이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

서지 측정학 및 생물정보학 연구 핫스팟과 주요 동반질환 대상 탐구: 간질성 폐질환과 폐고혈압

5 조회수

⸱

DOI:

10.3791/71631

⸱

2026년 8월 7일

 ,  ,  , 
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

이 논문에서

요약

이 프로토콜은 간질성 폐질환과 폐고혈압을 예시로 사용하며, 서지계량학과 생물정보학을 통합하여 연구 동향, 핫스팟, 주요 표적 및 관련 경로를 체계적이고 예비적으로 탐구합니다. 이 프로토콜은 프롬프트를 수정하여 질병 쌍을 분석하는 데 복제할 수 있습니다.

초록

간질성 폐질환(ILD)과 폐고혈압(PH)은 종종 동반질환으로 공존하여 임상 결과가 좋지 않고 치료 옵션이 제한적입니다. 중요한 연구 핫스팟을 식별하고 주요 동반 질환 표적을 밝히는 것은 질병 관리 개선과 새로운 치료 전략 개발에 필수적입니다. 이 프로토콜은 Web of Science Core Collection과 Scopus 데이터베이스에서 관련 출판물을 검색하고, CiteSpace와 VOSviewer를 사용해 연구 핫스팟과 변화하는 추세를 지도화합니다. 이후 GeneCards 데이터베이스에서 두 질병과 관련된 중복 유전적 표적이 확인됩니다. 단백질-단백질 상호작용 네트워크는 STRING을 사용하여 허브 유전자를 식별하며, KEGG 경로 풍부 분석을 R 언어를 사용하여 주요 신호 전달 경로를 명확히 합니다. 결과는 서지 측정학이 이 학제간 분야의 발전 경로를 거시적 관점에서 식별한다는 것을 보여줍니다; 생물정보학 분석 결과 FN1, IL6, TNF가 잠재적 핵심 동반 질환 표적임이 밝혀졌으며; KEGG 농축 분석은 PI3K-Akt와 MAPK를 중심으로 한 면역 관련 경로가 동반 질환의 발병에 깊이 관여함을 보여줍니다. 두 접근법을 통합함으로써, 본 프로토콜은 ILD-PH 동반질환 연구의 발달 경로와 연구 핫스팟을 체계적으로 명확히 규정하고, 잠재적 동반질환 표적과 경로를 예비적으로 선별합니다. 이는 향후 실험 연구와 임상 검증을 위한 방향성과 계산적 기반을 제공합니다. 이 통합 프레임워크는 다른 복잡한 질병 동반 질환 연구에 적용 가능한 재현 가능한 방법론을 제공합니다.

서론

간질성 폐질환(ILD)은 폐간질의 염증과 섬유화로 병리학적으로 특징지어지는 확산성 폐 질환군을 의미합니다. 질병 진행 과정에서 여러 동반 질환으로 복잡해지는 경우가 많으며, 그중 폐고혈압(PH)은 예후에 큰 영향을 미치는 흔한 동반질환 중 하나입니다 1,2. 역학 자료에 따르면 ILD 환자의 PH 발생률은 아형과 질환 단계에 따라 13%에서 86% 사이로 다양합니다. 이 동반 질환은 환자의 삶의 질을 크게 저하시키고 사망 위험을 높일 뿐만 아니라, 사회경제적·의료 부담을 악화시킵니다 6,7. 폐동맥 고혈압과 달리, 간질성 폐질환 관련 폐고혈압의 병인기는 더 복잡하며, 저산소성 폐혈관 수축, 섬유화 및 염증성 인자 매개 혈관 재형성, 세포외 기질 침착 등 여러 병리학적 과정을 포함합니다 8,9,10. 현재 이 동반 질환에 대한 임상 진단과 치료 전략은 비교적 제한적이며, 특정 표적 약물도 부족합니다. 그 기저 분자 기전, 주요 신호 전달 경로, 초기 바이오마커는 아직 체계적으로 밝혀지지 않아야 합니다11,12.

