馬俊紅 張文鳳 馮 鑫 袁紅梅

(沈陽(yáng)藥科大學(xué)工商管理學(xué)院 沈陽(yáng) 110016)

0 引 言

近年來(lái)，伴隨著科技和大數(shù)據(jù)的迅猛發(fā)展，生物技術(shù)、人工智能、信息技術(shù)和納米技術(shù)等具有顛覆性特征的新興技術(shù)迅速涌現(xiàn)，相關(guān)的專(zhuān)利和期刊論文數(shù)量也呈現(xiàn)激增現(xiàn)象[1]，面對(duì)錯(cuò)綜復(fù)雜的技術(shù)信息網(wǎng)，科研人員顯然已經(jīng)不能通過(guò)主觀(guān)判斷準(zhǔn)確地對(duì)技術(shù)趨勢(shì)進(jìn)行準(zhǔn)確、快速分析[2]。因此，運(yùn)用大數(shù)據(jù)分析方法對(duì)特定領(lǐng)域龐雜的科技信息進(jìn)行高效整合尤為重要。

隨著技術(shù)迭代和機(jī)器算法的發(fā)展，提綱挈領(lǐng)地對(duì)某一領(lǐng)域的發(fā)展演變進(jìn)行精練地描述，逐漸成為繪制技術(shù)演化脈絡(luò)的普適性方法。通過(guò)追蹤引文網(wǎng)絡(luò)中重要節(jié)點(diǎn)的連通，可以挖掘網(wǎng)絡(luò)中的核心技術(shù)，但從復(fù)雜的引文網(wǎng)絡(luò)中觀(guān)察技術(shù)的發(fā)展脈絡(luò)和路徑非常困難[3-4]。主路徑分析憑借能夠從數(shù)以萬(wàn)計(jì)的引文網(wǎng)絡(luò)中抽象出重要的技術(shù)路徑而被許多學(xué)者青睞。將主路徑分析方法應(yīng)用到發(fā)現(xiàn)技術(shù)演化脈絡(luò)上發(fā)端于期刊論文引文網(wǎng)絡(luò)，以往的研究也集中將主路徑分析方法運(yùn)用在科學(xué)論文中進(jìn)行某一領(lǐng)域技術(shù)演化脈絡(luò)測(cè)繪，例如：Fontana[5]、Fu[6]、Arianna M等[7]將基于論文的主路徑應(yīng)用到局域網(wǎng)、物聯(lián)網(wǎng)以及電信制造業(yè)等領(lǐng)域。此外，祝清松[8]、顏端武等[9]運(yùn)用論文數(shù)據(jù)并納入共被引和時(shí)序主題等在主路徑方法改進(jìn)方面做出貢獻(xiàn)。然而，僅對(duì)科學(xué)論文的演化分析不足以洞察某一領(lǐng)域技術(shù)發(fā)展動(dòng)態(tài)，作為世界上最大的技術(shù)信息源，專(zhuān)利文獻(xiàn)包含豐富的技術(shù)信息[10]，專(zhuān)利的引用關(guān)系體現(xiàn)了技術(shù)之間的繼承與發(fā)展，基于專(zhuān)利引用網(wǎng)絡(luò)的主路徑分析可用于研究技術(shù)演化脈絡(luò)，對(duì)技術(shù)趨勢(shì)做出快速分析[11]。Verspagen[12]于2007年首次對(duì)專(zhuān)利引用網(wǎng)絡(luò)應(yīng)用主路徑分析法來(lái)繪制電池領(lǐng)域的技術(shù)演化軌跡。經(jīng)過(guò)對(duì)專(zhuān)利引文網(wǎng)絡(luò)不斷的探索，Karvonen等[13]在2011年提出，專(zhuān)利數(shù)據(jù)能夠揭示各種企業(yè)和研究機(jī)構(gòu)的R&D利益，專(zhuān)利引用信息通過(guò)引用關(guān)系結(jié)合了創(chuàng)新技術(shù)，并提供了對(duì)某一領(lǐng)域內(nèi)技術(shù)發(fā)展過(guò)程的洞察，對(duì)于公司而言，專(zhuān)利比科學(xué)論文更有研究意義[14]?；趯?zhuān)利引文網(wǎng)絡(luò)的主路徑分析方法由此發(fā)展。諸多學(xué)者從不同視角對(duì)基于專(zhuān)利引文網(wǎng)絡(luò)的主路徑進(jìn)行改進(jìn)并進(jìn)行不同領(lǐng)域的實(shí)證分析，均取得一定成效。例如：陳亮等[15]將專(zhuān)利文本挖掘和動(dòng)態(tài)規(guī)劃方法應(yīng)用于專(zhuān)利引文網(wǎng)絡(luò)對(duì)硬盤(pán)驅(qū)動(dòng)器磁頭領(lǐng)域進(jìn)行技術(shù)路徑測(cè)繪；馬瑞敏等[16]從節(jié)點(diǎn)重要性出發(fā)對(duì)OLED領(lǐng)域的專(zhuān)利主路徑進(jìn)行全新探索；戚筠等[17]通過(guò)局部前向搜索、局部后向搜索、全局搜索以及關(guān)鍵路徑四種不同的專(zhuān)利主路徑方法以識(shí)別引證網(wǎng)絡(luò)中的核心技術(shù)；王婷[18]、Wang等[19]也從不同角度對(duì)基于專(zhuān)利的主路徑進(jìn)行改進(jìn)。最近的研究試圖使用基于專(zhuān)利的主路徑分析來(lái)預(yù)測(cè)未來(lái)的技術(shù)變革，發(fā)現(xiàn)新興技術(shù)[20-21]。

