Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Библиометрия и биоинформатика. Исследование горячих точек исследований и ключевых целей при сопутствующих заболеваниях: интерстициальные заболевания лёгких и легочная гипертензия

130 просмотров

⸱

DOI:

10.3791/71631

⸱

7 августа 2026 г.

 ,  ,  , 
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

В этой статье

Краткое содержание

Этот протокол использует интерстициальные заболевания лёгких и легочную гипертензию в качестве примеров и интегрирует библиометрию с биоинформатикой для систематического и предварительного изучения их исследовательских тенденций, горячих точек, ключевых целей и связанных путей. Этот протокол можно было воспроизвести для анализа любых пар заболеваний путём изменения подсказок.

Аннотация

Интерстициальная болезнь лёгких (ILD) и легочная гипертензия (PH) часто сосуществуют как сопутствующие заболевания, что приводит к плохим клиническим результатам и ограниченным терапевтическим возможностям. Выявление важных точек исследований и выявление ключевых целей сопутствующих заболеваний крайне важно для улучшения управления заболеваниями и разработки новых терапевтических стратегий. Этот протокол извлекает релевантные публикации из баз данных Web of Science Core Collection и Scopus, а также использует CiteSpace и VOSviewer для картирования горячих точек исследований и меняющихся тенденций. Впоследствии из базы данных GeneCards выявляются перекрывающиеся генетические цели, связанные с обоими заболеваниями. Сети взаимодействия белок-белок строятся с помощью STRING для идентификации генов-хабов, а анализ обогащения путей KEGG проводится с помощью языка R для выяснения ключевых сигнальных путей. Результаты показывают, что библиометрия определяет траекторию развития этой междисциплинарной области с макроточки зрения; биоинформатический анализ выявляет FN1, IL6 и TNF как потенциальные основные цели для сопутствующих заболеваний; а анализ обогащения KEGG показывает, что иммунно-связанные пути, сосредоточенные на PI3K-Akt и MAPK, глубоко вовлечены в патогенез сопутствующего заболевания. Интегрируя оба подхода, этот протокол систематически определяет траекторию развития и горячие точки исследований в исследованиях сопутствующих заболеваний ILD-PH, одновременно предварительно отбирая потенциальные цели и пути сопутствующих заболеваний. Она обеспечивает направление и вычислительную базу для будущих экспериментальных исследований и клинической валидации. Эта интегрированная структура предлагает воспроизводимую методологию, применимую для изучения других сложных сопутствующих заболеваний.

Введение

Интерстициальное заболевание легких (ILD) относится к группе диффузных заболеваний лёгких, патологически характеризующихся воспалениями и фиброзом легочного интерстиция. В ходе прогрессирования заболевания он часто осложняется множественными сопутствующими заболеваниями, среди которых легочная гипертензия (PH) является одной из распространённых сопутствующих инфекций, существенно влияющих на прогноз 1,2. Эпидемиологические данные показывают, что заболеваемость РГ у пациентов с ББ варьируется в зависимости от подтипа и стадии заболевания, варьируясь от 13% до 86%3,4,5. Это сопутствующее состояние не только значительно снижает качество жизни пациентов и увеличивает риск смертности, но и усугубляет социально-экономическую и медицинскуюнагрузку 6,7. В отличие от легочной артериальной гипертензии, патогенез легочной гипертензии, связанной с интерстициальными заболеваниями лёгких, более сложный и включает множество патологических процессов, таких как гипоксическая лёгочная вазоконстрикция, профиброзная и воспалительный фактор сосудистая ремоделирование, а также отложение внеклеточногоматрикса 8,9,10. В настоящее время клиническая диагностика и стратегии лечения этого сопутствующего состояния остаются относительно ограниченными, а специфические таргетные препараты отсутствуют. Её молекулярные механизмы, ключевые сигнальные пути и ранние биомаркеры всё ещё требуют систематическогоразъяснения 11,12.