연구 중심점과 진화 경로를 감지하는 객관적 도구로서 서지계량학은 최근 몇 년간 광범위하게 적용되고 있습니다13,14. 생물정보학 분석은 이전에 발견된 질병 관련 표적을 통합하여 주요 표적과 핵심 경로를 식별합니다15. 동반질환 연구에서는 거시적 연구 핫스팟과 분자 수준의 경로 및 표적 정보를 통합함으로써 동반 질환 메커니즘에 대한 이해를 심화시키고, 이후 실험 연구에 대한 계산적 예측과 방향성 지침을 제공합니다. 그러나 간질성 폐질환과 폐고혈압의 동반 질환에 관한 연구는 여전히 거시적 지식 매핑과 미시적 분자 네트워크를 결합한 체계적 통합 분석이 부족하다. 이에 따라 본 연구는 Web of Science Core Collection(WoSCC)과 Scopus 데이터베이스를 활용하여 ILD-PH 공존 질환 연구의 발전 경로와 연구 핫스팟을 서지계량학 방법을 통해 포괄적으로 개괄하였습니다. 동시에 생물정보학 도구를 활용해 핵심 유전자와 동반 질환과 관련된 잠재적 분자 경로를 식별하여, 이후 실험 연구와 목표 탐사를 위한 분자 기반과 실험 설계 방향을 제공하였습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

이 연구는 GeneCards, STRING, KEGG 등 공개된 2차 데이터베이스를 사용했습니다. 중국 인간유전자원 규정 제32조에 따르면, 이 데이터베이스들은 중국 내에서 직접 인간 유전자원을 수집하는 것을 포함하지 않습니다; 따라서 이 연구에는 윤리적 승인이나 사전 동의가 필요하지 않았습니다. 이 섹션에서 사용되는 소프트웨어 및 플랫폼의 상세 버전 정보는 재료표에 제공되어 있습니다.

1. 문헌 수집 및 조직

  1. MeSH 데이터베이스(재료표)에 접속하세요.
  2. "간질성 폐질환"과 "폐고혈압"이라는 질병 용어를 별도로 검색하여 관련 하위 항목을 찾으세요.
  3. 식별된 MeSH 용어와 소제목을 바탕으로 포괄적인 검색 전략을 개발하세요.
  4. 2026년 3월 9일, WoSCC 데이터베이스(재료표)를 열어보세요.
  5. 고급 검색을 선택하세요. 검색 전략을 입력하세요: TS=("확산성 실질성 폐질환" 또는 "확산성 실질성 폐 질환" 또는 "간질성 폐 질환" 또는 "간질성 폐 질환") 그리고 TS=("폐 고혈압"). 출판일을 2016년 1월 1일부터 2025년 12월 31일까지 범위를 설정하고 검색을 클릭하세요.
  6. 문서 유형은 'Articles and Review Articles' 를 선택하고, 언어는 영어 를 선택하세요. 기록 내용으로 ' 전체 기록 및 인용 참고문헌 '을 선택하세요. 기록을 txt 형식으로 내보내고 wos.txt 저장한 후 csv 형식으로 변환하고 wos.csv로 저장하세요.
  7. 2026년 3월 9일, Scopus 데이터베이스(재료표)를 열어보세요.
  8. 검색 필드를 "제목" / "초록" / "키워드"로 설정하세요. 검색 전략을 입력하면 TITLE-ABS-KEY(("확산성 실질 폐질환" 또는 "확산성 실질 폐질환" 또는 "간질성 폐질환" 또는 "간질성 폐질환")과 TITLE-ABS-KEY("폐고혈압"). 2016년 1월 1일부터 2025년 12월 31일까지의 연도를 선택하고, 의학 을 주제로 선택한 후 검색 (보충표 1)을 클릭하세요.
  9. 내보내기를 클릭하고 CSV 형식을 선택한 후 검색한 모든 기록을 내보내고 scopus.csv로 저장하세요.
  10. wos.csv 열고 DOI 열을 복사한 후 scopus.csv에 붙여넣으세요. 데이터 비교를 수행하고, 엑셀의 중복 제거 기능을 사용해 중복 기록을 표시하며, 중복 기록을 삭제하고 scopus1.csv을 얻습니다. DOI가 없는 극소수의 기록에 대해서는 "title + 저자 + 연도"의 조합을 사용해 이 연구에 필요한 문헌이 완전하게 포함되도록 수동으로 교차 검증했습니다.
  11. 입력 디렉터리와 출력 디렉터리라는 새 폴더를 만듭니다. 중복 제거 후 입력 디렉터리에 얻은 scopus1.csv 배치. CiteSpace를 열고 Data를 클릭한 후 Scopus를 선택한 후 해당 폴더를 지정한 뒤, Scopus(csv) > WoS 버튼을 눌러 Scopus 데이터 형식을 변환하여 두 데이터베이스의 형식을 txt 형식으로 통합하세요. 결과 파일 이름을 scopus1.txt.
  12. 두 데이터베이스의 데이터를 병합하세요. scopus1.txt와 wos.txt를 CiteSpace에 넣어 중복 제거 및 병합하여 균일하게 형식화되고 중복 제거된 문헌 데이터를 얻으세요: dataset.txt, 후속 분석을 위한 것(보충 표 2).
  13. 얻은 wos.txt 및 scopus.csv 파일을 확인하여 중복 제거 과정이 DOI를 일치 기준으로 사용하는지, 그리고 dataset.txt 파일이 성공적으로 생성되었는지 확인하세요.

