Systematic mapping of DNAzymes research from 1995 to 2019
Notice bibliographique
Résumé
DNAzymes (catalytic DNA) have gained significant diagnostic and therapeutic applications with increasing research output over the years. Functional oligonucleotides are used as molecular recognition elements within biosensors for detection of analytes and viral infections such as SARS-CoV-2. DNAzymes are also applied for silencing and regulating cancer specific genes. However, there has not been any report on systematic analysis to track research status, reveal hotspots, and map knowledge in this field. Therefore, in the present study, research articles on DNAzymes from 1995 to 2019 were extracted from Web of Science (SCI-Expanded) after which, 1037 articles were imported into Rstudio (version 3.6.2) and analysed accordingly. The highest number of articles was published in 2019 (n = 138), while the least was in 1995 (n = 1). The articles were published across 216 journals by 2344 authors with 2337 multi-author and 7 single authors. The most prolific authors were Li Y (n = 47), Liu J (n = 46), Wang L (n = 33), Willner I (n = 33) and Zhang L (n = 33). The top three most productive countries were China (n = 2018), USA (n = 447) and Canada (n = 251). The most productive institutions were Hunan University, China (n = 141), University of Illinois, USA (n = 139) and Fuzhou University, China (n = 101). Despite the increasing interest in this field, international collaborations between institutions were very low which requires immediate attention to mitigate challenges such as limited funding, access to facilities, and existing knowledge gap.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,145 | 0,123 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».