JoVE Logo
著者
お問い合わせ

サインイン

このコンテンツを視聴するには、JoVE 購読が必要です。 サインイン又は無料トライアルを申し込む。

この記事について

  • 要約
  • 要約
  • 概要
  • プロトコル
  • 結果
  • ディスカッション
  • 開示事項
  • 謝辞
  • 資料
  • 参考文献
  • 転載および許可

要約

がん研究におけるシングルセルシーケンシングのこの計量書誌学的解析は、中国と米国が他の国よりも大幅に多くの学術論文を作成していることを示しています。バースト検出は、「腫瘍内の不均一性」、「クローン進化」、「薬物送達システム」などの新たな用語を特定し、将来の研究に影響を与えると予想されています。

要約

がんは、その複雑な生物学的システムにより、人間の健康に大きな課題をもたらし、詳細な分析が必要です。シングルセルシーケンシングは、これらのシステムを研究するための重要なツールとなり、シングルセルレベルでの遺伝子発現とエピジェネティックな修飾の検出を可能にしています。この分野の研究動向、コラボレーションネットワーク、知識の普及を解明するために、2010 年 1 月 1 日から 2023 年 12 月 31 日までの出版物を対象とした Web of Science Core Collection データベースを使用して計量書誌分析を実施しました。RのBibliometrixパッケージは、ドキュメントの種類、国、機関、著者、キーワードなど、主要な出版データを抽出して分析するために使用されました。さらに、CiteSpace、VOSviewer、およびOnline Analysis Platform of Literature Metrologyを使用して、データのコンパイルと視覚化を行いました。この解析により、75の国と地域の3,129の施設から34,074人の著者が特定され、がんのシングルセルシーケンシングに関する5,680の論文が788の学術誌に掲載されました。中国と米国は、出版量でトップの国として浮上しました。ハーバード大学が最も多くの出版物(320冊)を出版し、ハーバード大学に所属するアビブ・レゲヴが主要な寄稿者として認められています。 Frontiers in Immunology や Nature Communicationsなどの主要なジャーナルは、免疫微小環境や免疫療法など、確立された研究分野と新興の研究分野の両方に焦点を当てています。今後の研究の主なトレンドと潜在的な領域には、腫瘍内の不均一性、クローン進化、薬物送達システムなどがあります。この研究では、腫瘍学におけるシングルセルシーケンシング研究の包括的な概要を示し、技術の進歩と国際協力によって推進される急速な進歩を強調しています。グローバルなパートナーシップを強化し、統合的な分析ツールを開発し、データの複雑さに対処することは、個別化されたがん治療を進歩させ、がん生物学への洞察を深めるために重要です。

概要

がんは最も有害な疾患の1つであり、世界の死亡原因の第2位にランクされています1。2035年までに、世界人口の約4分の1ががんの直接的な影響を受けると推定されています2,3。がんの病因は、主に細胞増殖の調節不全に関連しており、これはさまざまな腫瘍形成因子の影響を受けます4,5。「がんの特徴」は、正常な細胞状態から腫瘍性成長への移行を促進する一連の機能的能力、特に悪性腫瘍の形成に不可欠な能力として概念化された6。シーケンシング技術は、疾患の病因の理解を深める上で極めて重要な役割を果たします。しかし、腫瘍には固有の不均一性があるため、腫瘍組織のハイスループットシーケンシング解析を通じて低存在量幹細胞のゲノム特性を特定することは、大きな課題を提示します7,8。

ゲノミクス、トランスクリプトミクス、エピゲノミクス、プロテオミクス、メタボロミクスなどのシングルセルシーケンシングは、シングルセルレベルで細胞および分子のランドスケープを解明するための強力な方法論的アプローチです9,10。がん研究への応用により、腫瘍性病変内に存在する生物学的特性と動態の理解が大幅に向上し、がんの発生と転移のより包括的な理解が促進されました。

