Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Bibliyometrik ve Biyoinformatik, Komorbiditede Araştırma Noktaları ve Temel Hedeflerin Keşfi: Interstisiyal Akciğer Hastalığı ve Pulmoner Hipertansiyon

130 görüntülenme

⸱

DOI:

10.3791/71631

⸱

7 Ağustos 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

Bu makalede

Özet

Bu protokol, interstisyel akciğer hastalığı ve pulmoner hipertansiyonu örnek olarak kullanır ve bibliyometri biyoinformatikle bütünleştirerek araştırma eğilimlerini, sıcak noktalarını, ana hedeflerini ve ilgili yolları sistematik ve ön planda inceler. Bu protokol, herhangi bir hastalık çiftini analiz etmek için promptları değiştirerek çoğaltılabilir.

Özet

Interstisyel akciğer hastalığı (ILD) ve pulmoner hipertansiyon (PH) sıklıkla eşzamanlı hastalıklar olarak birlikte bulunur; bu da kötü klinik sonuçlara ve sınırlı tedavi seçeneklerine yol açar. Önemli araştırma noktalarının belirlenmesi ve temel eşzamanlı hastalık hedeflerinin ortaya çıkarılması, hastalık yönetimini iyileştirmek ve yeni terapötik stratejiler geliştirmek için gereklidir. Bu protokol, Web of Science Core Collection ve Scopus veritabanlarından ilgili yayınları alır ve CiteSpace ile VOSviewer kullanarak araştırma noktalarını ve gelişen eğilimleri haritalar. Daha sonra, her iki hastalıkla ilişkili örtüşen genetik hedefler GeneCards veritabanından tanımlanmıştır. Protein-protein etkileşim ağları STRING kullanılarak merkez genleri tanımlanır ve KEGG yol zenginleştirme analizi R dili kullanılarak ana sinyal yollarını aydınlatmak için yapılır. Sonuçlar, bibliyometrinin bu disiplinlerarası alanın gelişim yolunu makro bir perspektiften tanımladığını göstermektedir; biyoinformatik analiz, FN1, IL6 ve TNF'yi potansiyel çekirdek komorbidite hedefleri olarak ortaya koymaktadır; ve KEGG zenginleştirme analizi, PI3K-Akt ve MAPK merkezli bağışıklık ilişkili yolların komorbiditenin patogenezinde derin bir rol oynadığını göstermektedir. İki yaklaşımı entegre ederek, bu protokol ILD-PH komorbidite araştırmalarında gelişim yörüngesini ve araştırma noktalarını sistematik olarak belirlerken, potansiyel komorbidite hedefleri ve yolları önceden tarar. Bu program, gelecekteki deneysel araştırmalar ve klinik doğrulama için yönlendirme ve hesaplamalı bir temel sağlar. Bu entegre çerçeve, diğer karmaşık hastalık eş hastalıklarının incelenmesine uygulanabilir tekrarlanabilir bir metodoloji sunar.

Giriş

Interstisyel akciğer hastalığı (ILD), patolojik olarak akciğer interstitiyumunun iltihaplanması ve fibrozisiyle karakterize edilen bir grup diffuz akciğer hastalıklarını ifade eder. Hastalığın ilerlemesi sırasında, genellikle birden fazla eşzamanlı hastalık ile karmaşıklaşır; bunlar arasında pulmoner hipertansiyon (PH),prognoz 1,2'yi önemli ölçüde etkileyen yaygın eşzamanlı hastalıklardan biridir. Epidemiyolojik veriler, ILD hastalarında PH insidansının alt tip ve hastalık evresine bağlı olarak değiştiğini, %13'ten %86'ya kadar değiştiğini göstermektedir3,4,5. Bu eşzamanlı durum, hastaların yaşam kalitesini önemli ölçüde azaltmakla kalmaz, ölüm riskini artırır, aynı zamanda sosyoekonomik ve sağlık yükünü de artırır 6,7. Pulmoner arterial hipertansiyonun aksine, interstisyel akciğer hastalığına bağlı pulmoner hipertansiyonun patogenezi daha karmaşıktır ve hipoksik akciğer vazokonstriksiyon, pro-fibrotik ve inflamatuar faktörle aracılı damar yeniden yapılandırma ve ekstraselüler matriks birikintisi gibi birçok patolojik süreciiçerir 8,9,10. Şu anda, bu eşzamanlı durum için klinik tanı ve tedavi stratejileri nispeten sınırlı kalmakta olup, belirli hedeflenmiş ilaçlar eksiktir. Altında yatan moleküler mekanizmaları, temel sinyal yolları ve erken biyobelirteçleri hâlâ sistematik olarak açıklanmalıdır11,12.