2. 연간 출판물 산출 추세 분석

  1. Microsoft Excel에서는 연도별 출판물 수를 세어 두 개의 데이터 열(연도, 출판물)을 생성합니다.
  2. 데이터셋을 선택하고, 연간 출판 산출량의 열형 차트를 생성하려면 > 차트 > 열형 차트를 삽입하세요.
  3. 가로축을 연도 , 세로축을 출 판물로 지정합니다.
  4. 데이터 라벨이 각 연도별 특정 출판물 수를 표시하도록 활성화하세요.
  5. 모든 피규어를 태그 이미지 파일 형식(TIFF)으로 내보내며, 최소 300 dpi 해상도를 보장하세요.

3. 국가/지역 출판물 결과 및 국제 협력 분석

  1. VOSviewer를 실행하고 선택 > 서 지 데이터를 기반으로 지도 생성 > 서 지 데이터베이스 파일에서 데이터를 읽기16.
  2. 1.12단계에서 생성된 일반 텍스트 데이터셋을 가져오세요.
  3. 분석 유형으로 공동 저자를, 분석 단위로 국가를 선택하세요.
  4. 국가별 최소 문서 수를 40개로 설정하며, 출판 결과량 기준 상위 20개국을 유지합니다. 협력 네트워크가 고생산국에 집중하면서도 지도의 명확성과 가독성을 유지하여 독자들이 핵심 국제 연구 세력과 협력 패턴을 직관적으로 이해하기 쉽게 하도록 하는 것입니다.
  5. 선택된 항목 검증 인터페이스에서 모든 국가를 선택한 후 목록을 Excel로 복사한 뒤, 각 국가별 출판물 수와 인용 수를 내보내세요.
  6. 결과된 엑셀 표에서 출판 결과물별 상위 10개국을 선택하고, 출판 및 인용 수를 보여주는 차트를 생성합니다.
  7. "완료" 버튼을 선택하여 국가 협업 네트워크를 구축하고 GML 형식으로 네트워크를 저장하세요.
  8. Scimago Graphica를 실행하고 GML 파일을 가져오세요.
  9. 라벨 필드를 Country로 매핑하고 클러스터 필드 타입을 String으로 설정하세요.
  10. 시각화 구성에서 출판 출력 필드(보통 weight 또는 유사한 이름)를 Size 박스에 넣고, 클러스터 필드를 Color 박스로 설정한 뒤, 라벨 필드를 Label, Tooltip, Unit 박스에 매핑합니다.
  11. 표시 > 지도로 가세요. 선 곡률 조정에는 엣지 를, 노드 색상 구성에는 엣지 컬러 를 사용하세요.
  12. 최종 지도를 PNG 형식으로 내보내세요.
  13. 1.12단계에서 생성된 일반 텍스트 데이터셋을 서지 온라인 분석 플랫폼(https://bibliometric.com)에 가져오고, 인 용 데이터 업로드를 클릭한 후 국가 협력 코드 다이어그램을 시각화할 수 있도록 국가 관계 선택을 하세요.
  14. 핵심 체크포인트는 연구 목표를 반영하면서도 결과 네트워크가 균형 잡히고 시각적으로 명확하도록 최소 문서 수를 적절히 조정하는 것입니다.