計量書誌学的分析は、学術出版物の構造的特性と属性を調べるもので、科学文献の定性的評価と定量的評価の両方で広く採用されています11,12。さまざまな国、機関、研究者、出版物からの貢献を比較することで、特定の研究領域における潜在的な進歩を解明し、予測することができます。がんのシングルセルシーケンシング研究に焦点を当てた系統的およびナラティブレビューが大幅に増加している一方で、定量的評価の領域内の包括的な分析には依然として顕著な欠陥があります13,14,15。本研究は、計量書誌学的手法を用いて、がん領域におけるシングルセルシーケンシングにおける発生傾向と顕著な研究課題を包括的に解析することを目的としています。この調査結果は、研究者、臨床医、政策立案者に、この分野における知識と理解の現状の詳細な概要を提供します。

プロトコル

この研究で使用されたデータは、Web of Science Core Collection (2010-2023) から取得されました。

1. データ収集

  1. データベースの選択
    1. Web of Science Core Collection (WoSCC ) データベースにアクセスします。https://webofscience. clarivate.cn/wos/author/author-search.
    2. ターゲットを絞ったキーワード、特に「シングルセルシーケンシング」と「がん」を使用して検索戦略を構築し、関連する文献を特定します。 検索 ボタンをクリックして、文献検索を完了します。
      注:精度と包括性を高めるために検索戦略で使用されるキーワードの完全なリストについては、 補足表1 を参照してください。
  2. 検索パラメータ
    1. 2010年1月1日から2023年12月31日までの公開期間を選択して、最新の包括的な研究動向を捉えます。
    2. 検索結果の言語として 英語 を選択し、データの一貫性を確保し、比較分析を容易にするために、記事の種類として「 記事 」と 「レビュー 」を選択しました。
    3. シングルセルシーケンシングおよびがん研究領域以外の出版物を除外することで、関連性を確保します。
  3. データの取得と形式
    1. 選択した出版物を [詳細レコード] 形式と [引用文献 ] 形式でコンパイルして、詳細なメタデータを保持します。
    2. 収集したデータを プレーンテキスト ファイルとして保存し、その後の計量書誌学ツールを使用した分析に役立てます。
    3. 各レコードに、引用情報や共著情報を含む完全なメタデータが含まれていることを確認し、徹底的な計量書誌学的分析を可能にします(図1)。