Araştırma odak noktalarını ve evrimsel yollarını tespit etmek için nesnel bir araç olarak, bibliyometri son yıllarda yaygın bir uygulamakazanmıştır 13,14. Biyoinformatik analiz, daha önce keşfedilmiş hastalıkla ilişkili hedefleri entegre ederek ana hedefleri ve temel yollarıbelirler 15. Komorbidite araştırmaları için, makroskopik araştırma noktalarını moleküler seviyedeki yol ve hedef bilgiyle entegre etmek, komorbidite mekanizmalarının anlaşılmasını derinleştirir ve sonraki deneysel çalışmalar için hesaplamalı tahminler ve yönlendirici rehberlik sağlar. Ancak, interstisyel akciğer hastalığı ile pulmoner hipertansiyonun eş hastalığı üzerine yapılan araştırmalar, makroskobik bilgi haritalamasını mikroskobik moleküler ağlarla birleştiren sistematik entegre bir analiz henüz eksiktir. Buna göre, bu çalışma Web of Science Core Collection (WoSCC) ve Scopus veritabanlarını kullanarak ILD-PH komorbidite araştırmalarının gelişim yolunu ve araştırma noktalarını bibliyometrik yöntemlerle kapsamlı şekilde özetlemiştir. Aynı zamanda, biyobilişim araçları kullanılarak komorbiditeyle ilişkili çekirdek genler ve potansiyel moleküler yollar belirlendi; böylece sonraki deneysel araştırmalar ve hedefli araştırmalar için aday moleküler temel ve deneysel tasarım yönü sağlandı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Çalışma, GeneCards, STRING ve KEGG dahil olmak üzere halka açık ikincil veritabanlarını kullandı. Çin İnsan Genetik Kaynakları Yönetmeliği'nin 32. Maddesine göre, bu veri tabanları Çin içinde insan genetik kaynaklarının doğrudan toplanmasını içermez; bu nedenle bu çalışma için etik onay veya bilgilendirilmiş onay gerekmemiştir. Bu bölümde kullanılan yazılım ve platformların ayrıntılı versiyon bilgileri Materyaller Tablosu'nda verilmiştir.