隨著學(xué)者們持續(xù)深入的研究，主路徑分析已成為技術(shù)軌跡測(cè)繪及技術(shù)預(yù)測(cè)的重要手段，但是，隨著主路經(jīng)分析方法的廣泛運(yùn)用，其存在的弊端也日益凸顯，引文滯后就是其中較為嚴(yán)重的弊端。本研究旨在探究克服引文滯后的科技演化主路徑測(cè)繪方法，以期幫助研究人員清晰、準(zhǔn)確、全面地了解技術(shù)動(dòng)態(tài)，及時(shí)調(diào)整研發(fā)策略，避免社會(huì)資源的浪費(fèi)。

1 研究設(shè)計(jì)

引文滯后的產(chǎn)生主要由于主路徑分析方法所采用的路徑搜索算法(SPC/SPNP/SPLC/ NPPC)的實(shí)現(xiàn)依賴(lài)于專(zhuān)利引文網(wǎng)絡(luò)[11]，而專(zhuān)利自公布到被引用往往存在一定的時(shí)間間隔，專(zhuān)利的引用量存在隨時(shí)間累積的情況，即近期的專(zhuān)利引用量少于先前專(zhuān)利的引用量[22]，即引文滯后[23]。Christian等[24]通過(guò)實(shí)證研究發(fā)現(xiàn)中國(guó)專(zhuān)利引用滯后期為31.9個(gè)月；Kim Junmo等[25]也指出，使用專(zhuān)利引文網(wǎng)絡(luò)存在引文滯后的截?cái)嗥顔?wèn)題等。這就導(dǎo)致近期公布的新興技術(shù)由于引用量少而無(wú)法表征在主路徑上，但這些新興技術(shù)往往代表最新的技術(shù)趨勢(shì)。引文滯后的存在，致使研發(fā)人員無(wú)法真正了解到最新的技術(shù)變革，不能對(duì)研發(fā)活動(dòng)作出及時(shí)調(diào)整，進(jìn)而導(dǎo)致社會(huì)資源浪費(fèi)。

為了克服主路徑分析方法的引文滯后問(wèn)題，本研究提出了一種可行性方法，該方法嘗試將近期的專(zhuān)利和論文與專(zhuān)利主路徑相關(guān)聯(lián)，在提取目標(biāo)社區(qū)主路徑之后，利用LDA主題模型對(duì)專(zhuān)利和論文數(shù)據(jù)進(jìn)行主題提取并生成“主題-文檔”分布概率矩陣，通過(guò)設(shè)定閾值篩選出近期重要的且與主路徑高度相關(guān)的專(zhuān)利和論文，將其銜接到主路徑上[26]，最終形成延伸和擴(kuò)展的主路徑。本研究提出的方法不僅解決了引文滯后導(dǎo)致的主路徑上近期重要技術(shù)的缺失問(wèn)題，而且彌補(bǔ)了以往研究只關(guān)注專(zhuān)利或論文的單一性問(wèn)題。

