Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Bibliometrie und Bioinformatik Erforschung von Forschungshotspots und Schlüsselzielen bei Komorbidität: Interstitielle Lungenerkrankung und pulmonale Hypertonie

5 Aufrufe

⸱

DOI:

10.3791/71631

⸱

7. August 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

In diesem Artikel

Zusammenfassung

Dieses Protokoll verwendet interstitielle Lungenerkrankungen und pulmonale Hypertonie als Beispiele und integriert Bibliometrie mit Bioinformatik, um systematisch und vorläufig deren Forschungstrends, Hotspots, Schlüsselziele und verwandte Wege zu erforschen. Dieses Protokoll könnte repliziert werden, um Krankheitspaare zu analysieren, indem die Prompts angepasst werden.

Zusammenfassung

Interstitielle Lungenerkrankung (ILD) und pulmonale Hypertonie (PH) existieren häufig als Begleiterkrankungen, was zu schlechten klinischen Ergebnissen und begrenzten therapeutischen Möglichkeiten führt. Die Identifizierung wichtiger Forschungs-Hotspots und die Entdeckung wichtiger Komorbiditätsziele ist entscheidend, um das Krankheitsmanagement zu verbessern und neuartige therapeutische Strategien zu entwickeln. Dieses Protokoll ruft relevante Publikationen aus der Web of Science Core Collection und den Scopus-Datenbanken ab und nutzt CiteSpace und VOSviewer, um Forschungshotspots und sich entwickelnde Trends zu kartieren. Anschließend werden sich überlappende genetische Ziele, die mit beiden Krankheiten assoziiert sind, aus der GeneCards-Datenbank identifiziert. Protein-Protein-Interaktionsnetzwerke werden mit STRING zur Identifizierung von Hub-Genen aufgebaut, und die KEGG-Signalweganreicherungsanalyse wird mit R-Sprache durchgeführt, um wichtige Signalwege zu erläutern. Die Ergebnisse zeigen, dass die Bibliometrie den Entwicklungsverlauf dieses interdisziplinären Fachgebiets aus einer makroökonomischen Perspektive identifiziert; Bioinformatische Analysen zeigen FN1, IL6 und TNF als potenzielle Kernkomorbiditätsziele; und die KEGG-Anreicherungsanalyse zeigt, dass immunbezogene Wege, die auf PI3K-Akt und MAPK zentriert sind, tief in die Pathogenese der Komorbidität eingebunden sind. Durch die Integration der beiden Ansätze definiert dieses Protokoll systematisch den Entwicklungsverlauf und die Forschungshotspots in der ILD-PH-Komorbiditätsforschung, während potenzielle Komorbiditätsziele und -wege vorläufig gescreent werden. Sie bietet eine Richtung und eine rechnerische Grundlage für zukünftige experimentelle Forschung und klinische Validierung. Dieser integrierte Rahmen bietet eine reproduzierbare Methodik, die auf die Untersuchung anderer komplexer Krankheitskomorbiditäten anwendbar ist.

Einleitung

Interstitielle Lungenerkrankung (ILD) bezeichnet eine Gruppe diffuser Lungenerkrankungen, die pathologisch durch Entzündungen und Fibrose des pulmonalen Interstitiums gekennzeichnet sind. Während des Krankheitsverlaufs wird sie oft durch mehrere Komorbiditäten erschwert, darunter die pulmonale Hypertonie (PH) als eine der häufigsten Begleiterkrankungen, die die Prognose signifikant beeinflussen 1,2. Epidemiologische Daten zeigen, dass die PH-Inzidenz bei Patienten mit ILD je nach Subtyp und Krankheitsstadium variiert und zwischen 13 % und 86 % liegt. Diese komorbide Erkrankung verringert nicht nur die Lebensqualität der Patienten erheblich und erhöht ihr Sterblichkeitsrisiko, sondern verschärft auch die sozioökonomische und medizinische Belastung 6,7. Im Gegensatz zur pulmonalen arteriellen Hypertonie ist die Pathogenese der interstitiellen lungenerkrankungsassoziierten pulmonalen Hypertonie komplexer und umfasst mehrere pathologische Prozesse wie hypoxische pulmonale Vasokonstriktion, pro-fibrotische und entzündliche faktor-vermittelte vaskuläre Remodellierung sowie extrazelluläre Matrixablagerung 8,9,10. Derzeit bleiben die klinischen Diagnose- und Behandlungsstrategien für diese komorbide Erkrankung relativ begrenzt, und spezifische gezielte Medikamente fehlen. Seine zugrundeliegenden molekularen Mechanismen, Schlüsselsignalwege und frühen Biomarker müssen noch systematischaufgeklärt werden.