2. データの前処理

  1. データの収集とインポート
    1. bibliometrixパッケージのbiblioshinyインターフェースをRで起動します。
      注: 特定のコードは次のように提供されます。
      図書室(Bibliometrix)
      packageVersion("bibliometrix")
      biblioshiny()
    2. WoSCCデータベースにアクセスし、計量書誌データを含むマージされた プレーンテキスト ファイルを選択します。
    3. データをインポートし、後で分析するためにRデータ形式でエクスポートします。
  2. 出版物と引用の年間成長率
    1. PY (出版年) 列と Z9 列 (引用数) を数値形式に変換します。
    2. データを出版年ごとにグループ化し、年間出版数と総引用数を計算します。
    3. 各年の出版物の数を表す棒グラフを作成し、時間の経過に伴う引用数を示す折れ線グラフを重ね合わせます。
      注: 特定のコードは、補足ファイル 1 のコード 1 として提供されています。
  3. 全国出版および共同研究分析
    1. 全国的な出版とコラボレーションの集約
      1. Year Published(PY)フィールドとAuthor Countries(AU_CO1)フィールドを使用して、各国の年間出版物と引用数を要約します。
      2. 出版量の多い上位10か国に分析を集中します。
    2. メトリック計算
      1. 出版物の数(NP)、引用頻度(NC)、単一国出版物(SCP)、複数国出版物(MCP)16などの主要な指標を計算します。
      2. 国際協力の指標として、複数の国別出版物(MCP_Ratio)の比率を決定します。
      3. RのH-index関数を使用して、14年間の各国のインパクト指数(H-index、G-index、M-index)を計算する17。
        注: 特定のコードは、補足ファイル 1 のコード 2 として提供されています。文献計測学(https://bibliometric.com/)のオンライン分析プラットフォームを使用して、国間の協力関係を調査します。WoSCCからプレーンテキスト形式でデータをアップロードします。「国別関係」機能を使用して、国際的な協力を評価します。主要な貢献国間の協力ネットワークを視覚化することで最高潮に達します。
  4. 機関誌の出版とコラボレーション分析
    1. データの抽出とランク付け
      1. WoSCCデータベースの「Analyze Results」機能内の「Affiations」セクションから機関データを抽出します。
      2. 機関を、公開された記事の総数に従って降順でランク付けします。
    2. データの視覚化
      1. R の ggplot2 パッケージを使用して水平棒グラフを生成し、主要な機関全体の出版量を示します。
        注: 特定のコードは、補足ファイル 1 のコード 3 として提供されています。
    3. 共著分析
      1. VOSviewerでの解析設定:VOSviewerを起動し、メインメニューから [作成 ]を選択します。 [書誌データに基づいてマップを作成 ] を選択し、[ 書誌データベース ファイルからデータを読み取る] を選択します。最後に、プレーンテキストファイルをインポートします。
      2. 設定とパラメータ: VOSviewer で解析タイプを共著に設定します。[完全カウント] 方法を選択し、分析の単位として [組織] を選択します。ドキュメントごとに最大 1,200 の組織を含めるようにパラメーターを構成し、最小しきい値を組織ごとに 30 のドキュメントに設定して、包括的なネットワーク分析を実現します。
      3. 視覚化と解釈: [完了 ] をクリックしてセットアップを完了し、機関間のコラボレーション ネットワークを示す視覚化マップを生成します。マップで接続性とパートナーシップのレベルが強調表示されていることを確認し、研究活動の中心的なハブと機関間の協力の主要分野を特定します。
  5. 著者の分析と著者のコラボレーション
    1. 多作な著者の特定:WoSCCデータベースの研究者プロファイルセクションにアクセスして、公開された論文の総数に基づいて著者をランク付けします。
    2. データの視覚化: R の ggplot2 パッケージを使用して、主要な著者の出版量を視覚的に表す水平棒グラフを作成します。
    3. 著者の貢献の評価: WoSCC データベースのデータを使用して、H-index、国、所属機関など、出版量の多い上位 10 人の著者の追加指標を取得します。
      注: 特定のコードは、補足ファイル 1 のコード 4 として提供されています。
    4. 著者コラボレーションネットワーク
      1. VOSviewerでの分析の設定: VOSviewer を起動して[ 作成 ]ボタンを選択し、[ 書誌データに基づいてマップを作成]を選択します。書誌データを含む関連するプレーンテキストファイルをインポートするには、[ 書誌データベースファイルからデータを読み取る]を選択します。
      2. 構成とパラメーター: 分析タイプを 共著 に設定し、 フル カウント 方法を利用します。分析の単位として 著者 を選択します。ドキュメントごとに最大 33 の組織が含まれるようにパラメーターを調整し、作成者ごとに 15 のドキュメントの最小しきい値を設定して、意味のあるコラボレーション データが取得されるようにします。
      3. ビジュアライゼーションとインサイト: [完了 ] をクリックすると、著者コラボレーションの時間的進化を示すオーバーレイビジュアライゼーションが生成され、共著ネットワークのダイナミクスと成長の経時的なインサイトが得られます。
  6. ジャーナルおよび共引用ジャーナルの分析
    1. ジャーナル指標の計算:RのH-index関数を使用して、ソースごとの出版物数(NP)、引用頻度(NC)、初版発行年(PY_start)、インパクトインデックス(H-index、G-index、M-index)など、各ジャーナルの主要な指標を計算します。
    2. インパクトファクターとランキングの検索:WoSCCデータベースからジャーナルのインパクトファクターと四分位ランキングを取得し、その分野の各ジャーナルの影響力と地位をさらに評価します。
      注: 特定のコードは、補足ファイル 1 でコード 5 として提供されています。
    3. ナレッジフロー分析
      1. CiteSpaceでのデータのインポートと設定: CiteSpace を開き、[ データ ]メニューに移動します。 [インポート/エクスポート] を選択し、[WOS] を選択してデータをインポートします。必要に応じて、入力パスと出力パスを構成します。
      2. マップの選択と設定: CiteSpace内で「オーバーレイマップ」および「JCR ジャーナルマップ」オプションを選択し、zスコアを0に設定します。この設定により、ジャーナル間の知識の流れを示すデュアルマップを生成できます。
  7. 共引用文献とクラスタリング・ネットワークの分析
    1. CiteSpaceでのデータのインポートとセットアップ
      1. CiteSpaceを開き、[データ]メニューに移動して、[インポート/エクスポート]を選択します。
      2. WoSCC データベースからプレーンテキストでデータをインポートし、2010 年 1 月から 2023 年 12 月までの解析タイム スライスを 1 年間隔で時間的詳細を設定します。
    2. ネットワーク設定とプルーニング
      1. ノードタイプを[Reference in CiteSpace]に設定します。 パスファインダー オプションと スライスされたネットワークのプルーニング 機能を使用して、ネットワークにプルーニングを適用します。
      2. 「GO」をクリックして解析を実行し、参照共引用マップを生成し、フォントと色の設定を調整して読みやすさを向上させます。
    3. 影響の大きい参照の特定
      1. 「バーストネス」オプションを選択し、CiteSpaceでパラメータγを[0, 1]に設定します。
      2. データを更新して、引用バーストが最も強い上位 20 の参考文献のリストを生成します。
  8. キーワード共起の分析
    1. R でのキーワード頻度分析
      1. Rのbibliometrixパッケージを使用して、ドキュメント間で最も頻度の高いキーワードに焦点を当ててキーワード分析を行います。
      2. フィールドを [作成者のキーワード] に設定し、数を上位 20 個のキーワードに制限し、同義語を除外して一貫性を確保します。
    2. CiteSpaceでのキーワードバースト分析
      1. CiteSpaceを使用してキーワードバースト分析を実行するには、[バースト性]オプションを選択し、パラメータγを[0, 1]に設定します。
      2. データを更新して、引用バーストが最も多い上位 30 のキーワードのリストを生成します。
    3. VOSviewerでのキーワード共起ネットワーク解析
      1. VOSviewer を開き、[作成] を選択し、[書誌データに基づいてマップを作成] を選択します。
      2. [書誌データベースファイルからデータを読み取る]オプションを使用して、プレーンテキストファイルをインポートします。
      3. 分析タイプを 共起に設定し、 フルカウント 法を使用し、分析の単位として author キーワード を使用します。
      4. 最小のしきい値である 40 個のキーワード出現数を適用し、[ 完了] をクリックして分析を完了し、フィールド内のキーワード関係を視覚化する共起ネットワークを生成します。