1. Edebiyat koleksiyonu ve organizasyonu

  1. MeSH veritabanına (Materyal Tablosu) erişin.
  2. "Interstisial Akciğer Hastalığı" ve "Pulmoner Hipertansiyon" hastalık terimlerini ayrı ayrı araarak ilgili alt başlıkları elde edin.
  3. Belirlenen MeSH terimleri ve alt başlıklarına dayalı kapsamlı bir arama stratejisi geliştirin.
  4. 9 Mart 2026'da WoSCC veritabanını (Materyal Tablosu) açın.
  5. Gelişmiş Arama'yı seçin. Arama stratejisine girin: TS=("Diffüz Parenkimal Akciğer Hastalığı" VEYA "Dağınık Parenkimal Akciğer Hastalıkları" VEYA "Interstisial Akciğer Hastalığı" VEYA "Interstisyel Akciğer Hastalıkları") VE TS=("Pulmoner Hipertansiyon"). Yayın tarihini 1 Ocak 2016 ile 31 Aralık 2025 arasında ayarlayın ve Ara'ya tıklayın.
  6. Belge türleri olarak Makaleler ve İnceleme Makaleleri seçin, dil olarak İngilizce seçin. Kayıt içeriği olarak Tam Kayıt ve Atıflanan Referansları seçin. Kayıtları txt formatında dışa aktarın ve wos.txt olarak kaydedin, sonra csv formatına dönüştürüp wos.csv olarak kaydedin.
  7. 9 Mart 2026'da Scopus veritabanını (Materyal Tablosu) açın.
  8. Arama alanını "Başlık" / "Özet" / "Anahtar Kelimeler" olarak ayarlayın. Arama stratejisine girin: TITLE-ABS-KEY (("Diffüz Parenkimal Akciğer Hastalığı" VEYA "Dağınık Parenkimal Akciğer Hastalıkları" YA da "Interstisial Akciğer Hastalığı" YA DA "Interstisial AKCIĞER Hastalıkları")) ve TITLE-ABS-KEY ("Pulmoner Hipertansiyon"). 1 Ocak 2016 ile 31 Aralık 2025 arasındaki yıl aralığını seçin, konu alanı olarak Tıbb'ı seçin ve Ara'ya tıklayın (Ek Tablo 1).
  9. Dışa Aktar'a tıklayın, CSV formatını seçin, alınan tüm kayıtları dışa aktarın ve scopus.csv olarak kaydedin.
  10. wos.csv'yi açın, DOI sütununu kopyalayın ve scopus.csv'ye yapıştırın. Veri karşılaştırması yapın, Excel'de Kopyaları Kaldır fonksiyonunu kullanarak tekrarlanan kayıtları işaretleyin, tekrarları silinin ve scopus1.csv edinin. DOI olmayan çok az kayıt için, bu çalışma için gerekli literatürün tam dahil edilmesini sağlamak amacıyla "başlık + yazar + yıl" kombinasyonunu kullanarak manuel olarak çapraz kontrol yaptık.
  11. Giriş dizini ve çıkış dizini adında yeni klasörler oluşturun. Deduplication'dan sonra elde edilen scopus1.csv giriş dizinine yerleştirin. CiteSpace'i açın, Data'ya tıklayın, Scopus'u seçin, ilgili klasörleri belirtin ve Scopus (csv) > WoS butonuna tıklayarak Scopus veri formatını dönüştürerek iki veritabanının formatını txt formatında birleştirin. Ortaya çıkan dosyayı scopus1.txt.
  12. İki veritabanından gelen verileri birleştirin. scopus1.txt ve wos.txt CiteSpace'e yerleştirin; böylece deduplication ve birleştirme için eşit biçimlendirilmiş, deduplicated literatür verileri: dataset.txt, sonraki analiz için (Ek Tablo 2).
  13. Alınan wos.txt ve scopus.csv dosyalarını kontrol et, böylece deduplication sürecinin DOI'yi eşleşme kriteri olarak kullandığından ve dataset.txt dosyanın başarıyla oluşturulduğundan emin olun.

2. Yıllık yayın çıktısı eğilim analizi

  1. Microsoft Excel'de, yayın sayısını yıla göre sayarak iki veri sütunu oluşturulur (Yıl, Yayınlar).
  2. Veri setini seçin, Insert > Chart > Column Chart'a erişerek yıllık yayın çıktısının sütun grafiği oluşturun.
  3. Yatay eksen Yıl , dikey ekseni Yayınlar olarak belirtin.
  4. Veri etiketlerinin her yıl için belirli sayıda yayını göstermesini etkinleştirin.
  5. Tüm şekilleri Etiketlenmiş Görüntü Dosyası Formatı (TIFF) ile dışa aktarın, böylece en az 300 dpi çözünürlük sağlansın.