1.1研究框架本研究旨在進(jìn)一步完善運(yùn)用主路徑分析方法表征技術(shù)演化的脈絡(luò)，設(shè)計(jì)了一種克服主路徑中引文滯后性的方法。首先，從IncoPat數(shù)據(jù)庫(kù)調(diào)取所需專(zhuān)利數(shù)據(jù)，借助Girvan-Newman算法提取社區(qū)排名前三的引文網(wǎng)絡(luò)，針對(duì)三個(gè)網(wǎng)絡(luò)運(yùn)用SPC算法分別提取主路徑，以每條主路徑末端節(jié)點(diǎn)專(zhuān)利的申請(qǐng)時(shí)間為起點(diǎn)，從Web of Science中以相同的關(guān)鍵詞檢索論文數(shù)據(jù)，最后運(yùn)用LDA主題模型得到每篇專(zhuān)利和論文與所屬主題的概率值，這樣屬于同一個(gè)主題下的專(zhuān)利和論文通過(guò)設(shè)定閾值進(jìn)行篩選并與主路徑銜接。經(jīng)過(guò)上述過(guò)程，主路徑末端節(jié)點(diǎn)后所銜接的專(zhuān)利作為主路徑的延伸，所銜接的論文作為主路徑的擴(kuò)展，最終得到三條延伸和擴(kuò)展的主路徑，整體框架見(jiàn)圖1。

1.2 研究方法

1.2.1 構(gòu)建引文網(wǎng)絡(luò)并劃分社區(qū) 采用Pajek進(jìn)行主路徑測(cè)繪依賴(lài)于引文網(wǎng)絡(luò)，隨著專(zhuān)利文獻(xiàn)的增加，網(wǎng)絡(luò)結(jié)構(gòu)逐漸變得復(fù)雜[27]，劃分網(wǎng)絡(luò)結(jié)構(gòu)，從社區(qū)的角度出發(fā)可以更好的去挖掘網(wǎng)絡(luò)的功能和價(jià)值[28]。基于此，本文首先構(gòu)建專(zhuān)利引用矩陣并可視化引文網(wǎng)絡(luò)；其次，引入復(fù)雜網(wǎng)絡(luò)中用于社區(qū)發(fā)現(xiàn)的Girvan-Newman分裂算法對(duì)引文網(wǎng)絡(luò)進(jìn)行社區(qū)劃分，并借助Python加以實(shí)現(xiàn)。為了定量描述社區(qū)劃分的優(yōu)劣，本文引入Newman[29]提出的模塊度Q的概念，對(duì)社區(qū)進(jìn)行模塊化描述，函數(shù)表征如下：

圖1 研究框架

Q=∑i(eii-ai2)

(1)

其中，i代表的是第i個(gè)社區(qū)，eii表示社區(qū)i的邊占原始網(wǎng)絡(luò)所有邊的比例，ai表示所有連接了社區(qū)i中的頂點(diǎn)的邊占總邊數(shù)的比例，Q的取值范圍為[0,1],其值越接近1，表示網(wǎng)絡(luò)劃分出的社區(qū)結(jié)構(gòu)的強(qiáng)度越強(qiáng)，因此可以通過(guò)最大化模塊度Q來(lái)獲得最優(yōu)的網(wǎng)絡(luò)社區(qū)劃分。通過(guò)上述步驟可以將引文網(wǎng)絡(luò)劃分不同的社區(qū)，為主路徑的提取做鋪墊。

1.2.2 提取專(zhuān)利主路徑 選取自然排序前三的社區(qū)，首先將每個(gè)社區(qū)的引文網(wǎng)絡(luò)轉(zhuǎn)換為加權(quán)網(wǎng)絡(luò)。目前已有的鏈路加權(quán)算法有NPPC/SPNP/SPLC以及SPC。按照Batagelj(2003)[30]的建議，本文選取SPC算法，對(duì)引文網(wǎng)絡(luò)進(jìn)行鏈路加權(quán)，鏈接的SPC值定義為從引用源到引用網(wǎng)絡(luò)中的所有接收器遍歷該鏈接的次數(shù)，鏈接的值越大，則越重要。其次，通過(guò)運(yùn)用SPC搜索算法來(lái)提取加權(quán)網(wǎng)絡(luò)中的全局主路徑，即搜索SPC總數(shù)最大的路徑。如圖2所示，其中數(shù)字代表SPC值，字母代表節(jié)點(diǎn)，實(shí)線(xiàn)代表運(yùn)用SPC搜索算法提取的全局主路徑，即路徑A→C→E→D→F。

