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

Artigo de método

Exploração bibliométrica e bioinformática de pontos críticos de pesquisa e alvos-chave em comorbibilidade: doença pulmonar intersticial e hipertensão pulmonar

130 visualizações

⸱

DOI:

10.3791/71631

⸱

7 de agosto de 2026

 ,  ,  , 
1Graduate School, Beijing University of Chinese Medicine, 2Physical Examination Center, China-Japan Friendship Hospital, 3Qihuang School, Beijing University of Chinese Medicine, 4National Center for Integrative Medicine, China-Japan Friendship Hospital, 5School of Population Medicine and Public Health, Chinese Academy of Medical Sciences and Peking Union Medical College

Neste artigo

Resumo

Este protocolo utiliza doença pulmonar intersticial e hipertensão pulmonar como exemplos e integra bibliometria com bioinformática para explorar sistematicamente e preliminarmente suas tendências de pesquisa, pontos críticos, alvos-chave e vias relacionadas. Esse protocolo pode ser replicado para analisar quaisquer pares de doenças, modificando os prompts.

Resumo

Doença pulmonar intersticial (ILD) e hipertensão pulmonar (HP) frequentemente coexistem como comorbibilidades, levando a desfechos clínicos ruins e opções terapêuticas limitadas. Identificar pontos críticos importantes de pesquisa e identificar alvos de comorbidade chave é essencial para melhorar o manejo da doença e desenvolver novas estratégias terapêuticas. Este protocolo recupera publicações relevantes dos bancos de dados Web of Science Core Collection e Scopus, e utiliza o CiteSpace e o VOSviewer para mapear pontos críticos de pesquisa e tendências em evolução. Subsequentemente, alvos genéticos sobrepostos associados a ambas as doenças são identificados a partir do banco de dados GeneCards. Redes de interação proteína-proteína são construídas usando STRING para identificar genes hub, e a análise de enriquecimento de vias KEGG é realizada usando a linguagem R para elucidar vias de sinalização chave. Os resultados mostram que a bibliometria identifica a trajetória de desenvolvimento desse campo interdisciplinar sob uma perspectiva macro; a análise bioinformática revela FN1, IL6 e TNF como potenciais alvos centrais de comorbidade; e a análise de enriquecimento KEGG indica que vias imunológicas relacionadas centradas em PI3K-Akt e MAPK estão profundamente envolvidas na patogênese da comorbidade. Ao integrar as duas abordagens, esse protocolo delimita sistematicamente a trajetória de desenvolvimento e os pontos críticos de pesquisa na pesquisa de comorbidade ILD-PH, enquanto seleciona preliminarmente possíveis alvos e caminhos de comorbidade. Ele fornece direção e uma base computacional para futuras pesquisas experimentais e validação clínica. Essa estrutura integrada oferece uma metodologia reprodutível aplicável ao estudo de outras comorbidades complexas de doenças.

Introdução

Doença pulmonar intersticial (DNI) refere-se a um grupo de doenças pulmonares difusas caracterizadas patologicamente por inflamação e fibrose do interstício pulmonar. Durante a progressão da doença, frequentemente é complicada por múltiplas comorbibilidades, entre as quais a hipertensão pulmonar (HP) é uma das comorbidades mais comuns que afeta significativamente oprognóstico 1,2. Dados epidemiológicos indicam que a incidência de HP em pacientes com DI varia dependendo do subtipo e do estágio da doença, variando de 13% a 86%3,4,5. Essa condição comórbida não só reduz significativamente a qualidade de vida dos pacientes e aumenta o risco de mortalidade, como também agrava a carga socioeconômica e de saúde 6,7. Em contraste com a hipertensão arterial pulmonar, a patogênese da hipertensão pulmonar associada à doença pulmonar intersticial é mais complexa, envolvendo múltiplos processos patológicos, como vasoconstrição pulmonar hipóxica, remodelação vascular mediada por fatores pró-fibróticos e inflamatórios, e deposição da matrizextracelular 8,9,10. Atualmente, o diagnóstico clínico e as estratégias de tratamento para essa condição comórbida permanecem relativamente limitados, e medicamentos específicos são insuficientes. Seus mecanismos moleculares subjacentes, vias de sinalização chave e biomarcadores iniciais ainda precisam ser elucidadossistematicamente 11,12.

