JoVE Logo
АВТОРЫ
СВЯЖИТЕСЬ С НАМИ

Войдите в систему

Для просмотра этого контента требуется подписка на Jove Войдите в систему или начните бесплатную пробную версию.

В этой статье

  • Резюме
  • Аннотация
  • Введение
  • протокол
  • Результаты
  • Обсуждение
  • Раскрытие информации
  • Благодарности
  • Материалы
  • Ссылки
  • Перепечатки и разрешения

Резюме

Этот библиометрический анализ секвенирования одиночных клеток в исследованиях рака показывает, что Китай и США производят значительно больше научных статей, чем другие страны. Обнаружение всплесков выявляет новые термины, такие как «внутриопухолевая гетерогенность», «клональная эволюция» и «системы доставки лекарств», которые, как ожидается, повлияют на будущие исследования.

Аннотация

Рак представляет собой серьезную проблему для здоровья человека из-за его сложных биологических систем, требующих глубокого анализа. Секвенирование отдельных клеток стало важным инструментом для исследования этих систем, позволяя обнаруживать экспрессию генов и эпигенетические модификации на уровне отдельных клеток. Для выяснения тенденций исследований, сетей сотрудничества и распространения знаний в этой области был проведен библиометрический анализ с использованием базы данных Web of Science Core Collection, охватывающей публикации с 1 января 2010 года по 31 декабря 2023 года. Пакет Bibliometrix в R использовался для извлечения и анализа ключевых данных о публикациях, включая типы документов, страны, учреждения, авторов и ключевые слова. Кроме того, для сбора и визуализации данных были использованы CiteSpace, VOSviewer и онлайн-платформа анализа метрологии литературы. В ходе анализа было выявлено 34 074 автора из 3 129 учреждений в 75 странах и регионах, которые внесли свой вклад в 5 680 публикаций по секвенированию одиночных клеток при раке, опубликованных в 788 академических журналах. Китай и Соединенные Штаты стали ведущими странами по объему публикаций. Наибольшее количество публикаций было выпущено в Гарвардском университете (320), а Авив Регев, связанный с Гарвардом, признан ключевым участником. Ведущие журналы, такие как Frontiers in Immunology и Nature Communications, освещают как существующие, так и новые области исследований, включая иммунное микроокружение и иммунотерапию. Ключевые тенденции и потенциальные области для будущих исследований включают внутриопухолевую гетерогенность, клональную эволюцию и системы доставки лекарств. В этом исследовании представлен всесторонний обзор исследований в области секвенирования одиночных клеток в онкологии, подчеркнув их быстрый прогресс, обусловленный технологическим прогрессом и международным сотрудничеством. Укрепление глобальных партнерств, разработка интегративных аналитических инструментов и решение сложных проблем с данными будут иметь решающее значение для продвижения персонализированной терапии рака и углубления понимания биологии рака.

Введение

Рак является одним из самых опасных заболеваний, занимая второе место по смертности во всем мире1. По оценкам, к 2035 году примерно четверть населения мира будет непосредственно затронута раком 2,3. Патогенез рака в первую очередь связан с нарушением регуляции клеточного роста, на который влияют различные опухолевые факторы4,5. «Отличительные черты рака» были концептуализированы как набор функциональных возможностей, которые облегчают переход от нормальных клеточных состояний к опухолевому росту, в частности, те способности, которые необходимы для формирования злокачественныхопухолей. Технология секвенирования играет ключевую роль в углублении нашего понимания патогенеза заболеваний. Тем не менее, из-за присущей опухолям гетерогенности, идентификация геномных характеристик стволовых клеток с низким содержанием с помощью высокопроизводительного анализа секвенирования опухолевых тканей представляет собой значительную проблему 7,8.

Секвенирование отдельных клеток, которое включает в себя геномику, транскриптомику, эпигеномику, протеомику и метаболомику, представляет собой мощный методологический подход к выяснению клеточных и молекулярных ландшафтовна уровне отдельных клеток. Его применение в исследованиях рака значительно улучшило понимание биологических характеристик и динамики, присутствующих в опухолевых поражениях, тем самым способствуя более полному пониманию развития рака и метастазирования.

