A bibliometric analysis of RNA methylation in diabetes mellitus and its complications from 2002 to 2022
Notice bibliographique
Résumé
Background RNA methylation has emerged as an active research field in diabetes mellitus (DM) and its complications, while few bibliometric analyses have been performed. We aimed to visualize the hotspots and trends using bibliometric analysis to provide a comprehensive and objective overview of the current search state in this field. Methods The articles and reviews regarding RNA methylation in DM and its complications were from the Web of Science Core Collection. A retrospective bibliometric analysis and science mapping was performed using the CiteSpace software to plot the knowledge maps and predict the hotspots and trends. Results Three hundred seventy-five qualified records were retrieved. The annual publications gradually increased over the past 20 years. These publications mainly came from 66 countries led by Canada and 423 institutions. Leiter and Sievenpiper were the most productive authors, and Jenkins ranked first in the cited authors. Diabetes Care was the most co-cited journal. The most common keywords were “Type 2 diabetes”, “cardiovascular disease”, “diabetes mellitus”, and “n 6 methyladenosine”. The extracted keywords mainly clustered in “beta-cell function”, “type 2 diabetes”, “diabetic nephropathy”, “aging”, and “n6-methyladenosine”. N6-methyladenosine (m 6 A) in DM and its complications were the developing areas of study. Conclusion Studies on RNA methylation, especially m 6 A modification, are the current hotspots and the future trends in type 2 diabetes (T2D) and diabetic nephropathy (DN), as well as a frontier field for other complications of DM. Strengthening future cooperation and exchange between countries and institutions is strongly advisable to promote research developments in this field.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,038 | 0,046 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».