JoVE Logo
Authors
Contact Us

Sign In

A subscription to JoVE is required to view this content. Sign in or start your free trial.

In This Article

  • Summary
  • Abstract
  • Introduction
  • Protocol
  • תוצאות
  • Discussion
  • Disclosures
  • Acknowledgements
  • Materials
  • References
  • Reprints and Permissions

Summary

ניתוח ביבליומטרי זה של ריצוף תאים בודדים בחקר הסרטן מצביע על כך שסין וארה"ב מייצרות הרבה יותר מאמרים אקדמיים ממדינות אחרות. זיהוי פרץ מזהה מונחים מתפתחים כגון 'הטרוגניות תוך-גידולית', 'אבולוציה משובטת' ו'מערכות אספקת תרופות', שצפויים להשפיע על מחקר עתידי.

Abstract

מחלת הסרטן מהווה אתגר משמעותי לבריאות האדם בשל המערכות הביולוגיות המורכבות שלו, המחייבת ניתוח מעמיק. ריצוף תא בודד הפך לכלי חיוני לחקירת מערכות אלה, המאפשר זיהוי ביטוי גנים ושינויים אפיגנטיים ברמת התא הבודד. כדי להבהיר מגמות מחקר, רשתות שיתוף פעולה והפצת ידע בתחום זה, נערך ניתוח ביבליומטרי באמצעות מסד הנתונים Web of Science Core Collection, המכסה פרסומים מ-1 בינואר 2010 עד 31 בדצמבר 2023. חבילת Bibliometrix ב-R שימשה לחילוץ וניתוח נתוני פרסום מרכזיים, כולל סוגי מסמכים, מדינות, מוסדות, מחברים ומילות מפתח. בנוסף, CiteSpace, VOSviewer ופלטפורמת הניתוח המקוונת של מטרולוגיה ספרותית שימשו לאיסוף נתונים והדמיה. הניתוח זיהה 34,074 מחברים מ-3,129 מוסדות ב-75 מדינות ואזורים, ותרמו ל-5,680 פרסומים על ריצוף תאים בודדים בסרטן, שפורסמו ב-788 כתבי עת אקדמיים. סין וארצות הברית התגלו כמדינות המובילות בהיקף הפרסום. אוניברסיטת הרווארד הפיקה את מספר הפרסומים הגבוה ביותר (320), כאשר אביב רגב, המזוהה עם הרווארד, הוכר כתורם מרכזי. כתבי עת מובילים, כגון Frontiers in Immunology ו-Nature Communications, מדגישים תחומי מחקר מבוססים ומתפתחים כאחד, כולל מיקרו-סביבה חיסונית ואימונותרפיה. מגמות מפתח ותחומים פוטנציאליים למחקר עתידי כוללים הטרוגניות תוך-גידולית, אבולוציה משובטת ומערכות אספקת תרופות. מחקר זה מספק סקירה מקיפה של מחקר ריצוף תאים בודדים באונקולוגיה, תוך שימת דגש על התקדמותו המהירה, המונעת על ידי התקדמות טכנולוגית ושיתופי פעולה בינלאומיים. חיזוק שותפויות גלובליות, פיתוח כלים אנליטיים אינטגרטיביים וטיפול במורכבות הנתונים יהיו חיוניים לקידום טיפולים מותאמים אישית לסרטן ולהעמקת התובנות לגבי הביולוגיה של הסרטן.

Introduction

סרטן מייצג את אחת המחלות המזיקות ביותר, ומדורגת כגורם התמותה השני המוביל בעולם1. ההערכה היא שעד 2035, כרבע מאוכלוסיית העולם תושפע ישירות מסרטן 2,3. הפתוגנזה של סרטן קשורה בעיקר לחוסר ויסות בצמיחה תאית, המושפעת ממגוון גורמים גידוליים 4,5. "סימני ההיכר של הסרטן" הוגדרו כמכלול של יכולות תפקודיות המאפשרות מעבר ממצבים תאיים נורמליים לגידול ניאופלסטי, במיוחד אלה החיוניות להיווצרות גידולים ממאירים6. טכנולוגיית ריצוף ממלאת תפקיד מרכזי בקידום ההבנה שלנו לגבי פתוגנזה של מחלות. עם זאת, בשל ההטרוגניות המובנית של גידולים, זיהוי המאפיינים הגנומיים של תאי גזע בשפע נמוך באמצעות ניתוח ריצוף תפוקה גבוהה של רקמות הגידול מציב אתגרים משמעותיים 7,8.

