Page 10 - 2019年2月第30卷第4期

表 1 发文量排名前 10 位的国家/地区的发文量及中 及中国广西大学的 Chou KC 等作者发文量大且被引频
心度 次较高，在该领域具有较大影响力；西班牙圣地亚哥综
Tab 1 Top 10 countries/areas with most publications 合大学的 Gonzalez-Diaz H 发文较多、被引频次较少，但
and their centrality 其团队合作较多，一定程度上也增强了其研究地位。
序号 国家/地区 发文量，篇 中心度
1 美国 1 143 0.32
2 中国 306 0.02
3 英国 269 0.14
4 德国 240 0.18
5 意大利 125 0.18
6 伊朗 125 0.02
7 日本 120 0.01
8 印度 116 0.02
9 加拿大 112 0.06
10 法国 108 0.12
示出AI技术应用于药学领域的研究核心机构及合作情
况。该图谱将各机构的文献数量及发表时间通过节点
年轮的大小和颜色深度直观呈现出来，字体的大小反映 图5 作者合作网络图谱
了该机构总发文量的多少，而节点间的连线粗细则反映 Fig 5 Cooperation network map among authors
[22]
了机构间合作的强度 。由图 4 可见，该研究领域影响 3.2 AI技术应用于药学领域的研究热点分析
力最大的机构为美国哈佛大学，其研究时间最早、发文 关键词是作者用来高度概括核心论点的语句，其分
量大且合作关系众多；同样具备这些特点的还包括斯坦 布频次和特点可体现研究领域的总体特征、研究热点间
福大学、密歇根大学、中国科学院等机构。 的相互联系和发展趋势 。将 CiteSpace 中节点类型设
[24]
置为“关键词”，聚类词类型设置为“名词短语”，分析获
得AI技术应用于药学领域研究的关键词共现网络图谱
（图6）。该图谱中三角形的大小和颜色深度代表该关键
词出现的频次和时间，字体的深浅也反映了频次的高
低。采用 CiteSpace 对关键词的出现频次进行统计分
析，结果出现频次最高的关键词为“Neural network”，其
次为“Machine-learning”“Discovery”“Prediction”“Classi-
fication”“Design”等（表 2），分别反映了 AI 技术的重要
核心（机器学习算法）以及其在药学领域的主要运用（药
物发现及设计）；其他研究热点还包括：疾病或不良反应
诊断分级、药学模型的建立和优化、药物筛选或药效预
测、药学数据库的建立等。中心度较高的关键词如“Dis-
图4 研究机构合作网络图谱 covery”“Design”，则提示有多个研究领域的研究与药物
Fig 4 Cooperation network map among research insti-
[25]
的发现或设计有关，即具有一定的学科交叉性 。
tutions
3.1.4 主要研究者分析 共有 14 360 位研究者参与了
AI技术应用于药学领域的研究。将节点类型设置为“作
者”，其余设置从略，通过 CiteSpace 绘制作者合作网络
图谱（图 5），可识别该领域的核心作者及其之间的合作
[23]
情况 。该图谱中节点年轮的颜色深度及其大小反映
了文献发表的时间和数量，字体的深浅也反映出作者的
影响力大小。从作者角度看，该领域研究处于“部分集
中、整体分散”的状态，缺乏团队合作；结合作者被引频
次结果（图表从略），美国马里兰大学的 Ekins S、瑞士罗 图6 关键词共现网络图谱
氏公司的 Schneider G、日本城西大学的 Takayama K 以 Fig 6 Co-occurrence network map of keywords

·436 · China Pharmacy 2019 Vol. 30 No. 4 中国药房 2019年第30卷第4期