Als objektives Werkzeug zur Erkennung von Forschungspunkten und evolutionären Entwicklungen hat die Bibliometrie in den letzten Jahren umfangreiche Anwendung gefunden13,14. Die bioinformatische Analyse identifiziert Schlüsselziele und Kernwege, indem sie zuvor entdeckte krankheitsassoziierte Zieleintegriert 15. Für die Komorbiditätsforschung vertieft die Integration makroskopischer Forschungshotspots mit molekularen Signalweg- und Zielinformationen das Verständnis der Komorbiditätsmechanismen und liefert rechnerische Vorhersagen sowie richtungsorientierte Orientierung für nachfolgende experimentelle Studien. Die Forschung zur Komorbidität interstitieller Lungenerkrankungen und pulmonaler Hypertonie fehlt jedoch weiterhin an einer systematischen integrierten Analyse, die makroskopische Wissenskartierung mit mikroskopischen molekularen Netzwerken kombiniert. Dementsprechend nutzte diese Studie die Web of Science Core Collection (WoSCC) und die Scopus-Datenbanken, um den Entwicklungsverlauf und die Forschungshotspots der ILD-PH-Komorbiditätsforschung mithilfe bibliometrischer Methoden umfassend zu skizzieren. Gleichzeitig wurden bioinformatische Werkzeuge eingesetzt, um Kerngene und potenzielle molekulare Wege zu identifizieren, die mit der Komorbidität verbunden sind, und boten so eine mögliche molekulare Grundlage sowie eine experimentelle Designrichtung für die anschließende experimentelle Forschung und gezielte Erkundung.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Die Studie nutzte öffentlich zugängliche sekundäre Datenbanken, darunter GeneCards, STRING und KEGG. Gemäß Artikel 32 der Verordnung über menschliche genetische Ressourcen Chinas beinhalten diese Datenbanken keine direkte Sammlung menschlicher genetischer Ressourcen innerhalb Chinas; Daher war für diese Studie keine ethische Zustimmung oder informierte Einwilligung erforderlich. Detaillierte Versionsinformationen der in diesem Abschnitt verwendeten Software und Plattformen finden Sie in der Materialtabelle.