В качестве объективного инструмента для выявления ключевых точек исследований и эволюционных траекторий библиометрия получила широкое применение впоследние годы 13,14. Биоинформатический анализ выявляет ключевые цели и основные пути пути интеграции ранее обнаруженных мишеней, связанных сболезнью 15. Для исследований сопутствующих заболеваний интеграция макроскопических горячих точек с информацией о молекулярных путях и целях углубляет понимание механизмов сопутствующих заболеваний и обеспечивает вычислительные прогнозы и направление для последующих экспериментальных исследований. Однако исследования сопутствующих заболеваний интерстициального заболевания лёгких и легочной гипертензии по-прежнему не имеют систематического интегрированного анализа, который бы сочетал макроскопическое картирование знаний с микроскопическими молекулярными сетями. Соответственно, это исследование использовало базы данных Web of Science Core Collection (WoSCC) и Scopus для всестороннего описания траектории развития и горячих точек исследований сопутствующих заболеваний ILD-PH с помощью библиометрических методов. В то же время биоинформатические инструменты использовались для выявления основных генов и потенциальных молекулярных путей, связанных с сопутствующей заболеванием, что предоставило кандидатурную молекулярную основу и направление экспериментального проектирования для последующих экспериментальных исследований и целенаправленных исследований.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

В исследовании использовались общедоступные вторичные базы данных, включая GeneCards, STRING и KEGG. Согласно статье 32 Положения о человеческих генетических ресурсах Китая, эти базы данных не связаны с прямым сбором человеческих генетических ресурсов внутри Китая; Поэтому для этого исследования не требовалось ни этическое одобрение, ни информированное согласие. Подробная информация о версиях программного обеспечения и платформ, используемых в этом разделе, приведена в Таблице материалов.

1. Сбор и организация литературы

  1. Получите доступ к базе данных MeSH (таблица материалов).
  2. Ищите термины «Интерстициальное заболевание легких» и «Легочная гипертензия» отдельно, чтобы найти их связанные подзаголовки.
  3. Разработать комплексную стратегию поиска на основе выявленных терминов и подзаголовков MeSH.
  4. 9 марта 2026 года откройте базу данных WoSCC (Таблица материалов).
  5. Выберите расширенный поиск. Вводите стратегию поиска: TS=("Диффузное паронхимальное заболевание легких" ИЛИ "Диффузные паренхимальные заболевания легких" ИЛИ "Интерстициальные заболевания легких" ИЛИ "Интерстициальные заболевания легких") И TS=("Легочная гипертензия"). Определите диапазон даты публикации с 1 января 2016 года по 31 декабря 2025 года и нажмите «Поиск».
  6. Выберите статьи и обзорные статьи в качестве типов документов, а английский язык — язык. Выберите Полный материал и Цитируемые ссылки в качестве содержания записи. Экспортируйте записи в формате txt и сохраняйте как wos.txt, затем конвертируйте в формат csv и сохраняйте как wos.csv.
  7. 9 марта 2026 года откройте базу данных Scopus (Таблица материалов).
  8. Установить поле поиска на "Title"/ "Abstract" / "Keywords". Входите в стратегию поиска: TITLE-ABS-KEY (("Диффузная паренхимальная болезнь легких" ИЛИ "Диффузные паренхимальные заболевания" ИЛИ "Интерстициальные заболевания лёгких" ИЛИ "Интерстициальные заболевания легких")) и TITLE-ABS-KEY ("Легочная гипертензия"). Выберите годовой диапазон с 1 января 2016 года по 31 декабря 2025 года, выберите Медицина в качестве предметной области и нажмите Поиск (Дополнительная таблица 1).
  9. Нажмите «Экспорт», выберите формат CSV, экспортируйте все полученные записи и сохраните как scopus.csv.
  10. Откройте wos.csv, скопируйте столбец DOI и вставьте его в scopus.csv. Проведите сравнение данных, используйте функцию Delete Duplicates в Excel для маркировки дубликатов записей, удалите дубликаты и получите scopus1.csv. Для очень немногих записей без DOI мы вручную проверяли с помощью комбинации «заголовок + автор + год», чтобы обеспечить полное включение необходимой литературы для этого исследования.
  11. Создайте новые папки с названиями Input Directory и Output Directory. Поместите scopus1.csv, полученные после дедупликации, в каталог ввода. Откройте CiteSpace, нажмите Data, выберите Scopus, укажите соответствующие папки и нажмите кнопку Scopus (csv) > WoS , чтобы преобразовать формат данных Scopus, унифицируя формат обеих баз данных в формат txt. Назовите получившийся файл scopus1.txt.
  12. Объедините данные из двух баз данных. Поместите scopus1.txt и wos.txt в CiteSpace для дедупликации и слияния, чтобы получить однородно форматированные, дедупликационные данные литературы: dataset.txt, для последупального анализа (Дополнительная таблица 2).
  13. Проверьте полученные wos.txt и scopus.csv файлы, чтобы убедиться, что процесс дедупликации использует DOI в качестве соответствующего критерия и что dataset.txt-файл успешно сгенерирован.