4. 학술지 출판 결과 및 인용 분석

  1. 동일한 데이터셋을 VOSviewer에 가져오고, 분석 유형으로 Citation 을 선택하고, 분석 단위로 Source 를 선택하세요.
  2. 출처의 최소 문서 수는 5개, 인용 횟수는 최소 20개로 설정하세요.
  3. 선택된 항목 검증 인터페이스에서 저널 목록을 엑셀로 복사하여 각 저널별 출판 수와 총 인용 수를 확인하세요.
  4. Finish를 선택하면 저널 공동 인용 네트워크 맵이 생성됩니다. 인력과 반발 파라미터를 조정해 레이아웃을 강화하고, 시각화 패널을 사용해 외관을 다듬으며, 최소 300 dpi 해상도의 TIFF로 지도를 저장하세요.
  5. 엑셀에서 저널을 출판 수순으로 정렬하고, 발표 결과물별로 상위 10개 저널을 선택하세요. 2026년 3월 9일, 공식 JCR 플랫폼(자료표)에 접속하여 각 저널을 검색하고 최신 임팩트 팩터 및 JCR 4분위수를 기록하세요. 출판 결과물별 상위 10개 저널을 보여주는 차트를 생성하세요.
  6. 엑셀에서 저널을 총 인용 횟수별로 정렬하고, 인용 빈도별로 상위 10개 저널을 선택하세요. 2026년 3월 9일, 공식 JCR 플랫폼에서 최신 임팩트 팩터 및 JCR 4분위수를 검색하여 기록하세요. 인용 빈도별 상위 10개 저널을 보여주는 차트를 생성하세요.

5. 고생산성 저자 협업 네트워크 분석

  1. 데이터셋을 VOSviewer에 가져오고, 분석 유형으로 공동 저자를 선택하고, 분석 단위로 저 자를 선택하세요.
  2. 저자의 최소 문서 수를 3개로 설정해 일정 수준의 활동 저자를 필터링하세요.
  3. 선택된 항목 검증 인터페이스에서 저자 목록을 복사하고 저자의 출판 수와 인용 수를 엑셀 파일에 저장하세요.
  4. Finish를 선택해 저자 협업 네트워크를 생성하고, 네트워크 레이아웃과 외관을 조정하며, TIFF 형식으로 저장하세요.
  5. 엑셀에서는 저자를 출판 수에 따라 정렬하고, 가장 생산적인 10명의 연구자를 선정하며, 출판 수를 보여주는 도넛 차트를 생성할 수 있습니다.
  6. 원본 데이터셋에서 인용 횟수 기준으로 상위 10명의 저자를 찾아내고, 각 국가를 식별하며, 국가별로 뚜렷한 색상을 부여한 뒤, 인용 빈도별 상위 10명의 저자를 보여주는 차트를 생성합니다.

6. 키워드 동시 발생과 주제 진화 분석

  1. CiteSpace를 실행하고 데이터 > 가져오기/내보내기로 이동하세요.
  2. 1.12단계에서 내보낸 txt 파일을 입력 폴더에 넣으세요. 가져오기/내보내 기 인터페이스에서 입력 및 출력 경로를 설정하고, 문서 유형으로 '기사 '와 '리뷰 '를 선택한 후 '시작 '을 클릭하여 데이터 형식 변환을 수행합니다.
  3. 변환 후에는 출력 폴더에서 데이터 폴더로 파일을 복사하세요. CiteSpace 메인 인터페이스에서 '새로 만들기'를 클릭하고, 프로젝트 디렉터리와 데이터 디렉터리를 설정하고, 데이터 소스로 WoS 를 선택하고, 언어로 영어 를 선택하세요.
  4. 오른쪽 시간 분할 패널로 가서 구간을 2016–2025년으로 설정하고, 1년 창을 채택한 뒤 노드 유형으로 키워 드를 선택하세요.
  5. 네트워크 확장에 g-인덱스(k=10)를 적용하고, 세 가지 가지치기 전략을 선택하세요: Pathfinder, 슬라이스 네트워크 가지치기, 병합된 네트워크 가지치기.
  6. 분석을 실행하려면 시작 을 클릭하세요. 완료 후에는 원클릭 클러스터링 라벨 최적화 기능을 사용하여 키워드 공현 지도를 생성합니다.
  7. 제어판에서 노드 및 클러스터 라벨 표시를 설정하고, 노드 크기 같은 시각적 요소를 최적화하세요.
  8. 타임라인 > 레이아웃을 선택하여 키워드 타임라인 뷰를 생성하세요.
  9. 제어판에서 Burstness를 선택하고 Refresh 와 View 를 순차적으로 클릭한 뒤, 표시할 상위 25개 키워드 수를 설정하고, 버스트 강도별로 상위 25개 키워드의 차트를 생성하세요. 생성된 이미지를 TIFF 형식으로 내보내 저장하세요.