1. Literatursammlung und -organisation

  1. Greifen Sie auf die MeSH-Datenbank (Materialtabelle) zu.
  2. Suchen Sie getrennt nach den Krankheitsbegriffen "Interstitielle Lungenerkrankung" und "Pulmonale Hypertonie", um die zugehörigen Unterüberschriften zu finden.
  3. Entwickeln Sie eine umfassende Suchstrategie basierend auf den identifizierten MeSH-Begriffen und Unterüberschriften.
  4. Am 9. März 2026 werden die WoSCC-Datenbank (Materialtabelle) geöffnet.
  5. Wählen Sie Erweiterte Suche aus. Hier kommt die Suchstrategie: TS=("Diffuse Parenchymale Lungenerkrankung" ODER "Diffuse Parenchymale Lungenerkrankungen" ODER "Interstitielle Lungenerkrankung" ODER "Interstitielle Lungenerkrankungen") UND TS=("Pulmonale Hypertonie"). Stellen Sie den Veröffentlichungszeitraum vom 1. Januar 2016 bis zum 31. Dezember 2025 ein und klicken Sie auf Suchen.
  6. Wählen Sie Artikel und Übersichtsartikel als Dokumententypen aus und wählen Sie Englisch als Sprache. Wählen Sie Vollständiges Dokument und Zitierte Referenzen als Inhalt des Datensatzes aus. Exportiere die Datensätze im txt-Format und speichere sie als wos.txt, dann konvertiere sie in CSV-Format und speichere sie als wos.csv.
  7. Am 9. März 2026 öffnen Sie die Scopus-Datenbank (Materialtabelle).
  8. Stellen Sie das Suchfeld auf "Titel" / "Abstract" / "Keywords" ein. Geben Sie die Suchstrategie ein: TITLE-ABS-KEY (("Diffuse Parenchymale Lungenerkrankung" ODER "Diffuse Parenchymale Lungenerkrankungen" ODER "Interstitielle Lungenerkrankung" ODER "Interstitielle Lungenerkrankungen")) UND TITLE-ABS-KEY ("Pulmonale Hypertonie"). Wählen Sie den Jahreszeitraum vom 1. Januar 2016 bis zum 31. Dezember 2025 aus, wählen Sie Medizin als Fachgebiet und klicken Sie auf Suchen (Ergänzende Tabelle 1).
  9. Klicken Sie auf Export, wählen Sie das CSV-Format, exportieren Sie alle abgerufenen Datensätze und speichern Sie als scopus.csv.
  10. Öffnen Sie wos.csv, kopieren Sie die DOI-Spalte und fügen Sie sie in scopus.csv ein. Führen Sie Datenvergleich durch, verwenden Sie die Funktion "Duplikate entfernen " in Excel, um doppelte Datensätze zu markieren, löschen Sie die Duplikate und erhalten Sie scopus1.csv. Für die wenigen Unterlagen ohne DOI haben wir manuell mit einer Kombination aus "Titel + Autor + Jahr" abgegleitet, um die vollständige Einbindung der für diese Studie erforderlichen Literatur sicherzustellen.
  11. Erstelle neue Ordner namens Eingabeverzeichnis und Ausgabeverzeichnis. Legt scopus1.csv nach der Deduplizierung erhalten in das Eingabeverzeichnis ein. Öffnen Sie CiteSpace, klicken Sie auf Daten, wählen Sie Scopus, geben Sie die entsprechenden Ordner an und klicken Sie auf die Schaltfläche Scopus (csv) > WoS, um das Scopus-Datenformat umzuwandeln und das Format der beiden Datenbanken in ein txt-Format zu vereinheitlichen. Nenne die resultierende Datei scopus1.txt.
  12. Führen Sie die Daten aus den beiden Datenbanken zusammen. Fügen Sie scopus1.txt und wos.txt in CiteSpace zur Deduplizierung und Zusammenführung ein, um einheitlich formatierte, deduplizierte Literaturdaten zu erhalten: dataset.txt, für die anschließende Analyse (Ergänzende Tabelle 2).
  13. Überprüfen Sie die erhaltenen wos.txt- und scopus.csv-Dateien, um sicherzustellen, dass der Deduplizierungsprozess DOI als passendes Kriterium verwendet und die dataset.txt Datei erfolgreich generiert wird.

2. Jährliche Analyse des Publikationsoutput-Trends

  1. In Microsoft Excel zählen Sie die Anzahl der Veröffentlichungen nach Jahr, um zwei Datenspalten zu generieren (Jahr, Publikationen).
  2. Wählen Sie den Datensatz aus, greifen Sie auf Diagramm > einfügen > Säulendiagramm zu, um ein Säulendiagramm der jährlichen Publikationsausgabe zu erstellen.
  3. Bestimmen Sie die horizontale Achse als Jahr und die vertikale als Publikationen.
  4. Aktivieren Sie Datenlabels, um die genaue Anzahl der Publikationen pro Jahr anzuzeigen.
  5. Exportiere alle Figuren im Tagged Image File Format (TIFF) und stelle eine Auflösung von mindestens 300 DPI sicher.