Библиометрический анализ изучает структурные характеристики и атрибуты научных публикаций и широко используется как в качественных, так и в количественных оценках научной литературы11,12. Сравнивая вклады различных стран, учреждений, исследователей и публикаций, можно пролить свет и предсказать потенциальные достижения в конкретной области исследований. Несмотря на значительное увеличение количества систематических и описательных обзоров, посвященных исследованиям секвенирования одиночных клеток при раке, остается заметный недостаток в комплексном анализе в области количественной оценки 13,14,15. Данное исследование направлено на проведение всестороннего анализа тенденций развития и основных тем исследований в области секвенирования одиночных клеток в области рака с использованием библиометрических методов. Полученные результаты предложат исследователям, клиницистам и политикам подробный обзор текущего состояния знаний и понимания в этой области.

протокол

Данные, использованные в данном исследовании, были получены из Web of Science Core Collection (2010-2023).

1. Сбор данных

  1. Выбор базы данных
    1. Доступ к базе данных Web of Science Core Collection (WoSCC) через: https://webofscience. clarivate.cn/wos/author/author-search.
    2. Разработайте стратегию поиска, используя целевые ключевые слова, в частности, «секвенирование одиночных клеток» и «рак», чтобы найти релевантную литературу. Нажмите кнопку поиска , чтобы завершить поиск литературы.
      ПРИМЕЧАНИЕ: Обратитесь к Дополнительной таблице 1 для получения полного списка ключевых слов, используемых в стратегии поиска для повышения точности и инклюзивности.
  2. Параметры поиска
    1. Выберите период публикации с 1 января 2010 года по 31 декабря 2023 года, чтобы отразить самые последние и всесторонние тенденции исследований.
    2. Выберите английский язык в качестве языка для результатов поиска и выберите Статья и Обзор в качестве типов статей, чтобы обеспечить согласованность данных и облегчить сравнительный анализ.
    3. Обеспечьте актуальность, исключив публикации, выходящие за рамки секвенирования одиночных клеток и исследований рака.
  3. Получение и формат данных
    1. Скомпилируйте выбранные публикации в формате Full Record и Cited References , чтобы сохранить подробные метаданные.
    2. Сохраняйте собранные данные в виде текстовых файлов для последующего анализа с помощью библиометрических инструментов.
    3. Убедитесь, что каждая запись содержит полные метаданные, включая информацию о цитировании и соавторстве, чтобы обеспечить тщательный библиометрический анализ (рис. 1).