Como ferramenta objetiva para detectar pontos focais de pesquisa e trajetórias evolutivas, a bibliometria ganhou ampla aplicação nos últimosanos 13,14. A análise de bioinformática identifica alvos-chave e vias centrais integrando alvos associados à doença previamentedescobertos 15. Para pesquisas sobre comorbidade, integrar hotspots macroscópicos com informações moleculares de vias e alvos aprofunda a compreensão dos mecanismos de comorbidade e fornece previsões computacionais e orientações direcionais para estudos experimentais subsequentes. No entanto, a pesquisa sobre a comorbidade da doença pulmonar intersticial e da hipertensão pulmonar ainda carece de uma análise integrada sistemática que combine mapeamento macroscópico de conhecimento com redes moleculares microscópicas. Assim, este estudo utilizou os bancos de dados Web of Science Core Collection (WoSCC) e Scopus para delinear de forma abrangente a trajetória de desenvolvimento e os pontos críticos de pesquisa em comorbidade ILD-PH por meio de métodos bibliométricos. Ao mesmo tempo, ferramentas de bioinformática foram empregadas para identificar genes centrais e possíveis vias moleculares associadas à comorbidade, fornecendo uma base molecular candidata e direção de desenho experimental para pesquisas experimentais subsequentes e exploração direcionada.

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

Protocolo

O estudo utilizou bancos de dados secundários públicos disponíveis, incluindo GeneCards, STRING e KEGG. De acordo com o Artigo 32 do Regulamento sobre Recursos Genéticos Humanos da China, esses bancos de dados não envolvem a coleta direta de recursos genéticos humanos dentro da China; portanto, não foi necessária aprovação ética nem consentimento informado para este estudo. Informações detalhadas sobre as versões dos softwares e plataformas utilizadas nesta seção são fornecidas na Tabela de Materiais.

1. Coleção e organização de literatura

  1. Acesse o banco de dados MeSH (Tabela de Materiais).
  2. Procure os termos da doença "Doença Pulmonar Intersticial" e "Hipertensão Pulmonar" separadamente para recuperar seus subtítulos associados.
  3. Desenvolva uma estratégia de busca abrangente baseada nos termos e subtítulos MeSH identificados.
  4. Em 9 de março de 2026, abra o banco de dados WoSCC (Tabela de Materiais).
  5. Selecione Busca Avançada. Insira a estratégia de busca: TS=("Doença Pulmonar Parênquimata Difusa" OU "Doença Pulmonar Parênquimata Difusa" OU "Doença Pulmonar Intersticial" OU "Doenças Pulmonares Intersticiais") E TS=("Hipertensão Pulmonar"). Defina o intervalo de data de publicação de 1º de janeiro de 2016 a 31 de dezembro de 2025 e clique em Buscar.
  6. Selecione Artigos e Artigos de Revisão como tipos de documento e escolha o inglês como idioma. Selecione Registro Completo e Referências Citadas como conteúdo do registro. Exporte os registros em formato txt e salve como wos.txt, depois converta para o formato csv e salve como wos.csv.
  7. Em 9 de março de 2026, abra o banco de dados Scopus (Tabela de Materiais).
  8. Defina o campo de busca para "Título"/ "Abstrato" / "Palavras-chave". Insira a estratégia de busca: TÍTULO-ABS-CHAVE ("Doença Pulmonar Parênquimata Difusa" OU "Doenças Pulmonares Parênquimatas Difusas" OU "Doença Pulmonar Intersticial" OU "Doenças Pulmonares Intersticiais") E CHAVE-TÍTULO-ABS("Hipertensão Pulmonar"). Selecione o intervalo de anos de 1º de janeiro de 2016 a 31 de dezembro de 2025, escolha Medicina como área de estudo e clique em Buscar (Tabela Suplementar 1).
  9. Clique em Exportar, selecione formato CSV, exporte todos os registros recuperados e salve como scopus.csv.
  10. Abra wos.csv, copie a coluna DOI e cole no scopus.csv. Realize a comparação de dados, use a função Remover Duplicatas no Excel para marcar registros duplicados, exclua as duplicadas e obtenha scopus1.csv. Para os poucos registros que não possuem DOI, verificamos manualmente usando uma combinação de "título + autor + ano" para garantir a inclusão completa da literatura necessária para este estudo.
  11. Crie novas pastas chamadas de diretório de entrada e diretório de saída. Coloque scopus1.csv obtido após a deduplicação no diretório de entrada. Abra o CiteSpace, clique em Dados, selecione Scopus, especifique as pastas correspondentes e clique no botão Scopus (csv) > WoS para converter o formato de dados Scopus, unificando o formato dos dois bancos de dados em formato txt. Nomeie o arquivo resultante scopus1.txt.
  12. Junte os dados dos dois bancos de dados. Coloque scopus1.txt e wos.txt no CiteSpace para deduplicação e mescagem a fim de obter dados de literatura formatados uniformemente e deduplicados: dataset.txt, para análise subsequente (Tabela Suplementar 2).
  13. Verifique os arquivos wos.txt e scopus.csv obtidos para garantir que o processo de deduplicação use DOI como critério de correspondência e que o arquivo dataset.txt foi gerado com sucesso.