ריצוף תא בודד, הכולל גנומיקה, טרנסקריפטומיקה, אפיגנומיקה, פרוטאומיקה ומטבולומיקה, מייצג גישה מתודולוגית רבת עוצמה להבהרת נופים תאיים ומולקולריים ברמת התא הבודד 9,10. יישומו בחקר הסרטן שיפר משמעותית את ההבנה של המאפיינים הביולוגיים והדינמיקה הקיימים בנגעים ניאופלסטיים, ובכך הקל על הבנה מקיפה יותר של התפתחות סרטן וגרורות.

הניתוח הביבליומטרי בוחן את המאפיינים המבניים והתכונות של פרסומים אקדמיים ונעשה בו שימוש נרחב בהערכות איכותניות וכמותיות של ספרות מדעית11,12. על ידי השוואת תרומות ממדינות, מוסדות, חוקרים ופרסומים שונים, ניתן להבהיר ולצפות התקדמות פוטנציאלית בתחום מחקר מסוים. למרות שחלה עלייה משמעותית בסקירות שיטתיות ונרטיביות המתמקדות במחקר ריצוף תאים בודדים בסרטן, נותר חסר בולט בניתוחים מקיפים בתחום ההערכה הכמותית 13,14,15. מחקר זה נועד לבצע ניתוח מקיף של מגמות ההתפתחות ונושאי המחקר הבולטים בריצוף תאים בודדים בתחום הסרטן, תוך שימוש בשיטות ביבליומטריות. הממצאים יציעו לחוקרים, קלינאים וקובעי מדיניות סקירה מפורטת של מצב הידע וההבנה הנוכחי בתחום זה.

Protocol

הנתונים ששימשו במחקר זה התקבלו מאוסף הליבה של Web of Science (2010-2023).

1. איסוף נתונים

  1. בחירת מסד נתונים
    1. גש למסד הנתונים של Web of Science Core Collection (WoSCC) באמצעות. https://webofscience. clarivate.cn/wos/author/author-search.
    2. בנה אסטרטגיית חיפוש באמצעות מילות מפתח ממוקדות, במיוחד "ריצוף תא בודד" ו"סרטן", כדי לזהות ספרות רלוונטית. לחץ על כפתור החיפוש כדי להשלים את חיפוש הספרות.
      הערה: עיין בטבלה משלימה 1 לרשימה מלאה של מילות מפתח המשמשות באסטרטגיית החיפוש כדי לשפר את הדיוק וההכללה.
  2. פרמטרים של חיפוש
    1. בחר את תקופת הפרסום מ-1 בינואר 2010 עד 31 בדצמבר 2023, כדי ללכוד את מגמות המחקר העדכניות והמקיפות ביותר.
    2. בחר אנגלית כשפה לתוצאות החיפוש ובחר מאמר וסקירה היו סוגי המאמרים כדי להבטיח עקביות נתונים ולהקל על ניתוח השוואתי.
    3. הבטח רלוונטיות על ידי אי הכללת פרסומים מחוץ לתחומי ריצוף התאים הבודדים וחקר הסרטן.
  3. אחזור ופורמט נתונים
    1. רכז את הפרסומים שנבחרו בפורמט רשומה מלאה והפניות מצוטטות כדי לשמר מטא נתונים מפורטים.
    2. שמור את הנתונים שנאספו כקבצי טקסט רגיל לניתוח לאחר מכן באמצעות כלים ביבליומטריים.
    3. ודא שכל רשומה מכילה מטא-נתונים מלאים, כולל מידע על ציטוט וכתיבה משותפת, כדי לאפשר ניתוח ביבליומטרי יסודי (איור 1).