圖2 SPC算法下的全局主路徑

1.2.3 近期專(zhuān)利和論文與主路徑的銜接 本研究的最終目標(biāo)是將近期的專(zhuān)利和論文與專(zhuān)利主路徑進(jìn)行關(guān)聯(lián)，進(jìn)而克服主路徑分析方法中存在的引文滯后問(wèn)題，最終形成延伸和擴(kuò)展的主路徑。論文和專(zhuān)利數(shù)據(jù)可以通過(guò)所屬同一主題的概率值而將彼此聯(lián)系起來(lái)[31]。通過(guò)Python針對(duì)專(zhuān)利和論文數(shù)據(jù)應(yīng)用LDA主題模型，得到每篇專(zhuān)利和論文與所屬主題的概率值，這樣屬于同一個(gè)主題下的專(zhuān)利和論文通過(guò)設(shè)定閾值進(jìn)行篩選并與主路徑銜接。為確保結(jié)果的準(zhǔn)確性，咨詢(xún)了領(lǐng)域?qū)＜乙庖?jiàn)來(lái)輔助銜接。

LDA主題模型憑借能高效地處理海量文本數(shù)據(jù)逐步被應(yīng)用在主題發(fā)現(xiàn)及演化研究中[32]，在進(jìn)行文本語(yǔ)義分析時(shí)，LDA主題模型不僅能夠抽取出高價(jià)值的潛在主題[33]，所形成的“主題-文檔”分布概率更能夠?qū)⒁姆治鼍劢褂谖臋n與主題之間的鏈接，這在很大程度上彌補(bǔ)了專(zhuān)利引文分析的不足[26]。LDA是由Blei等[34]于2003年提出的三層貝葉斯主題模型，該模型通過(guò)無(wú)監(jiān)督的學(xué)習(xí)方法發(fā)現(xiàn)文本中隱含的主題信息，從而標(biāo)引文本所屬主題。該模型假設(shè)一篇文檔是由多個(gè)主題組成的，且每篇文檔的生成服從泊松分布NPoission(β)，然后取樣生成該文檔在主題上的狄利克雷分布θDir(α)，整個(gè)模型的聯(lián)合分布公式為：

(2)

其中，β是每個(gè)主題下詞的多項(xiàng)分布的Dirichlet先驗(yàn)參數(shù)，α是每個(gè)文檔下主題的多項(xiàng)分布的Dirichlet先驗(yàn)參數(shù)，zm,n是第m個(gè)文檔中第n個(gè)詞的主題，wm,n是m個(gè)文檔中的第n個(gè)詞，θm是第m個(gè)文檔下的主題分布，φk是第k個(gè)主題下詞的分布。

通過(guò)上述步驟，可得到“主題-文檔”分布矩陣。此外，鑒于LDA主題模型屬于機(jī)器學(xué)習(xí)算法，缺少理解辨別某一專(zhuān)業(yè)領(lǐng)域研究重點(diǎn)主題的經(jīng)驗(yàn)，因此在運(yùn)用LDA主題模型進(jìn)行數(shù)據(jù)集訓(xùn)練時(shí)需要結(jié)合專(zhuān)家意見(jiàn)不斷調(diào)整訓(xùn)練結(jié)果以確保得出的主題具備合理性[35]。

2 實(shí)證分析

隨著免疫學(xué)、腫瘤學(xué)以及精準(zhǔn)醫(yī)療的發(fā)展，腫瘤免疫治療在技術(shù)進(jìn)步與學(xué)科交叉滲透的雙向驅(qū)動(dòng)下將迎來(lái)發(fā)展的黃金時(shí)期。腫瘤免疫治療作為2013年美國(guó)《Science》雜志年度十大科學(xué)突破之首，在短短幾年時(shí)間里成為了全球生物醫(yī)藥界最受矚目的領(lǐng)域。腫瘤免疫療法已成為腫瘤領(lǐng)域的熱點(diǎn)和重要的研究課題。因此，對(duì)該領(lǐng)域的科技演化脈絡(luò)的研究至關(guān)重要，故本研究選取腫瘤免疫治療技術(shù)進(jìn)行實(shí)證研究。

