Research hotspots and development trends of microRNA in ischemia-reperfusion: network analysis of academic journals oriented by bibliometric and visualization
Notice bibliographique
Résumé
Background: Ischemia-reperfusion (IR) injury can occur in the heart, brain, liver, lung, kidney, and other important organs, and may greatly increase disease mortality. MicroRNAs (miRNAs) have a variety of functions, including regulating cell differentiation, proliferation, and apoptosis. In the past 10 years, many studies on miRNAs in IR have been conducted. This study involved a visual analysis of these studies, and a discussion of research hotspots, trends, and frontiers of this topic. Methods: A total of 1,518 articles published between 2012 and 2022 on the topic of miRNA and IR and listed in the Web of Science database were analyzed visually using CiteSpace. Cooperative networks, literature citations, and keyword co-occurrence were analyzed. Results: Of the 1,518 articles, most were published after 2018, and a rapid growth in numbers of publications was seen after 2019. Articles from China numbered the highest, followed by the United States and Canada. It has been found that many miRNAs are involved in the occurrence of IR, with various regulatory mechanisms and signaling pathways. The literature clustering generated by literature co-citation analysis and the keyword co-occurrence network showed that the previous miRNA research on IR had mainly focused on the following topics: myocardial infarction, ischemic stroke, acute kidney injury, oxidative stress, and inflammatory response. More attention has been paid to long noncoding RNA (lncRNA) and exosomes, with much exploration having been conducted in these areas. Conclusions: Although miRNA is involved in the occurrence and development of IR, as a clinical intervention target for IR, further research is still needed.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,008 | 0,018 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».