2. Анализ ежегодных тенденций публикации

  1. В Microsoft Excel подсчитайте количество публикаций по годам, чтобы сгенерировать две колонки данных (Год, Публикации).
  2. Выберите набор данных, получите доступ к разделу Insert > Chart > Column Chart , чтобы создать столбцовую диаграмму годовой публикации.
  3. Обозначить горизонтальную ось как Год , а вертикальную — как Публикации.
  4. Разрешить метки данных отображать конкретное количество публикаций за каждый год.
  5. Экспортировать все фигуры в формате Tagged Image File Format (TIFF), обеспечив разрешение не менее 300 dpi.

3. Анализ национальных и региональных публикаций и международного сотрудничества

  1. Запустите VOSviewer, выберите Создать > Создать карту на основе библиографических данных > Прочитать данные из библиографических файлов базыданных 16.
  2. Импортируйте обычный текст, сгенерированный на шаге 1.12.
  3. Выберите соавторство в качестве типа анализа и страны как единицу анализа.
  4. Установите минимальное количество документов для страны на уровне 40, сохраняя топ-20 стран по объёму публикаций. Чтобы сеть сотрудничества сосредоточилась на странах с высоким уровнем выпуска, сохраняя при этом ясность и читаемость карты, что облегчает читателям интуитивное понимание основных международных исследовательских сил и моделей сотрудничества.
  5. В интерфейсе Verify selected items выберите все страны, скопируйте список в Excel и экспортируйте количество публикаций и количество цитируемых для каждой страны.
  6. В полученной таблице Excel выберите топ-10 стран по результатам публикаций и создайте диаграмму, отображающую их количество публикаций и цитирований.
  7. Выберите кнопку «Закончить», чтобы построить национальную сеть сотрудничества и сохранить её в формате GML.
  8. Запустите Scimago Graphic и импортируйте файл GML.
  9. Сопоставьте поле метки в Country и установите тип поля кластера на String.
  10. В конфигурации визуализации поместите поле выхода публикации (обычно вес<Документы> или похожее название) в поле Размер, установите поле кластера как поле Цвет и сопоставьте поле метки с полями Label, Tooltip и Unit.
  11. Зайдите на Marks > Map. Используйте Edges для коррекции кривизны линии и Edge color для конфигурации цвета узлов.
  12. Экспортируйте финальную карту в формате PNG.
  13. Импортируйте обычный текст, сгенерированный на шаге 1.12, в Библиометрическую онлайн-аналитическую платформу (https://bibliometric.com), нажмите «Загрузить данные цитирования» и выберите «Отношения стран », чтобы создать национальную диаграмму аккордов сотрудничества для визуализации.
  14. Ключевой контрольный пункт — корректировать минимальное количество документов так, чтобы получившаяся сеть была хорошо сбалансированной и визуально чёткой, при этом отражая цели исследования.

4. Анализ публикаций и цитирования в журналах

  1. Импортируйте тот же набор данных в VOSviewer, выберите тип анализа Citation и Sources в качестве единицы анализа.
  2. Установите минимальное количество документов для источника на 5, а минимальное количество ссылок — на 20.
  3. В интерфейсе Verify selected items скопируйте список журналов в Excel, чтобы получить количество публикаций и общее количество цитирований для каждого журнала.
  4. Выберите Finish, и будет сгенерирована карта сети совместного цитирования журнала. Настройте параметры притяжения и отталкивания для улучшения планировки, уточните внешний вид с помощью панели визуализации и сохраните карту в формате TIFF с разрешением не менее 300 dpi.
  5. В Excel отсортуйте журналы по количеству публикаций, выберите топ-10 журналов по объёму публикаций. 9 марта 2026 года получите доступ к официальной платформе JCR (Таблица материалов), найдите каждый журнал соответственно и зафиксируйте их последний импакт-фактор и квартиль JCR. Создайте таблицу с отображением топ-10 журналов по публикациям.
  6. В Excel отсортируйте журналы по общему количеству цитирований, выберите топ-10 журналов по частоте цитирования. 9 марта 2026 года получите и запишите их последний импакт-фактор и квартиль JCR с официальной платформы JCR. Создайте таблицу с отображением топ-10 журналов по частоте цитирования.