2. Análise anual de tendência de produção de publicações

  1. No Microsoft Excel, conte o número de publicações por ano para gerar duas colunas de dados (Ano, Publicações).
  2. Selecione o conjunto de dados, acesse Inserir > Gráfico > Quadro de Colunas para gerar um gráfico de colunas com a produção anual de publicações.
  3. Designe o eixo horizontal como Ano e o eixo vertical como Publicações.
  4. Permita que os rótulos de dados mostrem o número específico de publicações para cada ano.
  5. Exporte todas as figuras em Formato de Arquivo de Imagem Marcado (TIFF), garantindo uma resolução de pelo menos 300 dpi.

3. Produção de publicações nacionais/regionais e análise de colaboração internacional

  1. Inicie o visualizador do VOS, selecione Criar > Criar um mapa baseado em dados bibliográficos > Leia dados de arquivos de banco de dados bibliográficos 16.
  2. Importe o conjunto de dados em texto simples gerado na etapa 1.12.
  3. Selecione Coautoria como tipo de análise e Países como unidade de análise.
  4. Definir o número mínimo de documentos para um país em 40, mantendo os 20 principais países por produção de publicação. Garantir que a rede de colaboração foque em países de alta produção, mantendo a clareza e legibilidade do mapa, facilitando para os leitores compreenderem intuitivamente as forças internacionais centrais de pesquisa e os padrões de colaboração.
  5. Na interface Verificar itens selecionados , selecione todos os países, copie a lista para o Excel e exporte o número de publicações e a contagem de citações para cada país.
  6. Na tabela Excel resultante, selecione os 10 principais países por produção de publicações e gere um gráfico mostrando suas publicações e contagem de citações.
  7. Selecione o botão "Finalizar" para construir a rede nacional de colaboração e salvar a rede no formato GML.
  8. Abra o Scimago Graphica e importe o arquivo GML.
  9. Mapee o campo de rótulos para País e defina o tipo de campo do cluster para String.
  10. Na configuração de visualização, coloque o campo de saída da publicação (normalmente peso ou nome similar) na caixa Tamanho, defina o campo cluster como a caixa Cor e mapeie o campo de etiqueta para as caixas Rótulo, Dica de Ferramenta e Unidade.
  11. Vá para Marcos > Mapa. Use Edge para ajuste de curvatura de linha e Edge Color para configuração de cor de nós.
  12. Exporte o mapa final em formato PNG.
  13. Importe o conjunto de dados em texto simples gerado na etapa 1.12 para a Plataforma de Análise Online Bibliométrica (https://bibliometric.com), clique em Carregar dados de citação e selecione Relações por países para gerar um diagrama de acordes de colaboração nacional para visualização.
  14. Um ponto de verificação chave é ajustar o número mínimo de documentos de forma adequada, para que a rede resultante seja bem equilibrada e visualmente clara, ao mesmo tempo em que reflita os objetivos da pesquisa.

4. Produção de publicações de periódicos e análise de citações

  1. Importe o mesmo conjunto de dados para o VOSviewer, selecione Citação como tipo de análise e selecione Fontes como unidade de análise.
  2. Defina o número mínimo de documentos para uma fonte em 5 e o número mínimo de citações para 20.
  3. Na interface Verificar itens selecionados , copie a lista de periódicos para o Excel para obter o número de publicações e o total de citações de cada periódico.
  4. Escolha Terminar, e o mapa da rede de co-citação do periódico será gerado. Ajuste os parâmetros de Atração e Repulsão para melhorar o layout, refine a aparência usando o painel de Visualização e salve o mapa como um TIFF com resolução de pelo menos 300 dpi.
  5. No Excel, ordene os periódicos pelo número de publicações, selecione os 10 melhores periódicos por produção de publicações. Em 9 de março de 2026, acesse a plataforma oficial do JCR (Table of Materials), pesquise por cada periódico, respectivamente, e registre seu Fator de Impacto e quartil do JCR mais recentes. Gere um gráfico mostrando os 10 principais periódicos por produção de publicações.
  6. No Excel, ordene os periódicos pelo total de citações, selecione os 10 melhores periódicos pela frequência de citações. Em 9 de março de 2026, recupere e registre seu mais recente Fator de Impacto e quartil JCR da plataforma oficial do JCR. Gere um gráfico mostrando os 10 principais periódicos por frequência de citações.