3. Ulusal/bölgesel yayın çıktısı ve uluslararası iş birliği analizi

  1. VOSviewer'ı başlatın, Oluştur > Bibliyografik verilere dayalı bir harita oluşturun > Bibliyografik veritabanı dosyalarından verileri okuyun16.
  2. 1.12. adımda oluşturulan düz metin veri setini içe aktarın.
  3. Analiz türü olarak Ortak Yazarlık ve analiz birimi olarak Ülkeleri seçin.
  4. Bir ülke için minimum belge sayısını 40'a ayarlayın, yayın çıktısına göre en iyi 20 ülkeyi koruyun. İşbirliği ağının yüksek çıktılı ülkelere odaklanmasını sağlarken, haritanın netliğini ve okunabilirliğini koruyarak, okuyucuların temel uluslararası araştırma güçlerini ve iş birliği kalıplarını sezgisel olarak kavrayabilmelerini kolaylaştırmak.
  5. Seçilmiş öğeleri doğrulama arayüzünde tüm ülkeleri seçin, listeyi Excel'e kopyalayın ve her ülke için yayın sayısı ile atıf sayılarını dışa aktarın.
  6. Ortaya çıkan Excel tablosunda, yayın çıktısına göre ilk 10 ülkeyi seçin ve yayın ile atıf sayılarını gösteren bir grafik oluşturun.
  7. Ulusal iş birliği ağını oluşturmak ve ağı GML formatında kaydetmek için "Bitir" butonunu seçin.
  8. Scimago Graphica'yı başlatın ve GML dosyasını içe aktarın.
  9. Etiket alanını Country ile eşleyin ve küme alanı tipini String olarak ayarlayın.
  10. Görselleştirme yapılandırmasında, yayın çıktı alanını (genellikle ağırlık veya benzer bir isim) Boyut kutusuna yerleştirin, küme alanını Renk kutusu olarak ayarlayın ve etiket alanını Etiket, Araç İpucu ve Birim kutularına eşleyin.
  11. Marks > Haritası'na gidin. Çizgi eğriliği ayarlaması için Kenarları, düğüm rengi yapılandırması için ise Kenar rengini kullanın.
  12. Son haritayı PNG formatında dışa aktarın.
  13. 1.12. adımda oluşturulan düz metin veri setini Bibliyometrik Çevrimiçi Analiz Platformu'na (https://bibliometric.com) aktarın, Upload data sayfasına tıklayın ve görselleştirme için ulusal işbirliği akor diyagramı oluşturmak üzere Ülke ilişkileri seçeneğini seçin.
  14. Önemli bir kontrol noktası, ortaya çıkan ağın iyi dengeli ve görsel olarak net olmasını sağlarken, araştırma hedeflerini yansıtacak şekilde minimum belge sayısını uygun şekilde ayarlamaktır.

4. Dergi yayın çıktısı ve atıf analizi

  1. Aynı veri setini VOSviewer'a aktarın, analiz türü olarak Citation'u seçin ve analiz birimi olarak Kaynaklar'ı seçin.
  2. Bir kaynak için minimum belge sayısını 5, en az atıf sayısını ise 20'ye ayarlayın.
  3. Seçilmiş öğeleri doğrulama arayüzünde, dergi listesini Excel'e kopyalayarak her dergi için yayın sayısını ve toplam atıf sayısını elde edin.
  4. Bitir seçeneğini seçin, dergi ortak kaynak ağı haritası oluşturulacaktır. Düzeni geliştirmek için Çekim ve İtme parametrelerini ayarlayın, Görselleştirme paneliyle görünümü iyileştirin ve haritayı en az 300 dpi çözünürlüklü bir TIFF olarak kaydedin.
  5. Excel'de, dergileri yayın sayısına göre sıralayın, yayın çıktılarına göre en iyi 10 dergini seçin. 9 Mart 2026'da resmi JCR platformuna (Materyal Tablosu) erişin, sırasıyla her dergini arayın ve en son Impact Factor ile JCR dörtlüğünü kaydedin. Yayın çıktısına göre en iyi 10 dergini gösteren bir grafik oluşturun.
  6. Excel'de, dergileri toplam atıf sayısına göre sıralayın, atıf sıklığına göre en iyi 10 dergini seçin. 9 Mart 2026'da, resmi JCR platformundan en son Impact Factor ve JCR çeyreğini alın ve kaydediler. Atıf sıklığına göre en iyi 10 dergini gösteren bir grafik oluşturun.