5. Анализ сотрудничества авторов с высокой продуктивностью и сеть сотрудничества

  1. Импортируйте набор данных в VOSviewer, выберите тип анализа соавторство и выберите авторов в качестве единицы анализа.
  2. Установите минимальное количество документов для автора до 3, чтобы фильтровать авторов с определённым уровнем активности.
  3. В интерфейсе Verify selected items скопируйте список авторов и сохраните количество публикаций и цитирований авторов в файле Excel.
  4. Выберите Finish , чтобы создать сеть совместной работы автора, скорректируйте структуру и внешний вид сети, а также сохраняйте в формате TIFF.
  5. В Excel отсортируйте авторов по числу публикаций, выберите 10 самых продуктивных исследователей и составьте диаграмму пончиков для отображения количества публикаций.
  6. Из исходного набора данных найдите топ-10 авторов по количеству цитирований, определите их страны, назначьте отдельные цвета в зависимости от страны и составьте диаграмму с топ-10 авторами по частоте цитирования.

6. Сосуществование ключевых слов и тематический анализ эволюции

  1. Запустите CiteSpace и перейдите к Data > импорту/экспорту.
  2. Поместите txt-файл, экспортированный на шаге 1.12, в папку ввода. В интерфейсе импорта/ экспорта задайте пути ввода и вывода , выберите статьи и обзор как типы документов и нажмите Старт , чтобы выполнить конвертацию формата данных.
  3. После конвертации скопируйте файлы из папки вывода в папку с данными. В основном интерфейсе CiteSpace нажмите New, установите каталог проекта и каталог данных, выберите WoS в качестве источника данных и выберите английский язык.
  4. Перейдите к панели слайсирования времени справа, установите диапазон на 2016–2025, выберите окно в 1 год и выберите тип узла Keyword .
  5. Примените g-индекс (k=10) для масштабирования сети и выберите три стратегии обрезки: Pathfinder, Обрезка срезанных сетей и Обрезка объединённой сети.
  6. Нажмите «Начать», чтобы запустить анализ. После завершения работы используйте функцию оптимизации метки кластерирования одним кликом для создания карты совместного появления ключевых слов.
  7. Настройте отображение меток узлов и кластеров из панели управления и оптимизируйте визуальные элементы, такие как размер узла.
  8. Выберите Layout > Timeline , чтобы сгенерировать просмотр хронологии ключевых слов.
  9. В панели управления выберите «Burstness», нажмите « Обновить » и «Просмотр » последовательно, установить количество топ-25 ключевых слов для отображения и сгенерировать таблицу 25 ключевых слов по силе вспышки. Экспортировать сгенерированные изображения в формате TIFF для хранения.

7. Анализ социтирования ссылок

  1. Загрузите тот же набор данных в CiteSpace. Задайте временной диапазон и стратегии обрезки, как описано в шагах 6.4–6.5, и выберите тип узла Cited Reference .
  2. После запуска анализа используйте функцию оптимизации меток кластерирования одним кликом для создания карты совместного появления ссылок.
  3. Отрегулировать метки узлов и кластеров, а также выбрать кластеры для генерации карты референсного кластерирования.
  4. В панели Burstness настройте дисплей так, чтобы отображать 20 наиболее цитируемых ссылок по частоте цитирования и сгенерируйте таблицу 20 самых социтируемых ссылок по силе всплеска.
  5. Экспортировать все изображения в формате TIFF для хранения.