5. Análise de rede de colaboração com autores de alta produtividade

  1. Importe o conjunto de dados para o VOSviewer, selecione Coautoria como tipo de análise e selecione Autores como unidade de análise.
  2. Defina o número mínimo de documentos para um autor em 3 para filtrar autores com um certo nível de atividade.
  3. Na interface Verificar itens selecionados , copie a lista de autores e salve as contagens de publicações e citações dos autores em um arquivo Excel.
  4. Escolha Finalizar para produzir a rede de colaboração com autores, ajuste o layout e a aparência da rede, e salve como formato TIFF.
  5. No Excel, ordene os autores de acordo com o número de publicações, escolha os 10 pesquisadores mais produtivos e crie um quadro de donuts para mostrar a contagem de publicações.
  6. A partir do conjunto de dados original, recupere os 10 principais autores por contagem de citações, identifique seus respectivos países, atribua cores distintas com base no país e gere um gráfico mostrando os 10 principais autores por frequência de citações.

6. Coocorrência de palavras-chave e análise de evolução temática

  1. Inicie o CiteSpace e navegue até Dados > Importar/Exportar.
  2. Coloque o arquivo txt exportado no passo 1.12 na pasta de entrada. Na interface de Importação/Exportação , defina os caminhos de entrada e saída, selecione Artigo e Revisão como os tipos de documento e clique em Iniciar para realizar a conversão de formato de dados.
  3. Após a conversão, copie os arquivos da pasta de saída para a pasta de dados. Na interface principal do CiteSpace, clique em Novo, defina o diretório do projeto e o diretório de dados, selecione WoS como fonte de dados e escolha Inglês como idioma.
  4. Vá ao painel de fatiamento temporal à direita, defina o intervalo para 2016–2025, adote uma janela de 1 ano e escolha Palavra-chave como tipo de nó.
  5. Aplique o índice g (k=10) para escalonamento de rede e selecione as três estratégias de poda: Pathfinder, Poda de redes fatiadas e Poda da rede mesclada.
  6. Clique em Iniciar para executar a análise. Após a conclusão, use a função One-Click Clustering Label Optimization para criar o mapa de coocorrência de palavras-chave.
  7. Defina a exibição dos rótulos dos nós e clusters a partir do painel de controle e otimize elementos visuais como o tamanho do nó.
  8. Selecione Layout > Timeline para gerar a visão da linha do tempo por palavra-chave.
  9. No painel de controle, selecione Burstness, clique em Atualizar e Visualizar sequencialmente, defina o número das 25 principais palavras-chave a serem exibidas e gere o gráfico das 25 principais palavras-chave por força de rajada. Exporte as imagens geradas em formato TIFF para armazenamento.

7. Análise de co-citação de referências

  1. Carregue o mesmo conjunto de dados no CiteSpace. Defina o intervalo de tempo e as estratégias de poda conforme descrito nos passos 6.4–6.5, e selecione Cited Reference como o tipo de nó.
  2. Após executar a análise, utilize a função One-Click Clustering Label Optimization para gerar o mapa de coocorrência de referência.
  3. Ajuste os rótulos dos nós e clusters, e selecione Clusters para gerar o mapa de clustering de referência.
  4. No painel Burstness , configure a tela para mostrar as 20 referências mais citadas por frequência de citação e gere o gráfico das 20 principais referências co-citadas por força de rajada.
  5. Exporte todas as imagens no formato TIFF para armazenamento.