5. Yüksek verimlilikli yazar iş birliği ağı analizi

  1. Veri setini VOSviewer'a aktarın, analiz türü olarak Ortak Yazarlık seçin ve analiz birimi olarak Yazarları seçin.
  2. Bir yazar için minimum belge sayısını 3'e ayarlayarak belirli bir etkinlik seviyesine sahip yazarları filtreleyin.
  3. Seçilmiş öğeleri doğrulama arayüzünde, yazar listesini kopyalayın ve yazarların yayın sayılarını ve atıf sayılarını bir Excel dosyasında kaydedin.
  4. Yazar işbirliği ağını oluşturmak için Finish'i seçin, ağ düzenini ve görünümünü ayarlayın ve TIFF formatında kaydedin.
  5. Excel'de, yazarları yayın sayısına göre sıralayın, en üretken 10 araştırmacıyı seçin ve yayın sayılarını göstermek için bir donut tablosu oluşturun.
  6. Orijinal veri setinden, en iyi 10 yazarı kaynak sayısına göre alın, ilgili ülkelerini belirleyin, ülkeye göre farklı renkler atayın ve atıf sıklığına göre en iyi 10 yazarı gösteren bir grafik oluşturun.

6. Anahtar kelime eş rastlanması ve tematik evrim analizi

  1. CiteSpace'i başlatın ve Data > Import/Export sayfalarına gidin.
  2. 1.12. adımda dışa aktarılan txt dosyasını giriş klasörüne yerleştirin. İçeri/İhtır Gönderme arayüzünde giriş ve çıkış yollarını ayarlayın, belge türleri olarak Makale ve İnceleme seçeneklerini seçin ve veri formatı dönüşümü yapmak için Başlat'a tıklayın.
  3. Dönüştürmeden sonra, dosyaları çıktı klasöründen veri klasörüne kopyalayın. CiteSpace ana arayüzünde Yeni tuşuna tıklayın, proje dizini ve veri dizinini ayarlayın, veri kaynağı olarak WoS'u seçin ve İngilizceyi dil olarak seçin.
  4. Sağdaki zaman dilimleme paneline gidin, aralığı 2016–2025 olarak ayarlayın, 1 yıllık bir pencere benimseyin ve düğüm türü olarak Anahtar Kelime'yi seçin.
  5. Ağ ölçeklendirme için g-indeksini (k=10) uygulayın ve üç budama stratejisini seçin: Pathfinder, Dilimlenmiş ağları budama ve birleştirilmiş ağı budama.
  6. Analizi çalıştırmak için Başlat'a tıklayın. Tamamlandıktan sonra, anahtar kelime ortak oluş haritasını oluşturmak için Tek Tıklama Kümeleme Etiketi Optimizasyonu fonksiyonunu kullanın.
  7. Kontrol panelinden düğüm ve küme etiketlerinin görüntülenmesini ayarlayın ve düğüm boyutu gibi görsel öğeleri optimize edin.
  8. Anahtar kelime zaman çizelgesi görünümünü oluşturmak için Layout > Timeline'ı seçin.
  9. Kontrol panelinde Burstness'i seçin, sıralı olarak yenile ve Görüntüle'e tıklayın, gösterilecek ilk 25 anahtar kelime sayısını belirleyin ve patlama gücüne göre en iyi 25 anahtar kelimenin grafiğini oluşturun. Oluşturulan görüntüleri depolama için TIFF formatında dışa aktarın.