2. Предварительная обработка данных

  1. Сбор и импорт данных
    1. Запустите библиошинный интерфейс пакета bibliometrix в R.
      ПРИМЕЧАНИЕ: Конкретный код предоставляется следующим образом:
      Библиотека (Библиометрика)
      packageVersion("bibliometrix")
      biblioshiny()
    2. Откройте базу данных WoSCC и выберите объединенный текстовый файл, содержащий библиометрические данные.
    3. Импортируйте данные и экспортируйте их в формате R Data Format для последующего анализа.
  2. Ежегодная тенденция роста публикаций и цитирований
    1. Преобразуйте столбцы PY (год публикации) и Z9 (количество цитирований) в числовой формат.
    2. Сгруппируйте данные по году публикации и рассчитайте количество публикаций за год и общее количество цитирований.
    3. Создайте столбчатую диаграмму, чтобы представить количество публикаций каждый год, и наложите линейный график, чтобы проиллюстрировать количество цитирований с течением времени.
      ПРИМЕЧАНИЕ: Конкретный код указан как код 1 в дополнительном файле 1.
  3. Анализ публикаций и сотрудничества на национальном уровне
    1. Агрегация публикаций и сотрудничества на национальном уровне
      1. Суммируйте ежегодные публикации и цитаты по каждой стране с помощью полей «Год публикации» (PY) и «Страны-авторы» (AU_CO1).
      2. Сосредоточьте анализ на 10 ведущих странах по объему публикаций.
    2. Вычисление метрик
      1. Рассчитайте ключевые показатели, включая количество публикаций (NP), частоту цитирования (NC), публикации в одной стране (SCP) и публикации в нескольких странах (MCP)16.
      2. Определение доли публикаций в нескольких странах (MCP_Ratio) в качестве показателя международного сотрудничества.
      3. Используйте функцию индекса Хирша R для вычисления индексов воздействия (индекс Хирша, G-индекс и М-индекс) для каждой страны за 14-летний период17.
        ПРИМЕЧАНИЕ: Конкретный код указан в виде кода 2 в дополнительном файле 1. Используйте онлайн-платформу для анализа метрологии литературы (https://bibliometric.com/) для изучения отношений сотрудничества между странами. Выгрузка данных в формате Plain Text из WoSCC. Используйте функцию «отношения со странами» для оценки международного сотрудничества. Кульминацией является визуализация сети сотрудничества между ведущими странами-донорами.
  4. Анализ институциональных публикаций и сотрудничества
    1. Извлечение и ранжирование данных
      1. Извлекайте институциональные данные из раздела «Аффилированности » в функции «Анализ результатов » базы данных WoSCC.
      2. Ранжируйте учреждения в порядке убывания их общего количества опубликованных статей.
    2. Визуализация данных
      1. Создайте горизонтальную линейчатую диаграмму с помощью пакета ggplot2 в R, чтобы проиллюстрировать объем публикаций по ведущим учреждениям.
        ПРИМЕЧАНИЕ: Конкретный код указан в виде кода 3 в дополнительном файле 1.
    3. Анализ соавторства
      1. Настройка анализа в VOSviewer: Запустите VOSviewer, а затем выберите Создать в главном меню. Выберите Создать карту на основе библиографических данных и выберите Чтение данных из файлов библиографической базы данных. Наконец, импортируйте файлы Plain Text.
      2. Конфигурация и параметры: Установите тип анализа на соавторство в VOSviewer. Выберите метод Полный подсчет и выберите организации в качестве единицы анализа. Настройте параметры так, чтобы они включали не более 1 200 организаций на документ, и установите минимальное пороговое значение на уровне 30 документов на организацию, чтобы обеспечить комплексный анализ сети.
      3. Визуализация и интерпретация: Завершите настройку, нажав кнопку «Готово », чтобы создать карту визуализации, иллюстрирующую сети сотрудничества между учреждениями. Убедитесь, что на карте выделены уровни взаимосвязанности и партнерства, определены центральные узлы исследовательской деятельности и ключевые области сотрудничества между учреждениями.
  5. Анализ авторов и авторское сотрудничество
    1. Идентификация плодовитых авторов: Перейдите в раздел «Профили исследователей » в базе данных WoSCC для ранжирования авторов на основе общего количества опубликованных статей.
    2. Визуализация данных: Используйте пакет ggplot2 в R для создания горизонтальной гистограммы, визуально представляющей объем публикаций ведущих авторов.
    3. Оценка вклада авторов: Получите дополнительные показатели для 10 лучших авторов по объему публикаций, включая индекс Хирша, страну и аффилированное учреждение, используя данные из базы данных WoSCC.
      ПРИМЕЧАНИЕ: Конкретный код указан в виде кода 4 в дополнительном файле 1.
    4. Сети сотрудничества авторов
      1. Настройка анализа в VOSviewer: Запустите VOSviewer и нажмите кнопку Создать , а затем Создать карту на основе библиографических данных. Импортируйте соответствующие текстовые файлы, содержащие библиографические данные, выбрав Чтение данных из файлов библиографической базы данных.