8. Анализ сетей PPI

  1. Получите доступ к базе данных GeneCards (https://www.genecards.org)1712 марта 2026 года и выполните поиск по ключевым словам «Interstitial Lung Disease» и «Pulmonary Hypertension» соответственно. Используемые для поиска термины заболеваний соответствуют тем, что были в литературном поиске, и дополнительные варианты терминов не были расширены.
  2. Экспортируйте список целей с показателем релевантности ≥ 1 для каждого поиска. Метод извлечения включал сортировку по Релевантности и экспорт всех целей с оценкой ≥ 1. Порог ≥ 1 был выбран потому, что он охватывает подавляющее большинство сопутствующих генов, подтверждённых литературой, при этом минимизируя ложноположительные результаты.
  3. Используйте R для получения пересечения двух целевых множеств, что приводит к получению ILD-PH коморбидных целей.
  4. Получите доступ к модулю Multiple Proteins базы данных STRING (https://cn.string-db.org/)18, введите список целей сопутствующих заболеваний в поисковую строку и выберите Homo sapiens в качестве вида.
  5. Нажмите «Продолжить», затем в панели «Настройки» установите минимальный требуемый балл взаимодействия на высокую уверенность (0.700) и включите скрытие отключённых узлов в сети19.
  6. После обновления сети скачайте данные взаимодействия в виде TSV-файла из меню экспорта .
  7. Запустите Cytoscape и загрузите TSV-файл через File > Import > Network from File System.
  8. В разделе Tools > NetworkAnalyzer > Network Analysis > Network Interpretation выберите Считать сеть ненаправленной и вычислить топологические параметры, включая степень узла.
  9. Настройте форму, цвет, размер и другие параметры внешнего вида узла в панели Style , а также вручную регулируйте положение узлов для получения чёткого расположения.
  10. Сохраняйте сетевой образ PPI через File > Export > Network Image to File, а результаты сетевого анализа экспортируйте через File > Export > Table to File.
  11. Откройте экспортированную таблицу в Excel, упорядочивайте по столбцу Degree с убывающим порядком, выберите 20 ключевых целей вместе с их значениями степеней, создайте столбчатую диаграмму с метками данных и экспортируйте в формате TIFF.

9. Анализ обогащения путей KEGG

  1. Запустите R и введите команды для установки и загрузки необходимых пакетов (Дополнительная таблица 3):
    install.packages("BiocManager")
    BiocManager::install(c("clusterProfiler", "org. Hs.eg.db"))
    library(clusterProfiler)
    Library(org. Hs.eg.db)
  2. Преобразуйте генные символы коморбидных мишень ILD-PH в идентификаторы Entrez с помощью функции bitr(). В букве R введём:
    coma_entrez <- bitr(coma_genes, fromType = «SYMBOL», toType = «ENTREZID», OrgDb = org. Hs.eg.db)
  3. Проведите анализ обогащения с помощью функции enrichKEGG() со следующими параметрами: организм = "has", pvalueCutoff = 0,05, qvalueCutoff = 0,05. Метод Бенджамини-Хохберга (BH) использовался для коррекции множественных испытаний. Введите следующий код:
    kegg_result <- enrichKEGG(ген = coma_entrez$ENTREZID,
    организм = «имеет»,
    pvalueCutoff = 0.05,
    qvalueCutoff = 0.05,
    use_internal_data = ЛОЖНО)
    ПРИМЕЧАНИЕ: p-значение: исходное p-значение, представляющее вероятность наблюдения заданного уровня обогащения; q-значение: FDR (коэффициент ложного обнаружения) после коррекции Бенджамини-Хохберга, контролирующий уровень ложноположительных результатов. В этом исследовании критерий значительного обогащения использовался q < 0,05.
  4. Отфильтруйте результаты с помощью ключевых слов «Человеческие болезни» и «Метаболизм», чтобы удалить пути, связанные с заболеваниями человека и метаболизмом, сохраняя пути, связанные с биологическими процессами. Человеческие болезни и метаболические пути в основном описывают общие механизмы заболеваний и метаболические сети, которые слабо связаны с фиброзом, воспалениями и механизмами сосудистой ремоделирования сопутствующей ILD-PH. Поэтому их исключили, чтобы сосредоточить результаты на ключевых сигнальных путях. Встречайтесь:
    kegg_result_df <- as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[!grepl(«Болезни человека|Метаболизм", kegg_result_df$Описание), ]
  5. Отсортируйте пути в убывающем порядке по количеству генов, выберите топ-10 путей, сгенерируйте точечный график с помощью функции dotplot() и экспортируйте график в формате PNG. Встречайтесь:
    top10_pathways <- голова(kegg_filtered[order(kegg_filtered$Count, убывающая = TRUE), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave("KEGG_dotplot.png", dotplot_result, ширина = 8, высота = 6, dpi = 300)
  6. Извлеките топ-10 путей и связанные с ними целевые гены, постройте таблицу из двух столбцов (название пути, целевой ген) и сохраните таблицу как TXT-файл с разделением по табуляциям.
  7. Импортируйте файл в Cytoscape, настройте различия в форме и цвете между узлами пути и целевой узлами через панель Style , вручную уточните расположение и экспортируйте сетевоеизображение цели пути 20.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Извлечение и скрининг данных

Всего из базы данных Scopus было собрано 2 400 записей, а в базе WoSCC — 696. После объединения двух наборов данных и удаления 533 дублирующихся записей для последующего библиометрического анализа было включено всего 2 563 уникальных публикации (рисунок 1).