3. Nationale/regionale Publikationsausgaben und Analyse internationaler Zusammenarbeit

  1. Starten Sie VOSviewer, wählen Sie Erstellen > Erstellen Sie eine Karte basierend auf bibliografischen Daten > Lesen Sie Daten aus bibliographischen Datenbankdateien16.
  2. Importiere den in Schritt 1.12 generierten Klartext-Datensatz.
  3. Wählen Sie Koautorschaft als Analysetyp und Länder als Analyseeinheit aus.
  4. Setzen Sie die Mindestanzahl an Dokumenten für ein Land auf 40 fest und behalten Sie die 20 besten Länder nach Veröffentlichungsausgabe bei. Um sicherzustellen, dass das Kollaborationsnetzwerk sich auf leistungsstarke Länder konzentriert und dabei die Klarheit und Lesbarkeit der Karte beibehält, sodass es den Lesern erleichtert wird, die zentralen internationalen Forschungskräfte und Kollaborationsmuster intuitiv zu erfassen.
  5. In der Schnittstelle "Ausgewählte Artikel überprüfen " wählen Sie alle Länder aus, kopieren Sie die Liste in Excel und exportieren Sie die Anzahl der Publikationen und Zitationszahlen für jedes Land.
  6. In der resultierenden Excel-Tabelle wählen Sie die Top 10 Länder nach Publikationsausgabe aus und erstellen Sie ein Diagramm, das deren Publikations- und Zitationszahlen darstellt.
  7. Wählen Sie die Schaltfläche "Beenden", um das nationale Kollaborationsnetzwerk aufzubauen und das Netzwerk im GML-Format zu speichern.
  8. Starte Scimago Graphica und importiere die GML-Datei.
  9. Mappe das Label-Feld auf Land und setze den Cluster-Feldtyp auf String.
  10. In der Visualisierungskonfiguration legt man das Ausgabefeld der Publikation (typischerweise Gewicht oder einen ähnlichen Namen) in das Größenfeld, setzt das Clusterfeld als Farbfeld und mappt das Beschriftungsfeld den Feldern Label, Tooltip und Einheit.
  11. Gehe zu Marks > Map. Verwenden Sie Edges für die Anpassung der Linienkrümmung und die Kantenfarbe für die Konfiguration der Knotenfarbe.
  12. Exportiere die endgültige Karte im PNG-Format.
  13. Importieren Sie den in Schritt 1.12 generierten Klartextdatensatz in die Bibliometric Online Analysis Platform (https://bibliometric.com), klicken Sie auf Zitationsdaten hochladen und wählen Sie Länderbeziehungen , um ein nationales Kollaborations-Akkorddiagramm zur Visualisierung zu erstellen.
  14. Ein wichtiger Kontrollpunkt ist es, die Mindestanzahl an Dokumenten angemessen anzupassen, damit das resultierende Netzwerk gut ausbalanciert und visuell klar ist und dennoch die Forschungsziele widerspiegelt.

4. Publikationsausgaben und Zitationsanalyse von Fachzeitschriften

  1. Importiere denselben Datensatz in VOSviewer, wähle Zitation als Analysetyp aus und wähle Quellen als Analyseeinheit aus.
  2. Setzen Sie die Mindestanzahl der Dokumente für eine Quelle auf 5 und die Mindestanzahl der Zitate auf 20.
  3. Kopieren Sie in der Schnittstelle "Verify selected items " die Zeitschriftenliste in Excel, um die Anzahl der Publikationen und die Gesamtzahl der Zitationen für jede Zeitschrift zu erhalten.
  4. Wählen Sie Beenden, und die Karte, die der Zeitschrift mit Co-Zitationen erstellt wird. Passen Sie die Parameter Anziehung und Abstoßung an, um das Layout zu verbessern, verfeinern Sie das Erscheinungsbild mit dem Visualisierungspanel und speichern Sie die Karte als TIFF mit einer Auflösung von mindestens 300 dpi.
  5. In Excel sortieren Sie Zeitschriften nach der Anzahl der Publikationen, wählen Sie die Top 10 Zeitschriften nach Publikationsergebnis aus. Am 9. März 2026 greifen Sie auf die offizielle JCR-Plattform (Table of Materials) auf, suchen Sie jeweils nach jeder Zeitschrift und notieren Sie deren aktuelles Impact Factor und JCR-Quartil. Erstellen Sie ein Diagramm, das die Top 10 Zeitschriften nach Publikationsergebnissen anzeigt.
  6. In Excel sortieren Sie Zeitschriften nach Gesamtzahl der Zitationen, wählen Sie die Top 10 Zeitschriften nach Zitationshäufigkeit aus. Am 9. März 2026 haben sie ihr aktuelles Impact Factor und JCR-Quartil von der offiziellen JCR-Plattform abgerufen und aufgenommen. Erstellen Sie ein Diagramm, das die Top 10 Zeitschriften nach Zitationshäufigkeit darstellt.