8. Análise de redes PPI

  1. Acesse o banco de dados GeneCards (https://www.genecards.org)17em 12 de março de 2026 e pesquise usando "Doença Pulmonar Intersticial" e "Hipertensão Pulmonar" como palavras-chave, respectivamente. Os termos da doença usados na busca são consistentes com os da coleta da literatura, e nenhuma variante adicional de termo foi expandida.
  2. Exporte a lista de alvos com pontuação de relevância ≥ 1 para cada busca. O método de extração envolvia ordenar por Pontuação de Relevância e exportar todos os alvos com uma pontuação ≥ 1. O limiar de ≥ 1 foi escolhido porque captura a grande maioria dos genes associados apoiados pela literatura, minimizando falsos positivos.
  3. Use R para obter a interseção dos dois conjuntos de alvos, resultando nos alvos relacionados à comorbidade ILD-PH.
  4. Acesse o módulo Múltiplas Proteínas do banco de dados STRING (https://cn.string-db.org/)18, insira a lista de alvos de comorbidade na caixa de busca e selecione Homo sapiens como espécie.
  5. Clique em Continuar, depois no painel de Configurações , defina a pontuação mínima de interação necessária para Alta confiança (0,700) e ative ocultar nós desconectados na rede19.
  6. Após atualizar a rede, baixe os dados de interação como um arquivo TSV no menu Exportar .
  7. Inicie o Cytoscape e carregue o arquivo TSV pelo File > Import > Network a partir do Sistema de Arquivos.
  8. Em Ferramentas > NetworkAnalyzer > Análise de Rede > Interpretação de Rede, selecione Tratar a rede como não direcionada e calcule parâmetros topológicos, incluindo o grau do nó.
  9. Configure a forma, cor, tamanho e outras configurações de aparência dos nós no painel de Estilo e ajuste manualmente as posições dos nós para obter um layout claro.
  10. Salve a imagem de rede PPI via Arquivo > Exportar > Imagem de Rede para Arquivo e exportar os resultados da análise de rede via Arquivo > Exportar > Tabela para Arquivo.
  11. Abra a tabela exportada no Excel, ordene pela coluna de grau decrescente, escolha os 20 principais alvos de chave junto com seus valores de grau, crie um gráfico de barras com etiquetas de dados e exporte no formato TIFF.

9. Análise de enriquecimento da via KEGG

  1. Inicie R e insira os comandos para instalar e carregar os pacotes necessários (Tabela Suplementar 3):
    install.packages ("BiocManager")
    BiocManager::install(c("clusterProfiler", "org. Hs.eg.db"))
    library(clusterProfiler)
    library(org. Hs.eg.db)
  2. Converta os símbolos gênicos dos alvos de comorbidade ILD-PH em IDs Entrez usando a função bitr(). Em R, insira:
    coma_entrez <- bitr(coma_genes, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org. Hs.eg.db)
  3. Realize análise de enriquecimento usando a função enrichKEGG() com os seguintes parâmetros: organismo = "tem", pvalueCutoff = 0,05, qvalueCutoff = 0,05. O método Benjamini-Hochberg (BH) foi usado para correção de múltiplos testes. Insira o seguinte código:
    kegg_result <- enrichKEGG(gene = coma_entrez$ENTREZID,
    organismo = "tem",
    pvalueCutoff = 0,05,
    qvalueCutoff = 0,05,
    use_internal_data = FALSO)
    NOTA: valor-p: o valor-p original, representando a probabilidade de observar o nível dado de enriquecimento; valor q: a FDR (Taxa de Falsas Descobertas) após a correção de Benjamini-Hochberg, controlando a taxa de falsos positivos. Neste estudo, q < 0,05 foi usado como critério para enriquecimento significativo.
  4. Filtre os resultados usando as palavras-chave "Doenças Humanas" e "Metabolismo" para remover vias associadas a doenças humanas e metabolismo, mantendo vias associadas a processos biológicos. Doenças Humanas e vias do Metabolismo descrevem principalmente os mecanismos gerais das doenças e redes metabólicas, que estão fracamente associados à fibrose, inflamação e mecanismos de remodelação vascular da comorbidade ILD-PH. Portanto, foram excluídos para focar os resultados em vias de sinalização-chave. Entra em cena:
    kegg_result_df <- as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[!grepl("Doenças Humanas|Metabolismo", kegg_result_df$Descrição), ]
  5. Ordene as vias em ordem decrescente por número de genes, selecione as 10 melhores vias, gere um dot plot usando a função dotplot() e exporte o gráfico em formato PNG. Entra em cena:
    top10_pathways <- cabeça(kegg_filtered[ordem(kegg_filtered$Contagem, decrescente = VERDADEIRO), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave("KEGG_dotplot.png", dotplot_result, largura = 8, altura = 6, dpi = 300)
  6. Extraia as 10 vias principais e seus genes-alvo associados, construa uma tabela de duas colunas (nome da viagem, gene-alvo) e salve a tabela como um arquivo TXT delimitado por tabulação.
  7. Importe o arquivo para o Cytoscape, configure as diferenças de forma e cor entre os nós do caminho e os nós alvo via o painel de Estilo , refine manualmente o layout e exporte a imagem de rede do caminhodestino 20.

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

Resultados

Recuperação e triagem de dados

No total, 2.400 registros foram coletados do banco de dados Scopus, enquanto 696 foram identificados no banco de dados WoSCC. Após a fusão dos dois conjuntos de dados e a remoção de 533 registros duplicados, um total de 2.563 publicações únicas foi finalmente incluído para análise bibliométrica subsequente (Figura 1).