2. עיבוד מקדים של נתונים

  1. איסוף וייבוא נתונים
    1. הפעל את הממשק הביבליושיני של חבילת הביבליומטריקס ב-R.
      הערה: הקוד הספציפי מסופק באופן הבא:
      ספרייה (ביבליומטריקס)
      packageVersion("bibliometrix")
      biblioshiny()
    2. גש למסד הנתונים של WoSCC ובחר קובץ טקסט רגיל ממוזג המכיל נתונים ביבליומטריים.
    3. ייבא את הנתונים וייצא אותם בתבנית נתונים R לניתוח הבא.
  2. מגמת גידול שנתית של פרסומים וציטוטים
    1. המר את העמודות PY (שנת פרסום) ו- Z9 (ספירת ציטוטים) לתבנית מספרית.
    2. קבץ את הנתונים לפי שנת פרסום וחשב את ספירת הפרסומים השנתית ואת סך הציטוטים.
    3. צור תרשים עמודות כדי לייצג את מספר הפרסומים בכל שנה ושכב גרף קו כדי להמחיש את ספירת הציטוטים לאורך זמן.
      הערה: הקוד הספציפי מסופק כקוד 1 בקובץ משלים 1.
  3. פרסום ארצי וניתוח שיתופי פעולה
    1. פרסום ארצי ושיתוף פעולה
      1. סכם את הפרסומים והציטוטים השנתיים לפי כל מדינה באמצעות השדות Year Published(PY) ו-Author Countries(AU_CO1).
      2. מקד את הניתוח ב-10 המדינות המובילות לפי נפח פרסום.
    2. חישוב מטרי
      1. לחשב מדדי מפתח, כולל מספר הפרסומים (NP), תדירות הציטוטים (NC), פרסומים במדינה אחת (SCP) ופרסומים מרובי מדינות (MCP)16.
      2. לקבוע את היחס בין פרסומים מרובי מדינות (MCP_Ratio) כאינדיקטור לשיתוף פעולה בינלאומי.
      3. השתמש בפונקציית H-index של R כדי לחשב מדדי השפעה (H-index, G-index ו-M-index) עבור כל מדינה לאורך תקופה של 14 שנים17.
        הערה: הקוד הספציפי מסופק כקוד 2 בקובץ משלים 1. השתמש בפלטפורמת הניתוח המקוונת של מטרולוגיה ספרותית (https://bibliometric.com/) כדי לבחון את יחסי שיתוף הפעולה בין מדינות. העלה נתונים בפורמט טקסט רגיל מה-WoSCC. השתמש במאפיין "יחסי מדינות" כדי להעריך שיתופי פעולה בינלאומיים. שיאו בהדמיה של רשת שיתוף הפעולה בין המדינות התורמות המובילות.
  4. פרסום מוסדי וניתוח שיתופי פעולה
    1. חילוץ ודירוג נתונים
      1. חלץ נתונים מוסדיים מהמקטע Affiations בתכונה Analyze Results של מסד הנתונים של WoSCC.
      2. דרג מוסדות בסדר יורד לפי המספר הכולל של המאמרים שפורסמו.
    2. תצוגה חזותית של נתונים
      1. צור תרשים עמודות אופקי באמצעות חבילת ggplot2 ב-R כדי להמחיש את נפח הפרסום במוסדות מובילים.
        הערה: הקוד הספציפי מסופק כקוד 3 בקובץ משלים 1.
    3. ניתוח עריכה משותפת