5. Analyse von hochproduktiven Autoren-Kollaborationsnetzwerken

  1. Importiere den Datensatz in VOSviewer, wähle Co-Authorship als Analysetyp aus und wähle Authors als Analyseeinheit.
  2. Setze die Mindestanzahl an Dokumenten für einen Autor auf 3, um Autoren mit einem bestimmten Aktivitätsniveau zu filtern.
  3. In der Schnittstelle "Ausgewählte Artikel überprüfen " kopieren Sie die Autorenliste und speichern Sie die Publikations- und Zitationszahlen der Autoren in einer Excel-Datei.
  4. Wähle Finish, um das Autoren-Kollaborationsnetzwerk zu erstellen, passe das Netzwerklayout und das Erscheinungsbild an und speichere es als TIFF-Format.
  5. In Excel sortieren Sie die Autoren nach ihrer Anzahl der Veröffentlichungen, wählen Sie die 10 produktivsten Forscher aus und erstellen Sie eine Donut-Tabelle, um ihre Publikationszahlen anzuzeigen.
  6. Aus dem ursprünglichen Datensatz werden die Top 10 Autoren nach Zitationsanzahl abgerufen, ihre jeweiligen Länder identifiziert, unterschiedliche Farben je nach Land zugewiesen und eine Tabelle erstellt, die die Top 10 Autoren nach Zitationshäufigkeit anzeigt.

6. Schlüsselwort-Ko-Auftreten und thematische Evolutionsanalyse

  1. Starte CiteSpace und navigiere zu Data > Import/Export.
  2. Leg die in Schritt 1.12 exportierte txt-Datei in den Eingabeordner. In der Import/Export-Schnittstelle stellen Sie die Eingabe- und Ausgabepfade fest, wählen Sie Artikel und Review als Dokumenttypen aus und klicken Sie auf Start, um die Datenformatkonvertierung durchzuführen.
  3. Nach der Konvertierung kopieren Sie die Dateien aus dem Ausgabeordner in den Datenordner. In der Hauptoberfläche von CiteSpace klicken Sie auf Neu, setzen Sie das Projektverzeichnis und das Datenverzeichnis, wählen Sie WoS als Datenquelle aus und wählen Sie Englisch als Sprache.
  4. Gehe zum Zeitschnitt-Panel rechts, setze den Zeitraum auf 2016–2025, wähle ein 1-Jahres-Fenster und wähle Keyword als Knotentyp.
  5. Wenden Sie den g-Index (k=10) für die Netzwerkskalierung an und wählen Sie die drei Pruning-Strategien aus: Pathfinder, Sliced Networks Pruning und Pruning the merged network.
  6. Klicken Sie auf Start, um die Analyse durchzuführen. Nach Abschluss verwenden Sie die One-Click Clustering Label Optimization-Funktion , um die Schlüsselwort-Co-Occurrence-Map zu erstellen.
  7. Stellen Sie die Anzeige der Knoten- und Clusterbeschriftungen im Bedienfeld ein und optimieren Sie visuelle Elemente wie die Knotengröße.
  8. Wählen Sie Layout > Timeline , um die Keyword-Timeline-Ansicht zu generieren.
  9. Im Kontrollpanel wählen Sie Burstness, klicken Sie auf Aktualisieren und Anzeigen nacheinander, legen Sie die Anzahl der 25 wichtigsten Keywords fest und erstellen Sie das Diagramm der Top 25 nach Burst-Stärke. Exportiere die generierten Bilder im TIFF-Format zur Speicherung.