7. Referans ortak kaynak analizi

  1. Aynı veri setini CiteSpace'e yükleyin. 6.4–6.5. adımlarda açıklanan zaman aralığı ve budama stratejilerini ayarlayın ve düğüm tipi olarak Referans Referans'ı seçin.
  2. Analiz çalıştırıldıktan sonra, referans eş oluşum haritasını oluşturmak için Tek Tıklama Kümeleme Etiketi Optimizasyonu fonksiyonunu kullanın.
  3. Düğüm ve küme etiketlerini ayarlayın ve referans kümeleme haritasını oluşturmak için Kümeler seçin.
  4. Patlama panelinde, göstergeyi atıf sıklığına göre en iyi 20 atıf edilen referansı gösterecek şekilde ayarlayın ve patlama gücüne göre en iyi 20 ortak referansın tablosunu oluşturun.
  5. Tüm görüntüleri depolama için TIFF formatında dışa aktarın.

8. PPI ağ analizi

  1. 12 Mart 2026'da GeneCards veritabanına (https://www.genecards.org)17erişin ve anahtar kelime olarak sırasıyla "Interstisial Akciğer Hastalığı" ve "Pulmoner Hipertansiyon" kelimelerini kullanarak arama yapın. Arama için kullanılan hastalık terimleri, literatür başvurusunda olanlarla tutarlıdır ve ek terim varyantları genişletilmemiştir.
  2. Her arama için 1≥ alaka puanı olan hedefler listesini dışa aktarın. Çıkarma yöntemi, Alaka Puanına göre sıralamayı ve 1≥ puana sahip tüm hedeflerin dışa aktarılmasını içeriyordu. ≥ 1 eşiği, literatürde desteklenen ilişkili genlerin büyük çoğunluğunu yakaladığı ve yanlış pozitifleri en aza indirdiği için seçildi.
  3. İki hedef setinin kesişimini elde etmek için R kullanın; böylece ILD-PH komorbiditeyle ilgili hedefler ortaya çıkar.
  4. STRING veritabanının Çoklu Proteinler modülüne (https://cn.string-db.org/)18 erişin, arama kutusuna komorbidite hedeflerinin listesini girin ve tür olarak Homo sapiens'i seçin.
  5. Devam et'e tıklayın, ardından Ayarlar panelinde minimum gerekli etkileşim puanını Yüksek güvenliğe (0.700) ayarlayın ve ağ 19'daki bağlantısı kopuk düğümleri gizlemeyi etkinleştirin.
  6. Ağ güncellendikten sonra, etkileşim verilerini Dışa Aktarma menüsünden TSV dosyası olarak indirin.
  7. Cytoscape'i başlatın ve TSV dosyasını File > Import > Network üzerinden File System üzerinden yükleyin.
  8. Tools > NetworkAnalyzer > Network Analysis > Network Interpretation'da, Ağı yönlendirilmemiş olarak ele alın seçeneğini seçin ve düğüm derecesi dahil topolojik parametreleri hesaplayın.
  9. Stil panelinde düğüm şekli, rengi, boyut ve diğer görünüm ayarlarını yapılandırın ve net bir düzen elde etmek için düğüm konumlarını manuel olarak ayarlayın.
  10. PPI ağ görgesini File > Export > Network Image to File ile kaydedin ve ağ analiz sonuçlarını File > Export > Table to File üzerinden dışa aktarın.
  11. Excel'de dışa aktarılan tabloyu açın, Derece sütununa göre sıralayın, en iyi 20 anahtar hedefi ve derecelerinin değerlerini seçin, veri etiketleriyle bir çubuk diagramma oluşturun ve TIFF formatında dışa aktarın.

