Journal of Inflammation Research（炎症研究杂志）是一本十分年轻的中科院3区医学类期刊，收录免疫学相关领域的所有原创研究和评论文章。CiteScore评分3.5，在免疫学杂志中排名约74%。审稿快，周期短（一审最多40天，9天见刊），接收率19%，对国人友好。难度较低，时间紧迫的同学可以尝试一下。
点击关注，订阅更多期刊信息哦！
期刊基本信息
《J INFLAMM RES》是隶属于Dove Medical Press的开放获取在线期刊。2008年创刊，ISSN为1178-7031。欢迎关于炎症分子基础、细胞生物学和药理学的实验和临床发现的研究论文、评论、会议报告等，不接收病例报告。
总编
Ning Quan, PhD
Email：editor-in-chief@dovepress.com
机构：佛罗里达大西洋大学医学院生物医学科学系教授，Florida, USA
领域：免疫系统，中枢神经系统，免疫信号，神经免疫通讯介质
副主编
Adam D Bachstetter, PhD
机构：肯塔基大学神经科学教授，Lexington, USA
领域：神经可塑性，神经病理学，创伤性脑损伤，神经退行性疾病
Monika Sharma, MD
机构：吉利德科学公司研究员，USA
领域：免疫学，生物化学，分子生物学，微生物学，遗传学
期刊IF信息
J INFLAMM RES 2021年的IF为4.631，今年预测IF为4.5，中科院分区医学大类3区，小类免疫学3区，OA版面费2836美元。总的中国文章占比约47.9%。同行评审时间约3-4周，一审周期在6周内。自引率7.5%，接收率19%。
在投稿国家和机构TOP5中，投稿数量最高的国家是中国（78%），第二高的美国只占12%；数量最高的前5个机构都是国内高校，包括上海交通大学、安徽医科大学、中山大学等。中国文章占比极高，于2020年超过美国且逐年升高，23年至今5个多月中更是高达80%。
收稿范围
J INFLAMM RES接收与炎症各方面有关的原创研究手稿、评论、研讨会报告、假设、专家意见和评论。生物信息学研究及使用公开数据(如SEER/GWAS/TCGA/GEO)提交论文时，作者应确保这些研究能丰富特定疾病或相关表型的知识体系，且通过独立样本集验证。
研究方向包括但不限于：急/慢性炎症、细胞过程、神经免疫机制、药理学、新型抗炎药、炎症临床情况等。年均发文量96篇。杂志于2019年收录SCI，影响因子2020年高达6.922，但是随着2021年发文量暴涨下降。2023年的实时IF为4.36，预计IF会稳定在4+。
2008-2023每年发表期刊数与被引频数
创刊以来发表的所有文章中，“论文”占比最高（96.2%），综述论文约占17.2%（266篇），社论材料占比0.2%（3篇）。此外，共有23篇撤回的文章/内容。
发表过的生信文章
01
Noninvasive Evaluation of Lupus Nephritis Activity Using a Radiomics Machine Learning Model Based on Ultrasound
基于超声的影像组学机器学习模型对狼疮性肾炎活动性的无创评估
发表日期：3 February 2023
研究纳入149例LN患者。分为训练组(n=104)和测试组(n=45)。从超声图像中提取超声影像组学特征并构建影像组学特征。比较了五种机器学习算法来评估LN活性。通过受试者工作特征曲线下面积(AUC)、准确度、灵敏度、特异性、阳性预测值(PPV)和阴性预测值(NPV)评价二元分类模型的性能。5种机器学习模型的平均AUC为79.4，其中MLP模型的AUC最好。结论:基于超声影像组学的机器学习分类器对LN活动性具有较高的预测准确率。模型可无创检测LN活性，并作为辅助临床决策的有效工具。
02
Construction of Autophagy-Related Gene Classifier for Early Diagnosis, Prognosis and Predicting Immune Microenvironment Features in Sepsis by Machine Learning Algorithms
基于机器学习算法构建脓毒症早期诊断、预后及免疫微环境特征预测的自噬相关基因分类器
发表日期：1 November 2022
用改进的Lasso回归、支持向量机和人工神经网络等机器学习方法识别hub ARG，建立ARG分类器的预测模型。使用多转录组数据综合分析该模型的诊断和预后性能。收集临床标本，研究ARG表达水平并评估ARG分类器的诊断性能。本研究共纳入10个GEO数据集和3个ArrayExpress数据集。基于机器学习算法，整合8个关键ARG (ATG4C、BAX、BIRC5、ERBB2、FKBP1B、HIF1A、NCKAP1和NFKB1)，建立ARG分类器。该模型具有良好的诊断价值(AUC>0.85)，在区分脓毒症和其他危重疾病方面有优势。ARG分类器与临床特征或内窥镜类型有显著相关性，在预测死亡率方面优于其他临床特征(AUC=0.70)。此外，鉴定出的hub ARGs与免疫细胞浸润、免疫和分子途径(炎症促进途径、HLA、细胞溶解活性、凋亡等)、几种细胞因子(PDGFRB、IL-10、IFNG和TNF)水平显著相关，表明ARG分类器/hub ARG能充分反映败血症期间的免疫微环境。通过临床标本，发现败血症患者中hub ARGs的表达水平与对照组存在显著差异，ARG分类器表现出优越的诊断性能。结论:ARG分类器可以帮助临床医生诊断败血症，识别高危患者，指导个性化治疗。此外，ARG分类器有效地反映了脓毒症的免疫微环境，可以为特异性治疗提供个性化咨询。
03
Identification of Immune-Related Genes in Patients with Acute Myocardial Infarction Using Machine Learning Methods
利用机器学习方法鉴定急性心肌梗死患者的免疫相关基因
发表日期：3 June 2022
分析急性心肌梗死(AMI)患者外周血免疫相关基因及免疫细胞成分。从GEO数据库中获取6个数据集，包括88例健康样本和215例AMI样本。用WGCNA和五种机器学习(ML)方法鉴定免疫相关基因并构建诊断模型。用CIBERSORT算法评估免疫浸润程度。最后通过RT-PCR、免疫荧光双联及免疫组化分析AMI小鼠模型心脏组织*特中**异性免疫相关基因的表达水平及定位关系。AMI与正常标本共获得免疫相关DEGs 496个。在5种ML模型中，XGBoost鉴别AMI患者和正常人的AUC(0.849)和准确率(0.812)最高。体外RT-PCR验证显示，AMI小鼠模型中SOCS3、MMP9和AQP9的表达显著升高。在22个免疫细胞中，AQP9、MMP9和SOCS3与中性粒细胞的正相关最强。在MI-小鼠中，MPO沿外侧心肌细胞染色较强，而在假性小鼠中则较弱。联合免疫荧光在心肌梗死区心肌细胞细胞质的相同部位观察到MPO与MMP9和SOCS3分别在这些区域共定位。结论:免疫相关基因和免疫细胞与AMI密切相关。基于这些生物标志物构建不同的ML模型可能是临床诊断AMI的一种有价值的方法。