7. Referenz-Co-Zitationsanalyse

  1. Lade denselben Datensatz in CiteSpace. Setzen Sie den Zeitrahmen und die Ausschnittsstrategien wie in den Schritten 6.4–6.5 beschrieben ein und wählen Sie Zitierte Referenz als Knotentyp aus.
  2. Nach der Ausführung der Analyse verwenden Sie die One-Click Clustering Label Optimization-Funktion , um die Referenz-Co-Occurrence-Abbildung zu erzeugen.
  3. Passen Sie Knoten- und Clusterlabels an und wählen Sie Cluster aus, um die Referenz-Clustering-Karte zu erstellen.
  4. Im Burstness-Panel stellen Sie die Anzeige so ein, dass die 20 meistzitierten Referenzen nach Zitationshäufigkeit angezeigt werden, und erstellen Sie das Diagramm der 20 meist kozitierten Referenzen nach Burst-Stärke.
  5. Exportiere alle Bilder im TIFF-Format zur Speicherung.

8. PPI-Netzwerkanalyse

  1. Greifen Sie am 12. März 2026 auf die GeneCards-Datenbank (https://www.genecards.org)17zu, und suchen Sie mit den Schlüsselwörtern "Interstitielle Lungenerkrankung" bzw. "Pulmonale Hypertonie". Die für die Suche verwendeten Krankheitsbegriffe stimmen mit denen in der Literaturabfrage überein, und es wurden keine weiteren Begriffsvarianten erweitert.
  2. Exportiere die Liste der Ziele mit einem Relevanzscore ≥ 1 für jede Suche. Die Extraktionsmethode bestand darin, nach Relevanzscore zu sortieren und alle Ziele mit einer Punktzahl ≥ 1 zu exportieren. Die Schwelle von ≥ 1 wurde gewählt, weil sie die überwiegende Mehrheit der literaturgestützten assoziierten Gene erfasst und gleichzeitig Fehlalarme minimiert.
  3. Verwenden Sie R, um die Schnittmenge der beiden Zielmengen zu erhalten, was zu den ILD-PH-komorbiditätsbezogenen Zielen führt.
  4. Greifen Sie auf das Multiple Proteins-Modul der STRING-Datenbank (https://cn.string-db.org/)18 zu, geben Sie die Liste der Komorbiditätsziele in das Suchfeld ein und wählen Sie Homo sapiens als Art aus.
  5. Klicken Sie auf Weiter, dann im Einstellungspanel setzen Sie den Mindestwert für die erforderliche Interaktion auf Hohe Sicherheit (0,700) und aktivieren Sie das Ausblenden von getrennten Knoten im Netzwerk19.
  6. Nach dem Netzwerk-Update laden Sie die Interaktionsdaten als TSV-Datei aus dem Exportmenü herunter.
  7. Starte Cytoscape und lade die TSV-Datei über File > Import > Netzwerk aus dem Dateisystem.
  8. In Tools > NetworkAnalyzer > Network Analysis > Network Interpretation wählen Sie "Behandeln Sie das Netzwerk als nichtgerichtet" und berechnen Sie topologische Parameter, einschließlich Knotengrad.
  9. Konfigurieren Sie Knotenform, Farbe, Größe und andere Aussehenseinstellungen im Style-Panel und passen Sie die Knotenpositionen manuell an, um ein klares Layout zu erhalten.
  10. Speichere das PPI-Netzwerkabbild über Datei > exportiere > Netzwerkabbild in Datei und exportiere die Netzwerkanalyseergebnisse über Datei > Exportiere > Tabelle in Datei.
  11. Öffnen Sie die exportierte Tabelle in Excel, ordnen Sie die Spalte "Grad " absteigend, wählen Sie die 20 wichtigsten Schlüsselziele zusammen mit ihren Gradwerten aus, erstellen Sie ein Balkendiagramm mit Datenetiketten und exportieren Sie im TIFF-Format.