      1. הגדרת ניתוח ב- VOSviewer: הפעל את VOSviewer ולאחר מכן בחר צור מהתפריט הראשי. בחר צור מפה המבוססת על נתונים ביבליוגרפיים ובחר קרא נתונים מקבצי מסד נתונים ביבליוגרפיים. לבסוף, ייבא את קבצי הטקסט הרגיל.
      2. תצורה ופרמטרים: הגדר את סוג הניתוח לעריכה משותפת ב-VOSviewer. בחר בשיטת הספירה המלאה ובחר ארגונים כיחידת הניתוח. הגדר את הפרמטרים כך שיכללו מקסימום 1,200 ארגונים לכל מסמך והגדר את הסף המינימלי ל- 30 מסמכים לכל ארגון כדי להבטיח ניתוח רשת מקיף.
      3. הדמיה ופרשנות: השלם את ההגדרה על ידי לחיצה על סיום כדי ליצור מפת הדמיה הממחישה רשתות שיתוף פעולה בין מוסדות. ודא שהמפה מדגישה את רמות הקישוריות והשותפות, מזהה מוקדים מרכזיים של פעילות מחקר ותחומי מפתח לשיתוף פעולה בין מוסדות.
  5. ניתוח מחברים ושיתוף פעולה עם מחברים
    1. זיהוי מחברים פוריים: גש למדור פרופילי חוקרים במסד הנתונים של WoSCC כדי לדרג מחברים על סמך המספר הכולל של המאמרים שפורסמו.
    2. הדמיית נתונים: השתמש בחבילת ggplot2 ב-R כדי ליצור תרשים עמודות אופקי, המייצג חזותית את נפח הפרסום של מחברים מובילים.
    3. הערכת תרומות המחברים: אחזר מדדים נוספים עבור 10 המחברים המובילים לפי נפח פרסום, כולל מדד H, מדינה ומוסד מסונפ, באמצעות נתונים ממסד הנתונים של WoSCC.
      הערה: הקוד הספציפי מסופק כקוד 4 בקובץ משלים 1.
    4. רשתות שיתוף פעולה של מחברים
      1. הגדרת ניתוח ב-VOSviewer: הפעל את VOSviewer ובחר בלחצן צור , ואחריו צור מפה המבוססת על נתונים ביבליוגרפיים. ייבא את קבצי הטקסט הרגיל הרלוונטיים המכילים נתונים ביבליוגרפיים על-ידי בחירה באפשרות קרא נתונים מקבצי מסד נתונים ביבליוגרפי.
      2. תצורה ופרמטרים: הגדר את סוג הניתוח לעריכה משותפת והשתמש בשיטת הספירה המלאה . בחר מחברים כיחידת הניתוח. התאם את הפרמטרים כך שיכללו עד 33 ארגונים לכל מסמך וקבע סף מינימלי של 15 מסמכים לכל מחבר כדי להבטיח לכידת נתוני שיתוף פעולה משמעותיים.
      3. ויזואליזציה ותובנות: לחץ על סיום כדי ליצור ויזואליזציה של שכבת-על, הממחישה את ההתפתחות הזמנית של שיתופי פעולה עם מחברים, ומספקת תובנה לגבי הדינמיקה והצמיחה של רשתות עריכה משותפת לאורך זמן.
  6. ניתוח כתבי עת וכתבי עת מצוטטים
    1. חישוב מדדי כתב עת: השתמש בפונקציית H-index ב-R כדי לחשב מדדי מפתח עבור כל כתב עת, כולל מספר הפרסומים למקור (NP), תדירות הציטוט (NC), שנת הפרסום הראשון (PY_start) ומדדי ההשפעה (H-index, G-index ו-M-index).
    2. אחזור גורמי השפעה ודירוגים: השג גורמי השפעה של כתבי עת ודירוגים רבעוניים ממסד הנתונים של WoSCC כדי להעריך עוד יותר את ההשפעה והמעמד של כל כתב עת בתחום.