7. 참고문헌 공동 인용 분석

  1. 같은 데이터셋을 CiteSpace에 불러오세요. 6.4–6.5단계에서 설명한 시간 범위와 가지치기 전략을 설정하고, 노드 유형으로 인 용된 참고문헌(Cited Reference )을 선택합니다.
  2. 분석을 실행한 후에는 원클릭 클러스터링 라벨 최적화 기능을 사용하여 참조 공현 지도를 생성합니다.
  3. 노드와 클러스터 라벨을 조정하고, 참조 클러스터링 맵을 생성하기 위해 클러스터를 선택하세요.
  4. 버스트니스 패널에서 인용 빈도별 상위 20개 참고문헌을 표시하고, 버스트 강도별로 상위 20개 공동 인용 문헌 차트를 생성하세요.
  5. 모든 이미지를 저장용으로 TIFF 형식으로 내보내세요.

8. PPI 네트워크 분석

  1. 2026년 3월 12일 GeneCards 데이터베이스 (https://www.genecards.org)17에 접속하여 각각 "간질성 폐질환"과 "폐고혈압"을 키워드로 검색하세요. 검색에 사용된 질병 용어는 문헌 검색 결과와 일치하며, 추가 용어 변이도 확장되지 않았습니다.
  2. 각 검색마다 관련성 점수 1≥ 대상 목록을 내보내세요. 추출 방법은 관련성 점수로 정렬하고 점수 1≥ 모든 타겟을 내보내는 것이었습니다. ≥ 1이라는 임계값은 문헌에 근거된 대부분의 관련 유전자를 포착하면서도 거짓 양성을 최소화하기 때문에 선택되었습니다.
  3. R을 사용하여 두 표적 집합의 교집합을 얻어 ILD-PH 동반 질환 관련 표적을 얻습니다.
  4. STRING 데이터베이스(https://cn.string-db.org/)18의 다중 단백질 모듈에 접속하여 검색창에 동반질환 표적 목록을 입력한 후 종으로 호모 사피엔스를 선택하세요.
  5. 계속을 클릭한 후 설정 패널에서 최소 필요 상호작용 점수를 높음(0.700)으로 설정하고, 네트워크 내 연결 끊긴 노드를 숨기기를 활성화하세요.
  6. 네트워크를 업데이트한 후, 내보내기 메뉴에서 상호작용 데이터를 TSV 파일로 다운로드하세요.
  7. Cytoscape를 실행하고, 파일 시스템에서 네트워크 > 가져오기 > TSV 파일을 불러오세요.
  8. NetworkAnalyzer > 도구 > 네트워크 분석 > 네트워크 해석에서 '네트워크를 무방향으로 취급하기'를 선택하고 노드 차수를 포함한 위상 매개변수를 계산합니다.
  9. 스타일 패널에서 노드 모양, 색상, 크기 및 기타 외관 설정을 설정하고, 노드 위치를 수동으로 조정하여 명확한 레이아웃을 얻으세요.
  10. PPI 네트워크 이미지를 파일 > '네트워크 이미지 내보내기'> 저장하고, 네트워크 분석 결과는 파일 > '테이블 내보내기'를 통해 내보내>
  11. Excel에서 내보낸 표를 열고, Degree 열의 내림차순으로 정렬한 뒤, 상위 20개의 주요 목표와 그 등급 값을 선택한 뒤, 데이터 라벨이 포함된 막대 차트를 만들고 TIFF 형식으로 내보내세요.