Годовые тенденции публикаций

Ежегодные публикации в облас...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Это исследование представляет собой первое интегрированное применение библиометрии и биоинформатики для изучения сопутствующих заболеваний ББ и PH. Он систематически анализирует траекторию развития, структуру знаний и передовые тенденции в этой области за последнее десятилетие, а также выявляет центральные гены и ключевые сигнальные пути, лежащие в основе этого сопутствующего состояния на молекулярном уровне. С точки зрения макротенденций, ежегодное количество публикаций в этой области у...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы не сообщают о конфликтах интересов в этой работе.

Благодарности

Авторы с благодарностью выражают финансовую поддержку от проекта «Неинфекционные хронические заболевания — Национальный научно-технический проект» (2024ZD0522300, 2024ZD0522301) и Фонда некоммерческого Центрального исследовательского института Китайской академии медицинских наук (2022-ZHCH330-01).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Библиометрическая онлайн-платформа анализаK-Synth Srl (Библиометрическое)https://bibliometric.comОнлайн-платформа анализа; модуль: отношения стран; генерирует хордовую диаграмму сотрудничества стран; доступ 10 марта 2026
CiteSpaceУниверситет Дрекселя6.4.R1Библиометрический анализ; временное разбиение: 2016–2025; типы узлов: ключевые слова, ссылки; обрезка: Pathfinder + обрезка разрезанных сетей
clusterProfiler (пакет R)Guangchuang Yu et al.4.13.2KEGG анализ обогащения; пороги: p < 0,05, q < 0,2
CytoscapeКонсорциум Cytoscape3.10.3Визуализация и анализ сети; плагин: CytoHubba; алгоритм: центральность степени; используется для идентификации центральных генов
GeneCardsИнститут Вейцманаhttps://www.genecards.orgБаза данных информации о генах; версия базы данных 5.22; доступ 12 марта 2026; критерий фильтрации: Балл значимости ≥ 1
Journal Citation Reports (JCR)Clarivate Analyticshttps://jcr.clarivate.comИмпакт-фактор и квартильный показатель журналов; доступ 9 марта 2026
KEGGКиотская энциклопедия генов и геномовhttps://www.kegg.jpБаза данных путей; доступ через API clusterProfiler 13 марта 2026; вид: hsa
MeSH DatabaseНациональная медицинская библиотека (NLM)https://meshb.nlm.nih.govБаза данных запросов к терминам MeSH; доступ 9 марта 2026; используется для построения стратегии поиска
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)Статистика данных и создание графиков; используется для подсчета публикаций, удаления дубликатов, построения графиков
org.Hs.eg.db (пакет R)Bioconductor Core Team3.20.0База данных аннотации человеческого генома; используется для конвертации идентификаторов генов
RR Core Team4.4.2Среда статистических вычислений и построения графиков; дата запуска: 13 марта 2026
Scimago GraphicaScimago Lab2Инструмент визуализации; раскладка: проекция карты; кривизна ребра: 0,5; картирование цветов: по кластерам
ScopusElsevierhttps://www.scopus.comБаза данных для получения литературы; полное издание Elsevier Scopus 2026; дата получения: 9 марта 2026
STRINGEMBL12.0 / https://cn.string-db.orgБаза данных взаимодействий белок-белок; доступ 12 марта 2026; порог порогового значения взаимодействия: 0,7 (высокая уверенность); тип сети: физический + функциональный
VOSviewerУниверситет Лейдена1.6.20Библиометрический анализ; соавторство как тип анализа; метод нормализации: сила ассоциации
Web of Science Core CollectionClarivate Analyticshttps://www.webofscience.comБаза данных для получения литературы; охватывает подбазы данных SCIE и SSCI; дата получения: 9 марта 2026

Ссылки

  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.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

Биологиявыпуск 234выпуск 234
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.