      הערה: הקוד הספציפי מסופק כקוד 5 בקובץ משלים 1.
    3. ניתוח זרימת ידע
      1. ייבוא והגדרה של נתונים ב-CiteSpace: פתח את CiteSpace ונווט לתפריט נתונים . בחר ייבוא/ייצוא ובחר WOS כדי לייבא נתונים. הגדר את נתיבי הקלט והפלט כנדרש.
      2. בחירה ותצורה של מפה: בחר אפשרויות מפות שכבת-על ומפות יומני JCR בתוך CiteSpace, והגדר את ציון z ל-0. מערך זה מאפשר יצירת מפה כפולה כדי להמחיש את זרימת הידע בין כתבי עת.
  7. ניתוח הפניות שצוטטו במשותף ורשת אשכולות
    1. ייבוא והגדרה של נתונים ב- CiteSpace
      1. פתח את CiteSpace, נווט לתפריט Data ובחר Import/Export.
      2. ייבא נתונים ממסד הנתונים של WoSCC בטקסט רגיל, תוך הגדרת פרוסת זמן הניתוח מינואר 2010 עד דצמבר 2023 עם מרווח של שנה לפירוט זמני.
    2. קביעת תצורה וגיזום רשת
      1. הגדר את סוג הצומת ל-Reference ב-CiteSpace. השתמש באפשרות Pathfinder ובתכונה Pruning Slices Networks כדי להחיל גיזום על הרשת.
      2. בצע את הניתוח על ידי לחיצה על GO כדי ליצור מפת ציטוט משותף, התאמת הגדרות גופן וצבע לשיפור הקריאות.
    3. זיהוי הפניות בעלות השפעה גבוהה
      1. בחר באפשרות Burstness והגדר את הפרמטר γ ל-[0, 1] ב-CiteSpace.
      2. רענן את הנתונים כדי ליצור רשימה של 20 ההפניות המובילות עם פרצי הציטוט החזקים ביותר.
  8. ניתוח התרחשות משותפת של מילות מפתח
    1. ניתוח שכיחות מילות מפתח ב-R
      1. בצע ניתוח מילות מפתח באמצעות חבילת bibliometrix ב-R, תוך התמקדות במילות המפתח השכיחות ביותר במסמכים.
      2. הגדר את השדה למילות המפתח של המחבר והגבל את המספר ל-20 מילות המפתח העליונות, תוך סינון מילים נרדפות כדי להבטיח עקביות.
    2. ניתוח פרץ מילות מפתח ב-CiteSpace
      1. השתמש ב-CiteSpace כדי לבצע ניתוח פרץ מילות מפתח על ידי בחירה באפשרות Burstness והגדרת הפרמטר γ ל- [0, 1].
      2. רענן את הנתונים כדי ליצור רשימה של 30 מילות המפתח המובילות עם פרצי הציטוט החזקים ביותר.
    3. ניתוח רשת של מילות מפתח ב-VOSviewer
      1. פתח את VOSviewer, בחר צור ולאחר מכן צור מפה המבוססת על נתונים ביבליוגרפיים.
      2. ייבא את קבצי הטקסט הרגיל באמצעות האפשרות קרא נתונים מקבצי מסד נתונים ביבליוגרפי .
      3. הגדר את סוג הניתוח להתרחשות משותפת, באמצעות שיטת הספירה המלאה , עם מילות מפתח של המחבר כיחידת הניתוח.
      4. החל סף מינימלי של 40 מופעי מילות מפתח ולחץ על סיום כדי להשלים את הניתוח, וליצור רשת התרחשויות משותפות המציגה קשרי מילות מפתח בתוך השדה.