Tendências anuais de produção ...

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

Discussão

Este estudo representa a primeira aplicação integrada de bibliometria e bioinformática para explorar a comorbidade de ILD e HP. Ele revisa sistematicamente a trajetória de desenvolvimento, a estrutura do conhecimento e as tendências de ponta nessa área na última década, e identifica os genes centrais e as principais vias de sinalização subjacentes a esse estado comórbido no nível molecular. Do ponto de vista da tendência macro, o número anual de publicações nessa área aumentou de 142 em ...

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

Divulgações

Os autores não relatam conflitos de interesse nesta obra.

Agradecimentos

Os autores agradecem com gratidão o apoio financeiro do Projeto Major de Doenças Crônicas Não Transmissíveis - Ciência e Tecnologia Nacional (2024ZD0522300, 2024ZD0522301) e do Fundo do Instituto Central de Pesquisa sem fins lucrativos da Academia Chinesa de Ciências Médicas (01-ZHCH330-2022).

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

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Bibliometric Online Analysis PlatformK-Synth Srl (Bibliometric)https://bibliometric.comPlataforma de análise online; módulo: Relações entre países; gera diagrama de acordes de colaboração entre países; acessado em 10 de março de 2026
CiteSpaceDrexel University6.4.R1Análise bibliométrica; fatiamento de tempo: 2016–2025; tipos de nó: palavras-chave, referências; poda: Pathfinder + Poda de redes fatiadas
clusterProfiler (pacote R)Guangchuang Yu et al.4.13.2Análise de enriquecimento KEGG; limiares: p < 0,05, q < 0,2
CytoscapeConsórcio Cytoscape3.10.3Visualização e análise de rede; plugin: CytoHubba; algoritmo: centralidade de grau; usado para identificação de genes hub
GeneCardsWeizmann Institute of Sciencehttps://www.genecards.orgBanco de dados de informações sobre genes; versão do banco de dados 5.22; acessado em 12 de março de 2026; critério de filtragem: Pontuação de relevância ≥ 1
Journal Citation Reports (JCR)Clarivate Analyticshttps://jcr.clarivate.comFator de impacto e recuperação de quartil de periódicos; acessado em 9 de março de 2026
KEGGKyoto Encyclopedia of Genes and Genomeshttps://www.kegg.jpBanco de dados de vias; acessado via API clusterProfiler em 13 de março de 2026; espécie: hsa
MeSH DatabaseNational Library of Medicine (NLM)https://meshb.nlm.nih.govBanco de dados de consulta de termos MeSH; acessado em 9 de março de 2026; usado para construir estratégia de busca
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)Estatística de dados e geração de gráficos; usado para contagem de publicações, desduplicação, plotagem de gráficos
org.Hs.eg.db (pacote R)Bioconductor Core Team3.20.0Banco de dados de anotação do genoma humano; usado para conversão de ID de genes
RR Core Team4.4.2Ambiente de computação estatística e plotagem; data de execução: 13 de março de 2026
Scimago GraphicaScimago Lab2Ferramenta de visualização; layout: projeção de mapa; curvatura de aresta: 0,5; mapeamento de cores: por cluster
ScopusElsevierhttps://www.scopus.comBanco de dados de recuperação de literatura; Elsevier Scopus 2026 edição completa; data de recuperação: 9 de março de 2026
STRINGEMBL12.0 / https://cn.string-db.orgBanco de dados de interação proteína-proteína; acessado em 12 de março de 2026; limite de pontuação de interação: 0,7 (alta confiança); tipo de rede: física + funcional
VOSviewerLeiden University1.6.20Análise bibliométrica; coautoria como tipo de análise; método de normalização: força de associação
Web of Science Core CollectionClarivate Analyticshttps://www.webofscience.comBanco de dados de recuperação de literatura; abrange subbancos de dados SCIE e SSCI; data de recuperação: 9 de março de 2026

