Recuperação de fatores de impacto e classificações: Obtenha fatores de impacto de periódicos e classificações de quartis do banco de dados WoSCC para avaliar melhor a influência e a posição de cada periódico no campo.
      NOTA: O código específico é fornecido como Código 5 no Arquivo Suplementar 1.
    3. Análise do fluxo de conhecimento
      1. Importação e configuração de dados no CiteSpace: Abra o CiteSpace e navegue até o menu Dados . Selecione Importar/Exportar e escolha WOS para importar dados. Configure os caminhos de entrada e saída conforme necessário.
      2. Seleção e configuração do mapa: Selecione as opções Mapas de sobreposição e Mapas de diários JCR no CiteSpace, definindo o z-score como 0. Essa configuração permite a geração de um mapa duplo para ilustrar o fluxo de conhecimento entre os periódicos.
  7. Análise de referências cocitadas e rede de clusterização
    1. Importação e configuração de dados no CiteSpace
      1. Abra o CiteSpace, navegue até o menu Dados e selecione Importar/Exportar.
      2. Importe dados do banco de dados WoSCC em texto simples, configurando a fatia de tempo de análise de janeiro de 2010 a dezembro de 2023 com um intervalo de um ano para detalhes temporais.
    2. Configuração e remoção de rede
      1. Defina o tipo de nó como Referência no CiteSpace. Utilize a opção Pathfinder e o recurso Pruning Sliced Networks para aplicar a remoção à rede.
      2. Execute a análise clicando em IR para gerar um mapa de cocitação de referência, ajustando as configurações de fonte e cor para melhorar a legibilidade.
    3. Identificando referências de alto impacto
      1. Selecione a opção Burstness e defina o parâmetro γ como [0, 1] no CiteSpace.
      2. Atualize os dados para gerar uma lista das 20 principais referências com as rajadas de citação mais fortes.
  8. Análise de co-ocorrência de palavras-chave
    1. Análise de frequência de palavras-chave em R
      1. Realize a análise de palavras-chave usando o pacote bibliometrix em R, concentrando-se nas palavras-chave mais frequentes nos documentos.
      2. Defina o campo como Palavras-chave do autor e limite o número às 20 principais palavras-chave, filtrando sinônimos para garantir a consistência.
    2. Análise de explosão de palavras-chave no CiteSpace
      1. Use o CiteSpace para executar a análise de burst de palavras-chave selecionando a opção Burstness e definindo o parâmetro γ como [0, 1].
      2. Atualize os dados para gerar uma lista das 30 principais palavras-chave com as picadas de citação mais fortes.
    3. Análise de rede de co-ocorrência de palavras-chave no VOSviewer
      1. Abra o VOSviewer, selecione Criar e, em seguida, Crie um mapa com base em dados bibliográficos.
      2. Importe os arquivos de texto simples usando a opção Ler dados de arquivos de banco de dados bibliográficos .
      3. Defina o tipo de análise como co-ocorrência, usando o método de contagem completa , com palavras-chave de autor como unidade de análise.
      4. Aplique um limite mínimo de 40 ocorrências de palavras-chave e clique em Concluir para concluir a análise, produzindo uma rede de coocorrência que visualiza as relações de palavras-chave dentro do campo.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

Tendência de crescimento anual de publicações e citações
De 2010 a 2023, um total de 6.767 publicações relacionadas ao sequenciamento de células únicas no câncer foram identificadas no banco de dados WoSCC. Um total de 602 estudos publicados entre 2010 e 2023 foram excluídos da análise, seguidos pela exclusão de cinco estudos não publicados em inglês. Além disso, 480 artigos foram excluídos com base em critérios de exclusão pré-definidos, compreendendo 361 resumos de encontros, 83 materiais editoriais...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

A análise bibliométrica serve como uma abordagem quantitativa para avaliar as características e o impacto acadêmico de publicações significativas26. Este estudo realizou uma extensa análise bibliométrica de 5.680 artigos relacionados ao sequenciamento de células únicas na pesquisa do câncer, extraídos da base de dados WoSCC e publicados entre 2010 e 2023. Esta análise teve como objetivo avaliar o estado atual da pesquisa, identificar os principais pontos críticos ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