9. KEGG-Signalweganreicherungsanalyse

  1. Starte R und gib die Befehle ein, um die erforderlichen Pakete zu installieren und zu laden (Zusatztabelle 3):
    install.packages("BiocManager")
    BiocManager::install(c("clusterProfiler", "org. Hs.eg.db"))
    library(clusterProfiler)
    Bibliothek(org. Hs.eg.db)
  2. Konvertiere die Gensymbole von ILD-PH-Komorbiditätszielen mit der Bitr()-Funktion in Entrez-IDs um. In R werden folgende Wörter eingegeben:
    coma_entrez <- bitr(coma_genes, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org. Hs.eg.db)
  3. Führen Sie eine Anreicherungsanalyse mit der Funktion enrichKEGG() mit folgenden Parametern durch: organismus = "has", pvalueCutoff = 0,05, qvalueCutoff = 0,05. Die Benjamini-Hochberg-(BH)-Methode wurde für mehrfache Testkorrekturen verwendet. Geben Sie folgenden Code ein:
    kegg_result <- enrichKEGG(gen = coma_entrez$ENTREZID,
    organismus = "hat",
    pvalueCutoff = 0,05,
    qvalueCutoff = 0,05,
    use_internal_data = FALSCH)
    HINWEIS: p-Wert: der ursprüngliche p-Wert, der die Wahrscheinlichkeit repräsentiert, das gegebene Anreicherungsniveau zu beobachten; q-Wert: der FDR (False Discovery Rate) nach der Benjamini-Hochberg-Korrektur, unter Kontrolle der Falsch-Positiv-Rate. In dieser Studie wurde q < 0,05 als Kriterium für eine signifikante Anreicherung verwendet.
  4. Filtern Sie die Ergebnisse mit den Schlüsselwörtern "Menschliche Krankheiten" und "Metabolismus", um Wege zu entfernen, die mit menschlichen Krankheiten und dem Stoffwechsel assoziiert sind, und behalten dabei biologische Prozesswege. Menschliche Krankheiten und Stoffwechselwege beschreiben hauptsächlich die Gesamtmechanismen von Krankheiten und Stoffwechselnetzwerken, die schwach mit den Fibrose-, Entzündungs- und Gefäßremodellierungsmechanismen der ILD-PH-Komorbidität assoziiert sind. Daher wurden sie ausgeschlossen, um die Ergebnisse auf zentrale Signalwege zu fokussieren. Hier kommt hier ins Spiel:
    kegg_result_df <- as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[!grepl("Menschliche Krankheiten|Metabolism", kegg_result_df$Beschreibung), ]
  5. Sortiere die Pfade in absteigender Reihenfolge nach Genanzahl, wähle die Top 10 Signalwege aus, erstelle mit der Dotplot()-Funktion einen Dotplot und exportiere den Plot im PNG-Format. Hier kommt hier ins Spiel:
    top10_pathways <- kopf(kegg_filtered[order(kegg_filtered$Count, abnehmend = TRUE), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave("KEGG_dotplot.png", dotplot_result, Breite = 8, Höhe = 6, DPI = 300)
  6. Extrahieren Sie die 10 wichtigsten Signalwege und ihre zugehörigen Zielgene, erstellen Sie eine zweispaltige Tabelle (Wegname, Zielgen) und speichern Sie die Tabelle als tab-begrenzte TXT-Datei.
  7. Importiere die Datei in Cytoscape, konfiguriere die Form- und Farbunterschiede zwischen Pathway-Knoten und Zielknoten über das Style-Panel , verfeinere das Layout manuell und exportiere das Pathway-Target-Netzwerkbild20.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Datenabruf und Screening

Insgesamt wurden 2.400 Datensätze aus der Scopus-Datenbank erhoben, während 696 in der WoSCC-Datenbank identifiziert wurden. Nach dem Zusammenführen der beiden Datensätze und dem Entfernen von 533 doppelten Datensätzen wurden insgesamt 2.563 einzigartige Publikationen für die anschließende bibliometrische Analyse aufgenommen (Abbildung 1).