2.1數(shù)據(jù)的收集與處理本研究專(zhuān)利數(shù)據(jù)來(lái)自Incopat數(shù)據(jù)庫(kù)，通過(guò)閱讀腫瘤免疫技術(shù)相關(guān)的科學(xué)文獻(xiàn)并結(jié)合專(zhuān)家意見(jiàn)，將檢索式確定為：TIAB=(腫瘤 OR 癌癥 OR 癌 OR 轉(zhuǎn)移) AND (免疫療法 OR 過(guò)繼性T細(xì)胞療法 OR 過(guò)繼性細(xì)胞OR 免疫檢查點(diǎn) OR 細(xì)胞毒性T淋巴細(xì)胞抗原4 OR CTLA-4 OR PD-L1 OR 程序化死亡分子配體1 OR 程序性死亡蛋白1 OR PD-1 OR T細(xì)胞受體 OR 嵌合抗原受體 OR 單克隆抗體 OR 疫苗 OR 免疫刺激物 OR 免疫調(diào)節(jié) OR 組合免疫療法OR小分子抑制劑OR細(xì)胞過(guò)繼免疫治療OR免疫系統(tǒng)調(diào)節(jié)劑)，論文數(shù)據(jù)通過(guò)Web of Science以同樣的檢索詞進(jìn)行檢索，截至2020年8月31日，經(jīng)過(guò)數(shù)據(jù)清洗共獲取中國(guó)發(fā)明申請(qǐng)專(zhuān)利文獻(xiàn)7 348篇，論文1 079篇。

2.2判斷技術(shù)生命周期根據(jù)所收集到的發(fā)明專(zhuān)利申請(qǐng)數(shù)據(jù)，圖3給出了腫瘤免疫治療技術(shù)的線(xiàn)性、Logistic分配以及指數(shù)模式[36]的擬合曲線(xiàn)。對(duì)時(shí)間序列數(shù)據(jù)的非線(xiàn)性模擬顯示，增長(zhǎng)模式非常接近Logistic或指數(shù)函數(shù)。根據(jù)Harvey M[37]與Khalil T M等[38]的理論并結(jié)合擬合曲線(xiàn)，專(zhuān)利數(shù)量成指數(shù)上升，表明腫瘤免疫治療技術(shù)目前正處于高速發(fā)展的成長(zhǎng)期，增長(zhǎng)速度不斷加快。隨著科技的不斷創(chuàng)新，該領(lǐng)域?qū)⒂瓉?lái)更為迅猛的發(fā)展，因此本文的分析研究具有重要的意義。

圖3 腫瘤免疫治療技術(shù)專(zhuān)利技術(shù)生命周期擬合曲線(xiàn)

2.3構(gòu)建并提取引文網(wǎng)絡(luò)首先，基于專(zhuān)利文獻(xiàn)間的引用關(guān)系構(gòu)建10955×10955矩陣，可視化引文網(wǎng)絡(luò)；接著通過(guò)Python運(yùn)用Girvan-Newman算法對(duì)已構(gòu)建的專(zhuān)利引文網(wǎng)絡(luò)進(jìn)行社區(qū)劃分；最后得到1454個(gè)社區(qū)，其模塊度Q的值為0.965，表明網(wǎng)絡(luò)劃分出社區(qū)結(jié)構(gòu)的強(qiáng)度較強(qiáng)。每個(gè)社區(qū)對(duì)應(yīng)的節(jié)點(diǎn)數(shù)如表1所示，選取節(jié)點(diǎn)數(shù)自然排序前三的社區(qū)進(jìn)行主路徑分析。

表1 專(zhuān)利引文網(wǎng)絡(luò)社區(qū)劃分結(jié)果

2.4專(zhuān)利主路徑分析借助Pajek軟件基于SPC算法分別對(duì)三個(gè)目標(biāo)社區(qū)提取主路徑,如圖4所示。表2顯示了主路徑節(jié)點(diǎn)專(zhuān)利的信息，通過(guò)閱讀專(zhuān)利文獻(xiàn)的標(biāo)題、摘要及說(shuō)明書(shū)可知，第一條路徑代表與嵌合抗原受體(CAR)-T細(xì)胞(以下簡(jiǎn)稱(chēng)“CAR-T細(xì)胞”)有關(guān)技術(shù)的演變，第二條路徑代表與程序性死亡因子-1(PD-1)單克隆抗體有關(guān)技術(shù)的演變，第三條路徑代表與DC-CIK細(xì)胞免疫療法有關(guān)技術(shù)的演變路徑。三條主路徑末端節(jié)點(diǎn)專(zhuān)利的申請(qǐng)時(shí)間分別為2018年、2016年和2017年，由此可見(jiàn)，專(zhuān)利文獻(xiàn)存在一定的引文滯后性，其導(dǎo)致的偏差問(wèn)題使最新的技術(shù)無(wú)法表征在主路徑上。

