IF7.0 南昌大学这篇“文献计量学”关键词选的真妙,直接拿下二区!换个角度还能发~

点击蓝字 了解我们

引言

这篇文献计量分析梳理了2004–2023年衰老与肿瘤免疫治疗交叉领域的研究。发现发文量持续增长，核心热点是免疫检查点抑制剂（ICB），但近两年“细胞衰老+预后模型”和“免疫浸润/微环境”成为新方向。

基因层面APOE和SIRT1–7是被挖掘出的关键连接靶点。衰老疗法（溶衰、抑衰）与免疫疗法（ICB、CAR-T）联合尚处早期，缺乏统一标志物和临床证据。

用WOS核心库+严格筛选（只留review/article、英文），保证数据干净。

用VOSviewer做共现/共被引聚类，CiteSpace做爆发词检测，R包（bibliometrix）做趋势拟合。

做线性/非线性回归预测发文和引文，用Sy.x和R²评估拟合可信度。

基因热点可抓TCGA频次和总链接强度（TLS），筛出高关联靶点。

聚类后按平均发表年份判断新旧热点，比如“细胞衰老”平均2021.49年，说明较新。这套流程可直接套到其他交叉领域。

研究结果

2004—2023年该领域年度发文量与引文量持续攀升，预测函数显示年发文量（y = 22.65x - 45471.16，R² = 0.70）与年引文量（y = 796.07x - 1598985.04，R² = 0.65）均呈稳健增长，预计2030年发文量将达约508篇（图2A）。

图1 文献计量学整体流程图

图2：文献计量学与可视化研究领域被引用次数最多的10篇论文、高产作者及期刊

R²值中等，提示纯时间序列拟合有限，引入基金、政策等协变量构建多元回归可提升预测精度。

本地被引最高的文献为Nishijima TF（2016，79次）与Nosaki K（49次，图2B-C）；突发参考文献（表2）中84%聚焦免疫检查点治疗，且多发表于NEJM、The Lancet等顶刊，表明优化PD-1/PD-L1等ICB策略是该领域的绝对核心。

图2：文献计量学与可视化研究领域被引用次数最多的10篇论文、高产作者及期刊

顶刊主导提示，将衰老分子标志物与免疫治疗临床数据整合的生信挖掘是冲击高分期刊的有效路径。

Cortellini, Alessio与Casasnovas, Olivier在发文量及H指数上领先，Thery, Clotilde近年被引增长迅猛；

合作网络分8个聚类，聚类3历史悠久、聚类7新兴，且聚类1/2/5发文密度与聚类1/4引文密度明显更高（图2D-I，图3A-D）。

图2：文献计量学与可视化研究领域被引用次数最多的10篇论文、高产作者及期刊

图3：作者间关系的多变量可视化网络

高发文聚类与高引聚类不完全重叠，识别“数量型”与“质量型”团队有助于差异化合作策略制定。

Aging-Us综合表现最优，Frontiers in Immunology与Cancers紧随其后；

近五年Aging-Us、Cancers发文量激增，而Journal of Extracellular Vesicles与Aging-Us被引持续上涨，为优选投稿目标（图2K-Q）。

图2：文献计量学与可视化研究领域被引用次数最多的10篇论文、高产作者及期刊

衰老专刊与综合免疫期刊并重，大家投稿选刊的时候应根据机制深度与应用广度合理匹配。

美国累计领先但中国自2020年爆发式增长，2022年年度被引已超越美国；

国家合作分5个聚类，美、德、英、法为关键枢纽（图4A-H，图5A-D）。

机构层面四川大学发文居首，纪念斯隆凯特琳与宾大紧随其后，机构聚类3整体学术表现最突出（图4I-L，图5E-H）。

图5 国家和附属机构的文献计量可视化研究

中国影响力跃升但累计量仍有差距，四川大学异军突起，可作为生信合作或标杆对比的重点对象。

293个关键词分12簇，前6簇包括：

①细胞衰老与预后（最新，平均2021.49年，链接TME、免疫浸润、机器学习）；

②乳腺癌/结直肠癌/肝癌；

③免疫治疗研究（PD-1 TLS=233，NSCLC TLS=260，黑色素瘤）；

④免疫衰老因素；

⑤癌症相关因素；

⑥衰老病理生理（衰老 TLS=247，关联免疫治疗 TLS=1617，图6A-D）。

图6：针对衰老、癌症及免疫疗法相关研究热点的多网络可视化分析研究

聚类1整合机器学习和TME是生信建模的最佳切入点；聚类6显示衰老与免疫治疗强关联，构建衰老相关免疫预后多组学签名极具前景。

“cancer immunotherapy” 突发最强最持久，“NSCLC”爆发力最高，“prognostic model”为新兴热点；

线性回归显示免疫治疗（a=16.38）与预后趋势最猛，非线性回归显示衰老与预后将长期高速发展（图7A-K）。

图7 衰老、癌症及免疫治疗领域研究特征的爆炸分析、演变及统计分析

免疫治疗回归系数远大于衰老，但非线性拟合提示衰老-预后模型具有长尾效应，开发基于机器学习的动态衰老-免疫预后模型价值巨大。

频次最高基因为APOE，其次CTLA-4；SIRT1-7家族链接强度最强且主要关联衰老；主要药物靶点为PD-1/PD-L1与CTLA-4，核心癌种为NSCLC与黑色素瘤（图8A-D）。

图8 遗传分析图谱的可视化展示

APOE与SIRT1-7为连接衰老与免疫的核心分子枢纽，TCGA数据库高频引用，为基于公共数据挖掘衰老相关分子亚型与免疫反应关系提供了标准分析范式。

文章复刻建议

嘿，科研小伙伴们！想复刻这篇文献计量学文章？思路很简单：

照搬它的检索式（WoSCC，2004-2023），然后用VOSviewer、CiteSpace和R跑一遍发文趋势、合作网络和突发检测。

但我建议你升级玩法——把PubMed和Scopus也加上，避免漏掉好文章；时间更新到2025，看看新热点。

更绝的是，别止步于文献统计，把挖掘出的APOE、SIRT1-7这些关键基因，直接拽进TCGA或单细胞数据里验证，看看它们是否真能预测免疫治疗反应。这样既有宏观格局，又有微观机制，审稿人肯定买账！干就完了～

END

点个“看一看”吧