9. KEGG 경로 농축 분석

  1. R을 실행하고 필요한 패키지를 설치하고 로드하는 명령을 입력하세요 (보충 표 3):
    install.packages("BiocManager")
    BiocManager::install(c("clusterProfiler", "org. Hs.eg.db"))
    library(clusterProfiler)
    library(org. Hs.eg.db)
  2. bitr() 함수를 사용하여 ILD-PH 공존 질환 표적의 유전자 심볼을 Entrez ID로 변환합니다. R에서 다음을 입력하자:
    coma_entrez <- bitr(coma_genes, fromType = "SYMBOL", toType = "ENTREZID", OrgDb = org. Hs.eg.db)
  3. enrichKEGG() 함수를 사용하여 다음 매개변수를 사용하여 농축 분석을 수행합니다: 유기체 = "has", pvalueCutoff = 0.05, qvalueCutoff = 0.05. 벤자미니-호흐버그(BH) 방법이 다중 시험 보정에 사용되었습니다. 다음 코드를 입력하세요:
    kegg_result <- enrichKEGG(gene = coma_entrez$ENTREZID,
    유기체 = "가짐",
    pvalueCutoff = 0.05,
    qvalueCutoff = 0.05,
    use_internal_data = 거짓)
    참고: p-값: 원래 p-값으로, 주어진 농축 수준을 관측할 확률을 나타냅니다; q-값: 벤자미니-호흐버그 보정 이후의 FDR(거짓 발견률)으로, 거짓 양성률을 제어합니다. 본 연구에서는 q < 0.05를 유의미한 농축 기준으로 사용했습니다.
  4. "인간 질병"과 "대사"라는 키워드를 사용해 인간 질병과 대사와 관련된 경로를 제거하고 생물학적 과정과 관련된 경로를 유지하세요. 인간 질병 및 대사 경로는 주로 ILD-PH 공존의 섬유증, 염증, 혈관 재형성 기전과 약하게 연관된 질병과 대사 네트워크의 전반적인 메커니즘을 설명합니다. 따라서 주요 신호 경로에 집중하기 위해 이들은 제외되었다. 여기서 소개합니다:
    kegg_result_df <- as.data.frame(kegg_result)
    kegg_filtered <- kegg_result_df[!grepl("인간 질병|대사", kegg_result_df$설명), ]
  5. 경로를 유전자 수에 따라 내림차순으로 정렬하고, 상위 10개 경로를 선택한 후 dotplot() 함수를 사용해 점표를 생성한 후 PNG 형식으로 내보내세요. 여기서 소개합니다:
    top10_pathways <- head(kegg_filtered[order(kegg_filtered$Count, 감소 = TRUE), ], 10)
    dotplot_result <- dotplot(enrichResult(select(top10_pathways)), showCategory = 10)
    ggsave("KEGG_dotplot.png", dotplot_result, 너비 = 8, 높이 = 6, dpi = 300)
  6. 상위 10개 경로와 관련 목표 유전자를 추출하여 2열 표(경로명, 목표 유전자)를 만든 후 탭으로 구분된 TXT 파일로 저장합니다.
  7. 파일을 Cytoscape에 가져오고, 스타일 패널을 통해 경로 노드와 대상 노드 간의 형태와 색상 차이를 설정하고, 레이아웃을 수동으로 다듬은 후 경로-목표 네트워크 이미지20을 내보내세요.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

데이터 검색 및 스크리닝

총 2,400건의 기록이 Scopus 데이터베이스에서 수집되었고, 696건은 WoSCC 데이터베이스에서 확인되었습니다. 두 데이터셋을 통합하고 533개의 중복 기록을 제거한 후, 총 2,563건의 고유 출판물이 후속 서지 분석을 위해 포함되었습니다(그림 1).

연간 출판 결과 추세

2016년부터 2025년까지 간질성 폐질환 및 폐고혈압 분야의 연간 출판물 생산량은 그림 2에 나타난다. 10년 동안 출판물 수는 변동하는 증가 추세를 보였습니다. 첫 4년간은 비교적 안정적이었으나, 2020–2022년과 2023–2025년에 급격히 상승...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