Os autores não têm nada a divulgar.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Pacote bibliometrixComprehensive R Archive Network (CRAN)bibliometrix 4.3.0Um gráfico de floresta que permite vários intervalos de confiança por linha, fontes personalizadas para cada elemento de texto, intervalos de confiança personalizados, texto misturado com expressões e muito mais.
CiteSpaceChaomei Chen, Drexel UniversityCiteSpace 6.2.R4 (64 bits) beta Basic‌ CiteSpace‌ é uma ferramenta de análise da literatura científica. Sua principal função é analisar o conhecimento subjacente na literatura científica por meios visuais, mostrando a estrutura, as regras e a distribuição do conhecimento científico. As principais funções do CiteSpace incluem: análise de colaboração de pesquisa ‌, julgamento de periódicos importantes ‌, mineração de tópicos principais e assim por diante.
dplyrComprehensive R Archive Network (CRAN)dplyr 1.1.4dbplyr é o back-end de banco de dados para dplyr. Ele permite que você use tabelas de banco de dados remotas como se fossem quadros de dados na memória, convertendo automaticamente o código dplyr em SQL.
esquisseComprehensive R Archive Network (CRAN)esquisse 2.0.1Este addin permite que você explore interativamente seus dados, visualizando-os com o pacote ggplot2. Ele permite que você desenhe gráficos de barras, curvas, gráficos de dispersão, histogramas, boxplot e objetos sf e, em seguida, exporte o gráfico ou recupere o código para reproduzir o gráfico.
forcatsComprehensive R Archive Network (CRAN)forcats 1.0.0R usa fatores para lidar com variáveis categóricas, variáveis que têm um conjunto fixo e conhecido de valores possíveis. Os fatores também são úteis para reordenar vetores de caracteres para melhorar a exibição. O objetivo do pacote forcats é fornecer um conjunto de ferramentas que resolvam problemas comuns com fatores, incluindo a alteração da ordem dos níveis ou dos valores.
ggplot2Comprehensive R Archive Network (CRAN)ggplot2 3.5.1ggplot2 é um sistema para criar gráficos declarativamente, baseado na Gramática dos Gráficos. Você fornece os dados, diz ao ggplot2 como mapear variáveis para a estética, quais primitivas gráficas usar e ele cuida dos detalhes.
ggpmiscComprehensive R Archive Network (CRAN)ggpmisc 0.6.1Pacote ' ggpmisc' (Extensões diversas para ' ggplot2') é um conjunto de extensões para o pacote R ' ggplot2' (>= 3.0.0) com ênfase em anotações e plotagens relacionadas aos modelos ajustados. As estimativas de objetos de ajuste do modelo podem ser exibidas em ggplots como texto, tabelas ou equações. Valores previstos, resíduos, desvios e pesos podem ser plotados para várias funções de ajuste do modelo.
ggsciComprehensive R Archive Network (CRAN)ggsci 3.2.0ggsci oferece uma coleção de paletas de cores ggplot2 inspiradas em revistas científicas, bibliotecas de visualização de dados, filmes de ficção científica e programas de TV.
openxlsxComprehensive R Archive Network (CRAN)openxlsx 4.2.7.1Este pacote R simplifica a criação de arquivos .xlsx, fornecendo uma interface de alto nível para escrever, estilizar e editar planilhas. Através do uso do Rcpp, os tempos de leitura/gravação são comparáveis aos pacotes xlsx e XLConnect com o benefício adicional de remover a dependência do Java.
readxlComprehensive R Archive Network (CRAN)readxl 1.4.3O pacote readxl facilita a obtenção de dados do Excel para o R. Comparado a muitos dos pacotes existentes (por exemplo, gdata, xlsx, xlsReadWrite) readxl não tem dependências externas, portanto, ' é fácil de instalar e usar em todos os sistemas operacionais. Ele foi projetado para funcionar com dados tabulares.
reshape2Comprehensive R Archive Network (CRAN)reshape2 1.4.4Reshape2 é uma reinicialização do pacote reshape. Já se passaram mais de cinco anos desde a primeira versão do reshape, e nesse tempo eu aprendi muito sobre programação em R e como trabalhar com dados em R. O Reshape2 usa esse conhecimento para criar um novo pacote para remodelar dados que é muito mais focado e muito mais rápido.
stringrComprehensive R Archive Network (CRAN)stringr 1.5.1As cadeias de caracteres não são componentes glamorosos e de alto perfil do R, mas desempenham um papel importante em muitas tarefas de limpeza e preparação de dados. O pacote stringr fornece um conjunto coeso de funções projetadas para tornar o trabalho com strings o mais fácil possível.
tidytextRede Abrangente de Arquivos R (CRAN)tidytext 0.4.2O uso de princípios de dados organizados pode tornar muitas tarefas de mineração de texto mais fáceis, eficazes e consistentes com ferramentas já amplamente utilizadas. Grande parte da infraestrutura necessária para mineração de texto com quadros de dados arrumados já existe em pacotes como dplyr, broom, tidyr e ggplot2. Neste pacote, fornecemos funções e conjuntos de dados de suporte para permitir a conversão de texto de e para formatos arrumados e alternar perfeitamente entre ferramentas arrumadas e pacotes de mineração de texto existentes. Confira nosso livro para saber mais sobre mineração de texto usando princípios de dados arrumados
tidyverseRede Abrangente de Arquivos R (CRAN)tidyverse 2.0.0O tidyverse é uma coleção opinativa de pacotes R projetados para ciência de dados. Todos os pacotes compartilham uma filosofia de design, gramática e estruturas de dados subjacentes.
VennDiagramComprehensive R Archive Network (CRAN)VennDiagram 1.7.3VennDiagram é um pacote R para gerar diagramas de Venn personalizáveis de alta resolução com até quatro conjuntos e diagramas de Euler com até três conjuntos. Inclui manuseio para vários casos especiais, incluindo dimensionamento de dois casos e ampla personalização da forma e estrutura do gráfico.
VOSviewer  Centro de Estudos de Ciência e Tecnologia, Universidade de Leiden, HolandaVOSviewer versão 1.6.19O VOSviewer é uma ferramenta de software para construção e visualização de redes bibliométricas. Essas redes podem, por exemplo, incluir periódicos, pesquisadores ou publicações individuais, e podem ser construídas com base em citações, acoplamentos bibliográficos, cocitações ou relações de coautoria. O VOSviewer também oferece funcionalidade de mineração de texto que pode ser usada para construir e visualizar redes de co-ocorrência de termos importantes extraídos de um corpo de literatura científica.

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Etiquetas

Pesquisa sobre o C ncerAn lise Bibliom tricaMicroambiente ImuneEvolu o TumoralEvolu o ClonalHeterogeneidade IntratumoralSistemas de Entrega de F rmacosAn lise de CoautoriaCoocorr ncia de Palavras chave
Tendências globais e atuais de pesquisa de sequenciamento de célula única no câncer: um estudo bibliométrico e de visualização
Entre em contato
Recomendar à biblioteca

Privacidade

Termos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.