תוצאות

מגמת גידול שנתית של פרסומים וציטוטים
בין השנים 2010 ל-2023, זוהו בסך הכל 6,767 פרסומים הקשורים לריצוף תאים בודדים בסרטן במסד הנתונים של WoSCC. בסך הכל 602 מחקרים שפורסמו בין 2010 ל-2023 לא נכללו בניתוח, ואחריהם לא נכללו חמישה מחקרים שלא פורסמו באנגלית. בנוסף, 480 מאמרים לא נכללו...

Discussion

ניתוח ביבליומטרי משמש כגישה כמותית להערכת המאפיינים וההשפעה המחקרית של פרסומים משמעותיים26. מחקר זה ערך ניתוח ביבליומטרי מקיף של 5,680 מאמרים הקשורים לריצוף תאים בודדים בחקר הסרטן, שחולצו ממאגר WoSCC ופורסמו בין השנים 2010 ל-2023. ניתוח זה נועד להעריך את מצב המחקר הנ...

Disclosures

למחברים אין מה לחשוף.

Acknowledgements

ללא.

Materials

NameCompanyCatalog NumberComments
bibliometrix packageComprehensive R Archive Network (CRAN)bibliometrix 4.3.0A forest plot that allows for multiple confidence intervals per row, custom fonts for each text element, custom confidence intervals, text mixed with expressions, and more.
CiteSpaceChaomei Chen, Drexel UniversityCiteSpace 6.2.R4 (64-bit) beta Basic‌CiteSpace‌ is a scientific literature analysis tool. Its main function is to analyze the underlying knowledge in scientific literature through visual means, showing the structure, rules and distribution of scientific knowledge. The main functions of CiteSpace include: research collaboration analysis ‌, important journal judgment ‌, core topic mining and so on.
dplyrComprehensive R Archive Network (CRAN)dplyr 1.1.4dbplyr is the database backend for dplyr. It allows you to use remote database tables as if they are in-memory data frames by automatically converting dplyr code into SQL.
esquisseComprehensive R Archive Network (CRAN)esquisse 2.0.1This addin allows you to interactively explore your data by visualizing it with the ggplot2 package. It allows you to draw bar plots, curves, scatter plots, histograms, boxplot and sf objects, then export the graph or retrieve the code to reproduce the graph.
forcatsComprehensive R Archive Network (CRAN)forcats 1.0.0R uses factors to handle categorical variables, variables that have a fixed and known set of possible values. Factors are also helpful for reordering character vectors to improve display. The goal of the forcats package is to provide a suite of tools that solve common problems with factors, including changing the order of levels or the values. 
ggplot2Comprehensive R Archive Network (CRAN)ggplot2 3.5.1ggplot2 is a system for declaratively creating graphics, based on The Grammar of Graphics. You provide the data, tell ggplot2 how to map variables to aesthetics, what graphical primitives to use, and it takes care of the details.
ggpmiscComprehensive R Archive Network (CRAN)ggpmisc 0.6.1Package ‘ggpmisc’ (Miscellaneous Extensions to ‘ggplot2’) is a set of extensions to R package ‘ggplot2’ (>= 3.0.0) with emphasis on annotations and plotting related to fitted models. Estimates from model fit objects can be displayed in ggplots as text, tables or equations. Predicted values, residuals, deviations and weights can be plotted for various model fit functions.
ggsciComprehensive R Archive Network (CRAN)ggsci 3.2.0ggsci offers a collection of ggplot2 color palettes inspired by scientific journals, data visualization libraries, science fiction movies, and TV shows.
openxlsxComprehensive R Archive Network (CRAN)openxlsx 4.2.7.1This R package simplifies the creation of .xlsx files by providing a high level interface to writing, styling and editing worksheets. Through the use of Rcpp, read/write times are comparable to the xlsx and XLConnect packages with the added benefit of removing the dependency on Java.
readxlComprehensive R Archive Network (CRAN)readxl 1.4.3The readxl package makes it easy to get data out of Excel and into R. Compared to many of the existing packages (e.g. gdata, xlsx, xlsReadWrite) readxl has no external dependencies, so it’s easy to install and use on all operating systems. It is designed to work with tabular data.
reshape2Comprehensive R Archive Network (CRAN)reshape2 1.4.4Reshape2 is a reboot of the reshape package. It's been over five years since the first release of reshape, and in that time I've learned a tremendous amount about R programming, and how to work with data in R. Reshape2 uses that knowledge to make a new package for reshaping data that is much more focused and much much faster.
stringrComprehensive R Archive Network (CRAN)stringr 1.5.1Strings are not glamorous, high-profile components of R, but they do play a big role in many data cleaning and preparation tasks. The stringr package provides a cohesive set of functions designed to make working with strings as easy as possible.
tidytextComprehensive R Archive Network (CRAN)tidytext 0.4.2Using tidy data principles can make many text mining tasks easier, more effective, and consistent with tools already in wide use. Much of the infrastructure needed for text mining with tidy data frames already exists in packages like dplyr, broom, tidyr, and ggplot2. In this package, we provide functions and supporting data sets to allow conversion of text to and from tidy formats, and to switch seamlessly between tidy tools and existing text mining packages. Check out our book to learn more about text mining using tidy data principles
tidyverseComprehensive R Archive Network (CRAN)tidyverse 2.0.0The tidyverse is an opinionated collection of R packages designed for data science. All packages share an underlying design philosophy, grammar, and data structures.
VennDiagramComprehensive R Archive Network (CRAN)VennDiagram 1.7.3VennDiagram is a R package for generating high-resolution, customizable Venn diagrams with up to four sets and Euler diagrams with up to three sets. Includes handling for several special cases including two-case scaling, and extensive customization of plot shape and structure.
VOSviewer Centre for Science and Technology Studies, Leiden University, The NetherlandsVOSviewer version 1.6.19VOSviewer is a software tool for constructing and visualizing bibliometric networks. These networks may for instance include journals, researchers, or individual publications, and they can be constructed based on citation, bibliographic coupling, co-citation, or co-authorship relations. VOSviewer also offers text mining functionality that can be used to construct and visualize co-occurrence networks of important terms extracted from a body of scientific literature.