Referências

  1. Wijsenbeek M, Suzuki A, Maher TM. Interstitial lung diseases. Lancet. 2022;400(10354):769-786.
  2. Maher TM. Interstitial Lung Disease: A Review. JAMA. 2024;331(19):1655-1665.
  3. King CS, Shlobin OA. The Trouble With Group 3 Pulmonary Hypertension in Interstitial Lung Disease: Dilemmas in Diagnosis and the Conundrum of Treatment. Chest. 2020;158(4):1651-1664.
  4. Waxman A, et al. Inhaled Treprostinil in Pulmonary Hypertension Due to Interstitial Lung Disease. N Engl J Med. 2021;384(4):325-334.
  5. Rutland C, et al. Pulmonary Hypertension Associated with Interstitial Lung Disease: Screening and Epidemiology. ATS Sch. 2025;6(4):521-522.
  6. Ang HL, et al. Pulmonary Hypertension in Interstitial Lung Disease: A Systematic Review and Meta-Analysis. Chest. 2024;166(4):778-792.
  7. Nathan SD, et al. Pulmonary hypertension in chronic lung disease and hypoxia. Eur Respir J. 2019;53(1):1801914.
  8. King CS, Nathan SD. Pulmonary hypertension due to interstitial lung disease. Curr Opin Pulm Med. 2019;25(5):459-467.
  9. Shlobin OA, et al. Pulmonary hypertension associated with lung diseases. Eur Respir J. 2024;64(4):2401200.
  10. Olsson KM, et al. Pulmonary hypertension associated with lung disease: new insights into pathomechanisms, diagnosis, and management. Lancet Respir Med. 2023;11(9):820-835.
  11. van den Bosch L, Luppi F, Ferrara G, Mura M. Immunomodulatory treatment of interstitial lung disease. Ther Adv Respir Dis. 2022;16:17534666221117002.
  12. Kattih Z, Kim HC, Aryal S, Nathan SD. Review of the Diagnosis and Management of Pulmonary Hypertension Associated with Interstitial Lung Disease (ILD-PH). J Clin Med. 2025;14(6):2029.
  13. Wang Y, et al. Research Trends and Hotspots in JAK Inhibitors for Ulcerative Colitis: A Bibliometric Analysis From 2015 to 2024. J Multidiscip Healthc. 2025;18:6755-6771.
  14. Zhao Y, Chen GY, Fang M. Research Trends of Rheumatoid Arthritis and Depression from 2019 to 2023: A Bibliometric Analysis. J Multidiscip Healthc. 2024;17:4465-4474.
  15. Chen GY, et al. Mechanisms of Total Glucosides of Paeony in Alleviating Methotrexate-Induced Liver Injury. Drug Des Devel Ther. 2025;19:3407-3423.
  16. Arruda H, et al. VOSviewer and Bibliometrix. J Med Libr Assoc. 2022;110(3):392-395.
  17. Stelzer G, et al. The GeneCards Suite: From Gene Data Mining to Disease Genome Sequence Analyses. Curr Protoc Bioinformatics. 2016;54:1.30.1-1.30.33.
  18. Szklarczyk D, et al. The STRING database in 2023: protein-protein association networks and functional enrichment analyses for any sequenced genome of interest. Nucleic Acids Res. 2023;51(D1):D638-D646.
  19. Szklarczyk D, et al. The STRING database in 2025: protein networks with directionality of regulation. Nucleic Acids Res. 2025;53(D1):D730-D737.
  20. Kanehisa M, Goto S. KEGG: kyoto encyclopedia of genes and genomes. Nucleic Acids Res. 2000;28(1):27-30.
  21. Denton CP, Khanna D. Systemic sclerosis. Lancet. 2017;390(10103):1685-1699.
  22. Simonneau G, et al. Haemodynamic definitions and updated clinical classification of pulmonary hypertension. Eur Respir J. 2019;53(1):1801913.
  23. Tashkin DP, et al. Scleroderma Lung Study II Investigators. Mycophenolate mofetil versus oral cyclophosphamide in scleroderma-related interstitial lung disease (SLS II): a randomized controlled, double-blind, parallel group trial. Lancet Respir Med. 2016;4(9):708-719.
  24. Kuwana M, et al. Initial combination therapy of ambrisentan and tadalafil in connective tissue disease-associated pulmonary arterial hypertension (CTD-PAH) in the modified intention-to-treat population of the AMBITION study: post hoc analysis. Ann Rheum Dis. 2020;79(5):626-634.
  25. Travis WD, et al. An official American Thoracic Society/European Respiratory Society statement: Update of the international multidisciplinary classification of the idiopathic interstitial pneumonias. Am J Respir Crit Care Med. 2013;188(6):733-748.
  26. Visovatti SH, et al. Borderline pulmonary arterial pressure in systemic sclerosis patients: a post-hoc analysis of the DETECT study. Arthritis Res Ther. 2014;16(6):493.