Jährliche Verö...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Diese Studie stellt die erste integrierte Anwendung von Bibliometrie und Bioinformatik dar, um die Komorbidität von ILD und PH zu untersuchen. Er überprüft systematisch den Entwicklungsverlauf, die Wissensstruktur und die Spitzentrends in diesem Bereich im letzten Jahrzehnt und identifiziert die Hub-Gene und Schlüsselsignalwege, die diesem komorbiden Zustand auf molekularer Ebene zugrunde liegen. Aus Perspektive des Makrotrends stieg die jährliche Anzahl der Publikationen in diesem Berei...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren berichten von keinem Interessenkonflikt in dieser Arbeit.

Danksagungen

Die Autoren danken dankbar für die finanzielle Unterstützung des Hauptprojekts Noncommunicable Chronic Diseases – National Science and Technology (2024ZD0522300, 2024ZD0522301) und des gemeinnützigen Zentralen Forschungsinstituts der Chinesischen Akademie der Medizinischen Wissenschaften (01.ZHCH330. 2022).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

```html
Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Bibliometric Online Analysis PlatformK-Synth Srl (Bibliometric)https://bibliometric.comOnline Analyseplattform; Modul: Länderbeziehungen; generiert Länder-Kooperations-Chord-Diagramm; abgerufen am 10. März 2026
CiteSpaceDrexel University6.4.R1Bibliometrische Analyse; Zeitscheiben: 2016–2025; Knotentypen: Schlüsselwörter, Referenzen; Beschneidung: Pathfinder + Beschneidung von geschnittenen Netzwerken
clusterProfiler (R-Paket)Guangchuang Yu et al.4.13.2KEGG-Anreicherungsanalyse; Schwellenwerte: p < 0,05, q < 0,2
CytoscapeCytoscape Consortium3.10.3Netzwerkvisualisierung und -analyse; Plugin: CytoHubba; Algorithmus: Gradzentralität; verwendet für die Hub-Gen-Identifizierung
GeneCardsWeizmann Institute of Sciencehttps://www.genecards.orgGen-Informationsdatenbank; Datenbankversion 5.22; abgerufen am 12. März 2026; Filterkriterium: Relevanzscore ≥ 1
Journal Citation Reports (JCR)Clarivate Analyticshttps://jcr.clarivate.comJournal Impact Factor und Quartil-Abfrage; abgerufen am 9. März 2026
KEGGKyoto Encyclopedia of Genes and Genomeshttps://www.kegg.jpPfaddatenbank; abgerufen über clusterProfiler API am 13. März 2026; Spezies: hsa
MeSH DatabaseNational Library of Medicine (NLM)https://meshb.nlm.nih.govMeSH-Begriffsabfrage-Datenbank; abgerufen am 9. März 2026; verwendet zur Konstruktion der Suchstrategie
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)Datenstatistik und Diagrammerstellung; verwendet für Publikationszählung, Deduplikation, Diagrammdarstellung
org.Hs.eg.db (R-Paket)Bioconductor Core Team3.20.0Datenbank für die menschliche Genomannotierung; verwendet für die Gen-ID-Umwandlung
RR Core Team4.4.2Statistisches Berechnungs- und Plotting-Umfeld; Ausführungsdatum: 13. März 2026
Scimago GraphicaScimago Lab2Visualisierungstool; Layout: Kartenprojektion; Kantenkrümung: 0,5; Farbzuordnung: nach Cluster
ScopusElsevierhttps://www.scopus.comLiteraturabfrage-Datenbank; Elsevier Scopus 2026 komplette Ausgabe; Abfragedatum: 9. März 2026
STRINGEMBL12.0 / https://cn.string-db.orgProtein-Protein-Interaktionsdatenbank; abgerufen am 12. März 2026; Interaktionsscore-Schwellenwert: 0,7 (hohe Zuverlässigkeit); Netzwerktyp: physikalisch + funktional
VOSviewerLeiden University1.6.20Bibliometrische Analyse; Koautorschaft als Analysetyp; Normalisierungsmethode: Assoziationsstärke
Web of Science Core CollectionClarivate Analyticshttps://www.webofscience.comLiteraturabfrage-Datenbank; deckt SCIE und SSCI Subdatenbanken ab; Abfragedatum: 9. März 2026
```

Referenzen

  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.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

BiologieAusgabe 234Ausgabe 234
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.