References

  1. Kocarnik, J. M., et al. Cancer incidence, mortality, years of life lost, years lived with disability, and disability-adjusted life years for 29 cancer groups from 2010 to 2019: A systematic analysis for the global burden of disease study 2019. JAMA Oncol. 8 (3), 420-444 (2022).
  2. Soerjomataram, I., Bray, F. Planning for tomorrow: Global cancer incidence and the role of prevention 2020-2070. Nat Rev Clin Oncol. 18 (10), 663-672 (2021).
  3. Bray, F., et al. Global cancer statistics 2022: Globocan estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin. 74 (3), 229-263 (2024).
  4. Zhang, Y., Zhang, Z. The history and advances in cancer immunotherapy: Understanding the characteristics of tumor-infiltrating immune cells and their therapeutic implications. Cell Mol Immunol. 17 (8), 807-821 (2020).
  5. Xu, X., et al. Metabolic reprogramming and epigenetic modifications in cancer: From the impacts and mechanisms to the treatment potential. Exp Mol Med. 55 (7), 1357-1370 (2023).
  6. Hanahan, D. Hallmarks of cancer: New dimensions. Cancer Discov. 12 (1), 31-46 (2022).
  7. Kashyap, A., et al. Quantification of tumor heterogeneity: From data acquisition to metric generation. Trends Biotechnol. 40 (6), 647-676 (2022).
  8. Vredevoogd, D. W., Peeper, D. S. Heterogeneity in functional genetic screens: Friend or foe. Front Immunol. 14, 1162706 (2023).
  9. Jovic, D., et al. Single-cell RNA sequencing technologies and applications: A brief overview. Clin Transl Med. 12 (3), e694 (2022).
  10. Hong, M., et al. RNA sequencing: New technologies and applications in cancer research. J Hematol Oncol. 13 (1), 166 (2020).
  11. Moed, H. F. New developments in the use of citation analysis in research evaluation. Arch Immunol Ther Exp (Warsz). 57 (1), 13-18 (2009).
  12. Ninkov, A., Frank, J. R., Maggio, L. A. Bibliometrics: Methods for studying academic publishing. Perspect Med Educ. 11 (3), 173-176 (2022).
  13. Li, X., Wang, L., Wang, L., Feng, Z., Peng, C. Single-cell sequencing of hepatocellular carcinoma reveals cell interactions and cell heterogeneity in the microenvironment. Int J Gen Med. 14, 10141-10153 (2021).
  14. Li, Y., Jin, J., Bai, F. Cancer biology deciphered by single-cell transcriptomic sequencing. Protein Cell. 13 (3), 167-179 (2022).
  15. Bai, X., Li, Y., Zeng, X., Zhao, Q., Zhang, Z. Single-cell sequencing technology in tumor research. Clin Chim Acta. 518, 101-109 (2021).
  16. Zhang, L., et al. Worldwide research trends on tumor burden and immunotherapy: A bibliometric analysis. Int J Surg. 110 (3), 1699-1710 (2024).
  17. Ghorbani, B. D., Meihami, H., Esfandiari, R. . A scientometrics research perspective in applied linguistics. , 197-234 (2024).
  18. Chen, C. M., Leydesdorff, L. Patterns of connections and movements in dual-map overlays: A new method of publication portfolio analysis. J Assoc Inf Sci Technol. 65 (2), 334-351 (2014).
  19. Shen, S., et al. Analyzing and mapping the research status, hotspots, and frontiers of biological wound dressings: An in-depth data-driven assessment. Int J Pharm. 629, 122385 (2022).
  20. Small, H., Sweeney, E., Greenlee, E. Clustering the science citation index using co-citations .2. Mapping science. Scientometrics. 8 (5-6), 321-340 (1985).
  21. Butler, A., Hoffman, P., Smibert, P., Papalexi, E., Satija, R. Integrating single-cell transcriptomic data across different conditions, technologies, and species. Nat Biotechnol. 36 (5), 411-420 (2018).