  27. Subias PE; SEC Working Group for ESC/ERS 2015 Guidelines for Diagnosis and Treatment of Pulmonary Hypertension; Expert Reviewers for ESC/ERS 2015 Guidelines for Diagnosis and Treatment of Pulmonary Hypertension; SEC Guidelines Committee. Comments on the 2015 ESC/ERS Guidelines for the Diagnosis and Treatment of Pulmonary Hypertension. Rev Esp Cardiol (Engl Ed). 2016;69(2):102-8.
  28. Raghu G, et al. Idiopathic Pulmonary Fibrosis (an Update) and Progressive Pulmonary Fibrosis in Adults: An Official ATS/ERS/JRS/ALAT Clinical Practice Guideline. Am J Respir Crit Care Med. 2022;205(9):e18-e47.
  29. Valenzuela C, Waterer G, Raghu G. Interstitial lung disease before and after COVID-19: a double threat? Eur Respir J. 2021;58(6):2101956.
  30. DeDent AM, Farrand E. Vaccine-induced interstitial lung disease: a rare reaction to COVID-19 vaccination. Thorax. 2022;77(1):9-10.
  31. Wells AU, Devaraj A, Desai SR. Interstitial Lung Disease after COVID-19 Infection: A Catalog of Uncertainties. Radiology. 2021;299(1):E216-E218.
  32. Hyldgaard C, et al. Immunomodulatory treatment in unclassifiable interstitial lung disease: A retrospective study of treatment response. Respirology. 2023;28(4):373-379.
  33. Ma H, et al. Editorial: Regulatory immune cells in organ transplantation. Front Immunol. 2024;15:1383563.
  34. Carbone RG, et al. Future perspectives in interstitial lung disease: state of the art. Eur Rev Med Pharmacol Sci. 2025;29(3):123-134.
  35. Nishio J, et al. Fibronectin 1 (FN1)-rearranged Mesenchymal Neoplasms: An Updated Review. Cancer Genomics Proteomics. 2026;23(2):156-168.
  36. Wang C, et al. Discovery of an EGFR tyrosine kinase inhibitor from Ilex latifolia in breast cancer therapy. Bioorg Med Chem Lett. 2019;29:1282-1290.
  37. Zeng Y, et al. Fisetin micelles precisely exhibit a radiosensitization effect by inhibiting PDGFRβ/STAT1/STAT3/Bcl-2 signaling pathway in the tumor. Chin Chem Lett. 2025;36:109734.
  38. Behr J, et al. The Role of Inflammation and Fibrosis in Interstitial Lung Disease Treatment Decisions. Am J Respir Crit Care Med. 2024;210(4):392-400.
  39. Montero P, Milara J, Roger I, Cortijo J. Role of JAK/STAT in Interstitial Lung Diseases; Molecular and Cellular Mechanisms. Int J Mol Sci. 2021;22(12):6211.
  40. Stancil IT, et al. Interleukin-6-dependent epithelial fluidization initiates fibrotic lung remodeling. Sci Transl Med. 2022;14(654):eabo5254.
  41. Rastrick J, Birrell M. The role of the inflammasome in fibrotic respiratory diseases. Minerva Med. 2014;105(1):9-23.
  42. Liu Y, et al. Nerandomilast Improves Bleomycin-Induced Systemic Sclerosis-Associated Interstitial Lung Disease in Mice by Regulating the TGF-β1 Pathway. Inflammation. 2025;48(4):1760-1774.
  43. Wollin L, et al. Mode of action of nintedanib in the treatment of idiopathic pulmonary fibrosis. Eur Respir J. 2015;45(5):1434-45.
  44. Sitbon O, et al. Drugs targeting novel pathways in pulmonary arterial hypertension. Eur Respir J. 2025;66(2):2401830.
  45. Luo Y, et al. CD146-HIF-1α hypoxic reprogramming drives vascular remodeling and pulmonary arterial hypertension. Nat Commun. 2019;10(1):3551.
  46. Lei W, et al. Expression and analyses of the HIF-1 pathway in the lungs of humans with pulmonary arterial hypertension. Mol Med Rep. 2016;14(5):4383-4390.
  47. Wang J, et al. Targeting PI3K/AKT signaling for treatment of idiopathic pulmonary fibrosis. Acta Pharm Sin B. 2022;12(1):18-32.
  48. Bhatt J, Ghigo A, Hirsch E. PI3K/Akt in IPF: untangling fibrosis and charting therapies. Front Immunol. 2025;16:1549277.
  49. Zhu M, et al. Fibroblast Activation Protein Promotes Pulmonary Artery Hypertension via Activation of the PTEN/PI3K/Akt Pathway. J Cardiovasc Pharmacol. 2025;86(4):391-407.

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

Reimpressões e permissões

Etiquetas

BiologiaEdição 234Edição 234
Fale conosco
Recomendar à biblioteca

Privacidade

Termos de Uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.