9. KEGG Yolu zenginleştirme analizi

  1. R başlatın ve gerekli paketleri kurup yüklemek için komutları girin (Ek Tablo 3):
    install.packages("BiocManager")
    BiocManager::install(c("clusterProfiler", "org. Hs.eg.db"))
    library(clusterProfiler)
    kütüphane (org. Hs.eg.db)
  2. ILD-PH komorbidite hedeflerinin gen sembollerini bitr() fonksiyonunu kullanarak Entrez ID'lerine dönüştürün. R'de girin:
    coma_entrez <- bitr(coma_genes, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org. Hs.eg.db)
  3. Aşağıdaki parametrelerle enrichKEGG() fonksiyonunu kullanarak zenginleştirme analizi yapın: organizma = "has", pvalueCutoff = 0.05, qvalueCutoff = 0.05. Benjamini-Hochberg (BH) yöntemi çoklu test düzeltmeleri için kullanıldı. Aşağıdaki kodu girin:
    kegg_result <- enrichKEGG(gen = coma_entrez$ENTREZID,
    organizma = "var",
    pvalueCutoff = 0.05,
    qvalueCutoff = 0.05,
    use_internal_data = YANLIŞ)
    NOT: p-değeri: orijinal p-değeri, verilen zenginleşme seviyesinin gözlemlenme olasılığını temsil eder; q-değeri: Benjamini-Hochberg düzeltmesinden sonra FDR (Yanlış Keşif Oranı) ve yanlış pozitif oranını kontrol eder. Bu çalışmada, anlamlı zenginleştirme için kriter olarak q < 0.05 kullanıldı.
  4. Sonuçları "İnsan Hastalıkları" ve "Metabolizma" anahtar kelimeleriyle filtreleyin; insan hastalıkları ve metabolizmasıyla ilişkili yolları kaldırın, biyolojik süreçlerle ilişkili yolları korun. İnsan Hastalıkları ve Metabolizma yolları, esas olarak hastalıkların ve metabolik ağların genel mekanizmalarını tanımlar; bunlar ILD-PH komorbiditesinin fibroz, iltihap ve damar yeniden yapılandırma mekanizmalarıyla zayıf ilişkilidir. Bu nedenle, sonuçlar ana sinyal yollarına odaklanmak için hariç tutuldu. Girin:
    kegg_result_df <- as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[!grepl("İnsan Hastalıkları|Metabolizma", kegg_result_df$Tanım), ]
  5. Yolları gen sayısına göre azalan sırayla sıralayın, en üst 10 yolu seçin, dotplot() fonksiyonuyla bir nokta grafiki oluşturun ve grafiki PNG formatında dışa aktarın. Girin:
    top10_pathways <- kafa(kegg_filtered[order(kegg_filtered$Count, azalan = TRUE), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave("KEGG_dotplot.png", dotplot_result, genişlik = 8, yükseklik = 6, dpi = 300)
  6. En üst 10 yolu ve bunlara bağlı hedef genleri çıkarın, iki sütunlu bir tablo oluşturun (yol adı, hedef gen) ve tabloyu sekmelerle belirlenmiş bir TXT dosyası olarak kaydedin.
  7. Dosyayı Cytoscape'e aktarın, yol düğümleri ile hedef düğümler arasındaki şekil ve renk farklarını Stil paneli üzerinden yapılandırın, düzeni manuel olarak iyileştirin ve yol-hedef ağgörselini 20 dışa aktarın.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Veri alımı ve taraması

Toplamda Scopus veritabanından 2.400 kayıt toplanmış, WoSCC veritabanında ise 696 kayıt tespit edilmiştir. İki veri seti birleştirildikten ve 533 tekrarlanan kayıt kaldırıldıktan sonra, toplamda 2.563 benzersiz yayın sonraki bibliyometrik analiz için dahil edildi (Şekil 1).

Yıllık yayın çıktı eğilimleri

2016'dan 2025'e ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu çalışma, ILD ve PH eşzamanlı hastalıklarını incelemek için bibliyometrik ve biyoinformatiğin ilk entegre uygulamasını temsil etmektedir. Son on yılda bu alandaki gelişimsel yörünge, bilgi yapısı ve son trendleri sistematik olarak gözden geçirir ve moleküler düzeyde bu komorbid durumun altında yatan merkez genleri ve temel sinyal yollarını belirler. Makro-trend açısından, bu alandaki yıllık yayın sayısı 2016'da 142'den 2025'te 402'ye yükseldi ve bu, neredeyse üç kat artışı temsil eder ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar bu çalışmada çıkar çatışması belirtmemiştir.