      2. Конфигурация и параметры: Установите тип анализа как «Соавторство » и используйте метод полного подсчета . Выберите авторов в качестве единицы анализа. Настройте параметры, включив в них не более 33 организаций на документ, и установите минимальное пороговое значение в 15 документов на одного автора, чтобы обеспечить сбор значимых данных о совместной работе.
      3. Визуализация и аналитика: нажмите « Готово », чтобы создать наложенную визуализацию, которая иллюстрирует временную эволюцию сотрудничества авторов, предоставляя представление о динамике и росте сетей соавторства с течением времени.
  6. Анализ журналов и совместно цитируемых журналов
    1. Расчет метрик журнала: Используйте функцию индекса Хирша в R для расчета ключевых метрик для каждого журнала, включая количество публикаций на источник (NP), частоту цитирования (NC), год первой публикации (PY_start) и индексы влияния (индекс Хирша, G-индекс и M-индекс).
    2. Извлечение импакт-факторов и рейтингов: Получите импакт-факторы журналов и рейтинги квартилей из базы данных WoSCC для дальнейшей оценки влияния и репутации каждого журнала в этой области.
      ПРИМЕЧАНИЕ: Конкретный код указан в виде кода 5 в дополнительном файле 1.
    3. Анализ потока знаний
      1. Импорт и настройка данных в CiteSpace: откройте CiteSpace и перейдите в меню « Данные ». Выберите Импорт/Экспорт и выберите WOS для импорта данных. При необходимости настройте входной и выходной пути.
      2. Выбор и настройка карты: Выберите опции Overlay Maps и JCR Journals Maps в CiteSpace, установив z-score равным 0. Такая конфигурация позволяет создавать двойную карту для иллюстрации потока знаний между журналами.
  7. Анализ совместно цитируемых ссылок и кластеризация сети
    1. Импорт и настройка данных в CiteSpace
      1. Откройте CiteSpace, перейдите в меню «Данные» и выберите «Импорт/экспорт».
      2. Импортируйте данные из базы данных WoSCC в виде обычного текста, настроив временной срез анализа с января 2010 года по декабрь 2023 года с интервалом в один год для временной детализации.
    2. Настройка и обрезка сети
      1. Задайте тип узла Reference в CiteSpace. Используйте опцию Обработка контуров и функцию Обрезка срезов сетей , чтобы применить обрезку к сети.
      2. Выполните анализ, нажав кнопку GO, чтобы создать справочную карту совместного цитирования, настроив параметры шрифта и цвета для улучшения читаемости.
    3. Выявление высокоэффективных ссылок
      1. Выберите опцию Burstness и установите параметр γ в значение [0, 1] в CiteSpace.
      2. Обновите данные, чтобы создать список из 20 лучших ссылок с самыми сильными всплесками цитирования.
  8. Анализ совпадения ключевых слов
    1. Частотный анализ ключевых слов в R
      1. Проводите анализ ключевых слов с помощью пакета bibliometrix в R, уделяя особое внимание наиболее часто встречающимся ключевым словам в документах.
      2. Установите в поле значение Ключевые слова автора и ограничьте их число до 20 первых ключевых слов, отфильтровав синонимы для обеспечения согласованности.
    2. Анализ пакетов ключевых слов в CiteSpace
      1. Используйте CiteSpace для выполнения анализа пакетов ключевых слов, выбрав опцию Burstness и установив параметр γ в значение [0, 1].
      2. Обновите данные, чтобы создать список из 30 лучших ключевых слов с самыми сильными всплесками цитирования.
    3. Анализ сети совместного использования ключевых слов в VOSviewer
      1. Откройте VOSviewer, выберите Создать, а затем Создать карту на основе библиографических данных.
      2. Импортируйте обычные текстовые файлы с помощью опции Чтение данных из файлов библиографической базы данных .
      3. Задайте для параметра Тип анализа совместное вхождение, используя метод Полный подсчет , с ключевыми словами автора в качестве единицы анализа.
      4. Примените минимальное пороговое значение в 40 вхождений ключевых слов и нажмите кнопку Готово , чтобы завершить анализ, создав сеть совместного вхождения, которая визуализирует отношения ключевых слов в поле.

Результаты

Ежегодная тенденция роста публикаций и цитирований
С 2010 по 2023 год в базе данных WoSCC было выявлено в общей сложности 6 767 публикаций, связанных с секвенированием одиночных клеток при раке. В общей сложности 602 исследования, опубликованные в период с 2010 по 2023 го?...

Обсуждение

Библиометрический анализ служит количественным подходом к оценке характеристик и научного влияния значимых публикаций26. В этом исследовании был проведен обширный библиометрический анализ 5 680 статей, связанных с секвенированием одиночных клеток в иссл...

Раскрытие информации

Авторам нечего раскрывать.

Благодарности

Никакой.

Материалы

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.

Ссылки

  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).

Перепечатки и разрешения

Запросить разрешение на использование текста или рисунков этого JoVE статьи

Запросить разрешение

Смотреть дополнительные статьи

R

This article has been published

Video Coming Soon

JoVE Logo

Конфиденциальность

Условия эксплуатации

Политика

СВЯЖИТЕСЬ С НАМИ

РЕКОМЕНДОВАТЬ БИБЛИОТЕКЕ

НОВОСТИ JoVE

Исследования

Образование

АВТОРЫ

Библиотекарь

О JoVE

Авторские права © 2025 MyJoVE Corporation. Все права защищены