圖4 SPC算法提取的主路徑

表2 主路徑節(jié)點(diǎn)相關(guān)專(zhuān)利信息

2.5近期專(zhuān)利和論文與主路徑的銜接選取主路徑末端節(jié)點(diǎn)專(zhuān)利所對(duì)應(yīng)時(shí)間節(jié)點(diǎn)之后的專(zhuān)利和論文數(shù)據(jù)，借助概率值進(jìn)行近期專(zhuān)利和論文與主路徑的銜接。本研究首先對(duì)專(zhuān)利數(shù)據(jù)應(yīng)用LDA主題模型結(jié)合專(zhuān)家意見(jiàn)經(jīng)過(guò)多次詞庫(kù)訓(xùn)練與調(diào)整，最終得到“主題-文檔”分布矩陣。通過(guò)閱讀每個(gè)主題下專(zhuān)利和論文的標(biāo)題和摘要并咨詢(xún)領(lǐng)域?qū)＜遥罱K將閾值確定為0.700。依據(jù)閾值篩選近期專(zhuān)利和論文并鏈接到基于專(zhuān)利的主路徑上，得到三條延伸和擴(kuò)展的主路徑如圖5、6、7所示，銜接部分符號(hào)含義及所屬主題概率值詳情見(jiàn)表3、4、5。

圖5 CAR-T細(xì)胞技術(shù)延伸&擴(kuò)展的主路徑

圖6 PD-1單克隆抗體延伸&擴(kuò)展的主路徑

圖7 DC-CIK細(xì)胞免疫療法延伸&擴(kuò)展的主路徑

表3 CAR-T細(xì)胞技術(shù)的專(zhuān)利和論文與主路徑銜接

表4 PD-1單克隆抗體的專(zhuān)利和論文與主路徑銜接

表5 DC-CIK細(xì)胞免疫療法的專(zhuān)利和論文與主路徑銜接

第一條主路徑主要表征CAR-T細(xì)胞相關(guān)技術(shù)發(fā)展，該技術(shù)最早在1989年被提出。起初，CAR與CD3復(fù)合體的ζ鏈融合，形成CAR-T細(xì)胞受體，但由于無(wú)共刺激分子，在體內(nèi)存活時(shí)間較短。為克服缺陷，研究者在CD3等胞內(nèi)結(jié)構(gòu)域上融合協(xié)同刺激因子(如CD27、CD28、4-1BB等)，使得CAR-T細(xì)胞活化、分泌細(xì)胞因子和細(xì)胞毒素的作用增強(qiáng)。該方法在治療血液腫瘤中已取得一定的成效，但在晚期結(jié)直腸癌、惡性膠質(zhì)瘤等實(shí)體瘤治療上還沒(méi)有實(shí)質(zhì)性的突破，針對(duì)實(shí)體瘤治療的改善主要著眼于尋找合適的靶點(diǎn)來(lái)增強(qiáng)其療效，如磷脂酰肌醇蛋白聚糖3(GPC-3)[39]。即便如此，該療法仍存在靶位缺失效應(yīng)和細(xì)胞因子釋放綜合征等不良反應(yīng)，隨著精準(zhǔn)醫(yī)學(xué)的發(fā)展，臨床上主要采用靶向治療、與化學(xué)藥物聯(lián)合治療、雙特異性結(jié)合等方法減少脫靶等副作用以提高對(duì)實(shí)體腫瘤的治療作用。

第二條主路徑主要表征PD-1單克隆抗體相關(guān)技術(shù)的發(fā)展，PD-1是一種對(duì)T細(xì)胞炎性活動(dòng)的細(xì)胞表面受體有抑制作用的B7-CD28受體家族成員。從技術(shù)演化的脈絡(luò)看，其最初以高親和力與PD-1特異性結(jié)合的人源抗體為主要研究方向，逐步走向工業(yè)化的實(shí)現(xiàn)，與此同時(shí)，PD-1單抗的研究重點(diǎn)逐漸轉(zhuǎn)向?qū)ζ渥陨砭幋a基因序列的改造，并不斷發(fā)明新的單克隆抗體作為PD-1通路的阻斷劑，以提高對(duì)腫瘤細(xì)胞的治療效果。在PD-1單抗發(fā)揮顯著作用的同時(shí)，不免存在諸如免疫相關(guān)的內(nèi)分泌失調(diào)等問(wèn)題[40]，為減輕副作用、進(jìn)一步提高治療效率，從與近期專(zhuān)利和論文的銜接看，該技術(shù)正朝靶向PD-1/PD-L1抗體、與阿帕替尼等化學(xué)藥物聯(lián)合療法以及PD-1通路的阻斷劑方向發(fā)展，以尋找低毒與高效相平衡的治療方案。