Teşekkürler

Yazarlar, bulaşıcı olmayan kronik hastalıklar-Ulusal Bilim ve Teknoloji Ana Projesi (2024ZD0522300, 2024ZD0522301) ve Çin Tıp Bilimleri Akademisi Kâr Amacı Gütmeyen Merkezi Araştırma Enstitüsü Fonu'ndan (2022-ZHCH330-01) maddi destek için minnettarlıkla teşekkür etmektedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Bibliometric Online Analysis PlatformK-Synth Srl (Bibliometric)https://bibliometric.comÇevrimiçi analiz platformu; modül: Ülke ilişkileri; ülke iş birliği kord diyagramı oluşturur; erişim tarihi: 10 Mart 2026
CiteSpaceDrexel University6.4.R1Bibiyografik analiz; zaman dilimlemesi: 2016–2025; düğüm türleri: anahtar kelimeler, referanslar; budama: Pathfinder + Budama dilimlenmiş ağlar
clusterProfiler (R paketi)Guangchuang Yu ve ark.4.13.2KEGG zenginleştirme analizi; eşik değerleri: p < 0.05, q < 0.2
CytoscapeCytoscape Consortium3.10.3Ağ görselleştirme ve analizi; eklenti: CytoHubba; algoritma: derece merkeziyet; hub gen tanımlaması için kullanılır
GeneCardsWeizmann Bilim Enstitüsühttps://www.genecards.orgGen bilgi veritabanı; veritabanı sürümü 5.22; erişim tarihi: 12 Mart 2026; filtreleme kriteri: İlişki skoru ≥ 1
Journal Citation Reports (JCR)Clarivate Analyticshttps://jcr.clarivate.comDergi etki faktörü ve çeyrek alımı; erişim tarihi: 9 Mart 2026
KEGGKyoto Encyclopedia of Genes and Genomeshttps://www.kegg.jpYolculuk veritabanı; clusterProfiler API aracılığıyla erişim: 13 Mart 2026; tür: hsa
MeSH VeritabanıNational Library of Medicine (NLM)https://meshb.nlm.nih.govMeSH terimi sorgu veritabanı; erişim tarihi: 9 Mart 2026; arama stratejisi oluşturmak için kullanılır
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)Veri istatistikleri ve grafik oluşturma; yayın sayımı, tekilleştirme, grafik çizimi için kullanılır
org.Hs.eg.db (R paketi)Bioconductor Core Team3.20.0İnsan genom açıklama veritabanı; gen kimliği dönüşümü için kullanılır
RR Core Team4.4.2İstatistiksel hesaplama ve çizim ortamı; çalıştırma tarihi: 13 Mart 2026
Scimago GraphicaScimago Lab2Görselleştirme aracı; düzen: harita projeksiyonu; kenar eğriliği: 0.5; renk eşleme: küme bazında
ScopusElsevierhttps://www.scopus.comLiteratür alım veritabanı; Elsevier Scopus 2026 eksiksiz sürümü; alım tarihi: 9 Mart 2026
STRINGEMBL12.0 / https://cn.string-db.orgProtein-protein etkileşimi veritabanı; erişim tarihi: 12 Mart 2026; etkileşim skoru eşiği: 0.7 (yüksek güven); ağ türü: fiziksel + fonksiyonel
VOSviewerLeiden Üniversitesi1.6.20Bibiyografik analiz; analiz türü olarak ortak yazarlık; normalizasyon yöntemi: ilişki gücü
Web of Science Core CollectionClarivate Analyticshttps://www.webofscience.comLiteratür alım veritabanı; SCIE ve SSCI alt veritabanlarını kapsar; alım tarihi: 9 Mart 2026

Kaynaklar

  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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

BiyolojiSayı 234Sayı 234
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.