結果

出版物と引用の年間成長率
2010年から2023年にかけて、がんのシングルセルシーケンシングに関連する合計6,767の出版物がWoSCCデータベースで同定されました。2010年から2023年の間に発表された合計602件の研究が分析から除外され、続いて英語で発表されていない5件の研究が除外された。さらに、480の論文が事前定義された除外基準に基づいて除外され、...

ディスカッション

計量書誌学的分析は、重要な出版物の特性と学術的影響を評価するための定量的アプローチとして機能します26。この研究では、WoSCCデータベースから抽出され、2010年から2023年の間に発表された、がん研究におけるシングルセルシーケンシングに関連する5,680の論文の広範な計量書誌学的分析を実施しました。この分析は、研究の現状を評価し、主?...

開示事項

著者は何も開示していません。

謝辞

何一つ。

資料

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.

参考文献

  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).

転載および許可

このJoVE論文のテキスト又は図を再利用するための許可を申請します

許可を申請

さらに記事を探す

R

This article has been published

Video Coming Soon

JoVE Logo

個人情報保護方針

利用規約

一般データ保護規則

お問い合わせ

図書館への推薦

JoVE ニュースレター

研究

教育

著者

図書館員

JoVEについて

Copyright © 2023 MyJoVE Corporation. All rights reserved