第三條主路徑主要表征DC-CIK細(xì)胞免疫療法相關(guān)技術(shù)的發(fā)展，該療法被譽(yù)為21世紀(jì)治療腫瘤的“綠色生物療法”[41]。DC-CIK細(xì)胞免疫治療技術(shù)是繼手術(shù)、放療、化療后衍生的一種新療法，其在發(fā)展中先后經(jīng)歷了DC和CIK單獨(dú)作用、DC-CIK制備方法及改進(jìn)、與PD-1聯(lián)合免疫等過(guò)程，是主動(dòng)特異性免疫治療和過(guò)繼免疫治療相結(jié)合的典范。在與專(zhuān)利和論文的銜接中發(fā)現(xiàn)，目前DC-CIK細(xì)胞免疫療法正朝著針對(duì)DC-CIK細(xì)胞修飾技術(shù)、個(gè)性化腫瘤疫苗、聯(lián)合免疫檢查點(diǎn)抑制劑以及化學(xué)藥物聯(lián)合腫瘤疫苗治療方向發(fā)展。毫無(wú)疑問(wèn)，聯(lián)合免疫治療在臨床中將發(fā)揮舉足輕重的作用。

綜上所述，通過(guò)將近期專(zhuān)利和論文與基于專(zhuān)利的主路徑的銜接，不僅清晰地表征了腫瘤免疫治療技術(shù)三個(gè)子領(lǐng)域的技術(shù)演化脈絡(luò)和技術(shù)前沿，還克服了由主路徑算法本身引起的引文滯后性問(wèn)題。通過(guò)該方法識(shí)別出的延伸和擴(kuò)展主路徑，為科研人員研究課題的確定以及企業(yè)戰(zhàn)略規(guī)劃調(diào)整提供了一定借鑒意義，最終形成以發(fā)展為導(dǎo)向、以科研為動(dòng)力的良性循環(huán)。

3 結(jié)束語(yǔ)

由于引文滯后的存在，一條主路徑的終點(diǎn)并不代表技術(shù)進(jìn)步的最前沿，本研究通過(guò)提出將近期的專(zhuān)利和論文與主路徑進(jìn)行銜接來(lái)解決這一問(wèn)題。將研究方法應(yīng)用到腫瘤免疫治療領(lǐng)域，所識(shí)別出的腫瘤免疫治療技術(shù)的延伸和擴(kuò)展主路徑所表征的科技演化脈絡(luò)及研究前沿較為符合該領(lǐng)域目前發(fā)展的熱點(diǎn)與需求點(diǎn)，具備一定的參考性。本研究有以下貢獻(xiàn)：a.提出了一種新方法，克服主路徑分析方法的引文滯后問(wèn)題，將主路徑延伸和擴(kuò)展到最新的技術(shù)變革，科學(xué)客觀(guān)地表征前沿技術(shù)；b.使用腫瘤免疫治療技術(shù)的專(zhuān)利信息，并將其與臨床研究熱點(diǎn)相關(guān)聯(lián)，使得探測(cè)出的前沿信息具有可操作性，有助于研究人員對(duì)前沿技術(shù)的發(fā)展趨勢(shì)進(jìn)行解讀與判斷；c.借助LDA主題模型結(jié)合領(lǐng)域?qū)＜业囊庖?jiàn)進(jìn)行文本關(guān)聯(lián)匹配，具備一定的合理性。鑒于本研究只從科學(xué)和技術(shù)兩個(gè)層面對(duì)主路徑進(jìn)行改善，未來(lái)研究可以引入市場(chǎng)層面的數(shù)據(jù)進(jìn)行補(bǔ)充完善，綜合科學(xué)、技術(shù)、市場(chǎng)三方面進(jìn)行技術(shù)演化分析，同時(shí)可以納入不同技術(shù)領(lǐng)域進(jìn)行對(duì)比研究，深入挖掘不同領(lǐng)域的技術(shù)發(fā)展特征。