  22. Stuart, T., et al. Comprehensive integration of single-cell data. Cell. 177 (7), 1888-1902.e21 (2019).
  23. Baysoy, A., Bai, Z., Satija, R., Fan, R. The technological landscape and applications of single-cell multi-omics. Nat Rev Mol Cell Biol. 24 (10), 695-713 (2023).
  24. Macosko, E. Z., et al. Highly parallel genome-wide expression profiling of individual cells using nanoliter droplets. Cell. 161 (5), 1202-1214 (2015).
  25. Tirosh, I., et al. Dissecting the multicellular ecosystem of metastatic melanoma by single-cell RNA-seq. Science (New York, N.Y.). 352 (6282), 189-196 (2016).
  26. Martinez-Simon, A., et al. Covid-19 publications in anaesthesiology journals: A bibliometric analysis. Br J Anaesth. 128 (3), e239-e241 (2022).
  27. Wen, L., Tang, F. Single-cell sequencing in stem cell biology. Genome Biol. 17, 71 (2016).
  28. Zhang, Y., et al. Single-cell RNA sequencing in cancer research. J Exp Clin Cancer Res. 40 (1), 81 (2021).
  29. Tang, F., et al. MRNA-seq whole-transcriptome analysis of a single-cell. Nat Methods. 6 (5), 377-382 (2009).
  30. Navin, N., et al. Tumour evolution inferred by single-cell sequencing. Nature. 472 (7341), 90-94 (2011).
  31. Tang, J., et al. Single-cell exome sequencing reveals multiple subclones in metastatic colorectal carcinoma. Genome Med. 13 (1), 148 (2021).
  32. Song, H., et al. Single-cell analysis of human primary prostate cancer reveals the heterogeneity of tumor-associated epithelial cell states. Nat Commun. 13 (1), 141 (2022).
  33. Zheng, X., et al. Single-cell transcriptomic profiling unravels the adenoma-initiation role of protein tyrosine kinases during colorectal tumorigenesis. Signal Transduct Target Ther. 7 (1), 60 (2022).
  34. Chan, T. J., Zhang, X., Mak, M. Biophysical informatics reveals distinctive phenotypic signatures and functional diversity of single-cell lineages. Bioinformatics. 39 (1), btac833 (2023).
  35. Chen, Y. P., et al. Single-cell transcriptomics reveals regulators underlying immune cell diversity and immune subtypes associated with prognosis in nasopharyngeal carcinoma. Cell Res. 30 (11), 1024-1042 (2020).
  36. Small, H. Co-citation in scientific literature - new measure of relationship between 2 documents. J Am Soc Inf Sci. 24 (4), 265-269 (1973).
  37. Villani, A. -. C., et al. Single-cell RNA-seq reveals new types of human blood dendritic cells, monocytes, and progenitors. Science (New York, N.Y.). 356 (6335), eaah4573 (2017).
  38. Sun, D., et al. Identifying phenotype-associated subpopulations by integrating bulk and single-cell sequencing data. Nat Biotechnol. 40 (4), 527-538 (2022).
  39. Pe'er, D., et al. Tumor heterogeneity. Cancer Cell. 39 (8), 1015-1017 (2021).
  40. Liu, X., et al. Single-cell transcriptomics links malignant T cells to the tumor immune landscape in cutaneous T-cell lymphoma. Nat Commun. 13 (1), 1158 (2022).
  41. Yan, Y., et al. Clonal phylogeny and evolution of critical cytogenetic aberrations in multiple myeloma at single-cell level by qm-fish. Blood Adv. 6 (2), 441-451 (2022).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

R Bibliometrix

This article has been published

Video Coming Soon

JoVE Logo

Privacy

Terms of Use

Policies

Contact Us

Recommend to library

JoVE NEWSLETTERS

Research

Education

Authors

Librarians

ABOUT JoVE

Copyright © 2025 MyJoVE Corporation. All rights reserved