1.5 Herramientas de visualización bibliométrica
Last updated
Last updated
La visualización bibliométrica es crucial para analizar la información científica y evaluar la relevancia, la influencia y la interconexión de diversas publicaciones científicas (Park et al., 2023, Donthu et al., 2021). En la Tabla 1 se muestran algunas herramientas de acceso libre para la visualización bibliométrica que se pueden emplear para el análisis de información química:
Tabla 1. Herramientas de visualización bibliométrica de libre acceso.
Permite analizar y visualizar la estructura de las redes de términos clave en documentos científicos. También permite visualizar la red de coautoría y las citas entre documentos.
Permite crear visualizaciones interactivas a partir de conjuntos de datos bibliométricos. Puedes importar datos de citas, colaboraciones y otros indicadores bibliométricos para crear dashboards personalizados.
Ofrece una plataforma integral para el análisis de datos científicos, identificar colaboraciones, analizar tendencias de investigación y crear visualizaciones interactivas.
Admite el análisis y la visualización temporal, geoespacial, temático y de red de conjuntos de datos académicos a nivel individual o global.
Herramienta de mapeo de literatura basada en citas. Conecta intereses de investigación con artículos y autores . Permite importar referencias desde Zotero.
Science of Science (Sci2) es un conjunto de herramientas diseñadas específicamente para el estudio de la ciencia. Admite el análisis y la visualización temporal, geoespacial, temático y de red de conjuntos de datos académicos a nivel micro (individual), meso (local) y macro (global).
VosViewer: En este ejercicio se muestra un ejemplo de la aplicación de VosViewer para analizar la evolución del concepto de espacio químico y sus aplicaciones en la literatura. Para conocer más de este concepto puede consultar la sección de Espacio Químico.
a) Primero se ingresó a PubMed los términos 'chemical space' y 'drug design'. En total, la búsqueda arrojó 1538 artículos (noviembre de 2021). Se descargó la información en formato PubMed. También puede descargarse en formato CSV, TXT y PMID.
b) Posteriormente, se importó esta información en VOSviewer. Para generar la Figura 1a se seleccionaron 90 términos, los cuales tienen una ocurrencia mayor a 20. La Figura 1b se construyó a partir de 35 palabras claves proporcionadas por los autores y con una ocurrencia mayor a 5.
Los resultados del metanálisis indicaron que los principales términos concurrentes asociados con las palabras clave utilizadas fueron análisis SAR y diseño de biblioteca de moléculas pequeñas (Figura 1a). La visualización del espacio químico se ha utilizado con frecuencia para respaldar el análisis de agentes antineoplásicos (76 artículos), inhibidores de la proteína quinasa (60), antibacterianos (51), antipalúdicos (28) y compuestos antivirales (21). De manera similar, un número notable de artículos relacionados con el concepto de espacio químico están asociados con la reutilización de medicamentos (20). En particular, el uso de representaciones del espacio químico basadas en redes se ha utilizado para predecir interacciones fármaco-objetivo e interacciones más complejas, incluidas asociaciones fármaco-enfermedad, proteína-enfermedad y efectos secundarios de fármaco, por nombrar algunos ejemplos.
Según las palabras clave de los autores (Figura 1b), los artículos más recientes (ver escala de colores) se centran en métodos de aprendizade de máquina (ML, por sus siglas en inglés machine learning) como el aprendizaje profundo. También, se destaca que el concepto de espacio químico ha tenido aplicaciones recientes en la enfermedad de Alzheimer y en enfermedades emergentes como la COVID-19. Particularmente para COVID-19, la visualización del espacio químico demostró ser una forma rápida de analizar y describir el enorme espacio químico de compuestos antivirales conocidos (Kumar et al. 2021, Horvath et al. 2020) . Por ejemplo, GTM es uno de los métodos utilizados para representar el espacio químico de compuestos obtenidos de esfuerzos de química farmacéutica contra los coronavirus (CoV). En particular, los GTM ayudaron a resaltar la relación estructural entre antivirales de diferentes categorías, predecir sus perfiles polifarmacológicos y enfatizar los quimiotipos encontrados con frecuencia. De manera similar, el concepto de espacio químico fue muy útil para encontrar compuestos atractivos para reposicionar y guiar la identificación de andamios potentes y selectivos con actividad anti-COVID.
ResearchRabbit: En este ejercicio veremos cómo optimizar el tiempo de búsqueda bibliográfica mediante el uso de las relaciones bibliográficas conducidas por inteligencia artificial realizadas dentro de la plataforma de ResearchRabbit.
a) El primer paso consiste en crear una cuenta gratuita en la página web de ResearchRabbit (https://researchrabbitapp.com/). En esta cuenta quedarán guardados todos los avances y comentarios que se realicen de las revisiones de la literatura.
b) Seleccionando la opción 'Add papers' se agrega el primer artículo científico a la nueva colección. Preferiblemente un artículo representativo del problema de investigación. A continuación, aparecerá un cuadro de texto que pide ingresar ya sea el título, DOI, PMID o palabras clave del artículo en cuestión. Por medio de los identificadores DOI o PMID es posible lograr una identificación más rápida de la bibliografía. En la columna de la izquierda, en +Collection, se pueden crear nuevas colecciones para trabajar en múltiples proyectos a la misma vez.
c) Seleccionando el artículo añadido aparecerán dos nuevas columnas. La primera presenta la información propia del artículo, tal como su resumen, información de los autores, título, año y revista de publicación. La segunda columna presenta diferentes opciones de relacionar este artículo con otros artículos disponibles en linea y en revistas indizadas.
Seleccionando la opción de 'Similar Work' aparece un nuevo panel a la derecha con todos los posibles artículos relacionados con el tema de investigación del "artículo semilla". Seleccionando la casilla 'Abstracts' habilitamos la visualización de los resúmenes de los artículos relacionados. En el último panel podemos habilitar dos tipos de visualización de la información diferentes: 'Network' nos permite ver cómo se relacionan de acuerdo con su cercanía y relevancia (tamaño del círculo), 'Timeline' nos permite visualizar y discutir el avance cronológico de la investigación en este campo en particular. La etiqueta 'Labels' permite visualizar las adscripciones en que se está avanzando en estas investigaciones.
d) Explorando a través de los artículos relacionados es posible construir una red de la bibliografía relacionada que potencialmente será útil en la investigación. ResearchRabbit permite añadir comentarios privados para el usuario de los principales hallazgos en el artículo. Los artículos que se encuentren relevantes tras una primera revisión se pueden añadir a la colección, y estos generarán sus propias relaciones, así la búsqueda bibliográfica se afina, y la literatura puede llegar a ser más específica cada vez.
Por medio de la selección de múltiples artículos, la red encontrará coincidencias comunes a más de un artículo dentro de la colección.
Donthu N, Kumar S, Mukherjee D, Pandey N, Lim WM (2021) How to conduct a bibliometric analysis: An overview and guidelines. J. Bus. Res. 133: 285-296.
Espinoza V. (2023) 16 network visualization tools that you should know! https://medium.com/@vespinozag/16-network-visualization-tools-that-you-should-know-2c26957b707e. Fecha de acceso: noviembre de 2023.
Park M, Leahey R y Funf RJ (2023) Papers and patents are becoming less disruptive over time. Nature 613: 138-144.
The Learning Centre. James Cook University (2023) What is ResearchRabbit https://www.jcu.edu.au/__data/assets/pdf_file/0008/1958831/Research-Rabbit-Overview.pdf. Fecha de acceso: noviembre de 2023.