이 연구는 ILD와 PH의 동반 질환을 탐구하기 위해 서지계량학과 생물정보학을 통합적으로 적용한 최초의 사례입니다. 지난 10년간 이 분야의 발달 경로, 지식 구조, 최첨단 동향을 체계적으로 검토하고, 이 공존 상태를 분자 수준에서 기저화하는 허브 유전자와 주요 신호 전달 경로를 규명합니다. 거시적 추세 관점에서 볼 때, 이 분야의 연간 논문 수는 2016년 142편에서 2025년 402편으로 증가했으며, 이는 ILD-PH 동반 질환에 대한 학문적 관심이 지속적으로 증가한 것을 반영합니다. 2020년부터 2022년, 2023년부터 2025년까지 두 시기에 상당한 급증이 관찰되었습니다. 2020년경의 성장 전환점은 COVID-19 팬데믹과 겹쳤으며; 팬데믹이 ILD와 pH를 유발하거나 악화시켜 간접적으로 관련 연구의 급증을 촉진했을 가능성도 있습니다. 2022년부터 2023년까지의 정점은 PH-ILD 치료 방법의 탐구, 검증 및 예비 임상 적용이 증가한 데 기인할 수 있...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 이 연구에서 이해 상충이 없다고 보고했습니다.

감사의 글

저자들은 비전염성 만성 질환-국가 과학기술주 프로젝트(2024ZD0522300, 2024ZD0522301)와 중국의학과학원 비영리 중앙연구소기금(2022-ZHCH330-01)의 재정 지원에 감사드립니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

```html
이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
Bibliometric Online Analysis PlatformK-Synth Srl (Bibliometric)https://bibliometric.com온라인 분석 플랫폼; 모듈: 국가 관계; 국가 협력 코드 다이어그램 생성; 2026년 3월 10일 접근
CiteSpaceDrexel University6.4.R1비블리오메트릭 분석; 시간 슬라이싱: 2016–2025; 노드 유형: 키워드, 참조; 가지치기: Pathfinder + Pruning sliced networks
clusterProfiler (R 패키지)Guangchuang Yu et al.4.13.2KEGG 강화 분석; 임계값: p < 0.05, q < 0.2
CytoscapeCytoscape Consortium3.10.3네트워크 시각화 및 분석; 플러그인: CytoHubba; 알고리즘: 정도 중심성; 허브 유전자 식별에 사용
GeneCardsWeizmann Institute of Sciencehttps://www.genecards.org유전자 정보 데이터베이스; 데이터베이스 버전 5.22; 2026년 3월 12일 접근; 필터링 기준: 관련성 점수 ≥ 1
Journal Citation Reports (JCR)Clarivate Analyticshttps://jcr.clarivate.com저널 임팩트 팩터 및 사분면 검색; 2026년 3월 9일 접근
KEGGKyoto Encyclopedia of Genes and Genomeshttps://www.kegg.jp경로 데이터베이스; 2026년 3월 13일 클러스터프로파일러 API를 통해 접근; 종: hsa
MeSH DatabaseNational Library of Medicine (NLM)https://meshb.nlm.nih.govMeSH 용어 검색 데이터베이스; 2026년 3월 9일 접근; 검색 전략 구성에 사용
Microsoft ExcelMicrosoft Corporation16.88 (Microsoft 365)데이터 통계 및 차트 생성; 간행물 카운트, 중복 제거, 차트 플로팅에 사용
org.Hs.eg.db (R 패키지)Bioconductor Core Team3.20.0인간 게놈 주석 데이터베이스; 유전자 ID 변환에 사용
RR Core Team4.4.2통계 컴퓨팅 및 플로팅 환경; 실행 날짜: 2026년 3월 13일
Scimago GraphicaScimago Lab2시각화 도구; 레이아웃: 지도 투영; 에지 곡률: 0.5; 색상 매핑: 클러스터별
ScopusElsevierhttps://www.scopus.com문헌 검색 데이터베이스; Elsevier Scopus 2026 완전판; 검색 날짜: 2026년 3월 9일
STRINGEMBL12.0 / https://cn.string-db.org단백질-단백질 상호작용 데이터베이스; 2026년 3월 12일 접근; 상호작용 점수 임계값: 0.7 (높은 신뢰도); 네트워크 유형: 물리적 + 기능적
VOSviewerLeiden University1.6.20비블리오메트릭 분석; 공동 저자로 분석 유형; 정규화 방법: 연관 강도
Web of Science Core CollectionClarivate Analyticshttps://www.webofscience.com문헌 검색 데이터베이스; SCIE 및 SSCI 서브 데이터베이스 포함; 검색 날짜: 2026년 3월 9일
```

참고문헌

  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.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

생물학제234호제234호
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.