Cover Page The handle http://hdl.handle.net/1887/46101 holds various files of this Leiden University dissertation. Author: Winnink, J.J. Title: Early-stage detection of breakthrough-class scientific research : using micro-level citation dynamics Issue Date: 2017-02-22
(Summary in Dutch) Jaarlijks worden er op dit moment in de belangrijkste wetenschappelijke tijdschriften meer dan 1,5 miljoen artikelen gepubliceerd. Het vinden van juist dié publicaties welke in potentie een bovengemiddelde invloed op de wetenschap zullen hebben is vergelijkbaar met het zoeken van de spreekwoordelijke speld in de hooiberg. Het is gezien het aantal publicaties dat jaarlijks wordt gepubliceerd ondoenlijk om voor elke afzonderlijke publicatie, op een objectieve wijze, te bepalen welke naar verwachting de invloed op de wetenschap zal zijn. In dit onderzoek wordt een automatische computermethode ontwikkeld om van elke afzonderlijke wetenschappelijke publicatie in een vroeg stadium, binnen 2 3 jaar na publiceren, aan de hand van het aantal keren dat andere wetenschappers naar de publicatie verwijzen te bepalen of hetgeen gepubliceerd is als belangwekkend wordt beschouwd. Met andere woorden het doel van de in dit proefschrift ontwikkelde zoekmethode is om voor die wetenschappelijke bevindingen, de vroegste tekenen van wetenschappelijke invloed te ontdekken. Wetenschappelijke publicaties verwijzen doorgaans naar relevante informatie in andere wetenschappelijke publicaties. Dergelijke verwijzingen worden citaties genoemd en alle citaties naar één en dezelfde publicatie vormen een citatieprofiel. De zoekmethode maakt gebruik van informatiebestanden die de beschrijvende (bibliografische) informatie van wetenschappelijke artikelen bevatten en analyseert aan de hand van citatiepatronen welk effect een publicatie heeft op wetenschappelijke vooruitgang. Ten einde het hiervoor geformuleerde doel van dit onderzoek te realiseren was het nodig om geautomatiseerde methodes te ontwikkelen welke in een vroeg stadium dié wetenschappelijke ontdekkingen kunnen vinden, waarvan verwacht wordt dat ze een grote invloed zullen hebben op de wetenschap. Vaak worden dergelijke wetenschappelijke ontdekkingen aangeduid met de term doorbraak en ontwikkelen ze zich op termijn als basis voor nieuwe baanbrekende technologieën. Een complicerende factor is dat het be- 201
grip doorbraak niet kan rekenen op een eenduidige en alom geaccepteerde definitie. Mede hierdoor is het zoeken naar dergelijke technologisch relevante wetenschappelijke doorbraken niet triviaal. In dit onderzoek is vanwege het ontbreken van een dergelijke geaccepteerde definitie een alternatieve benadering gekozen. Door meerdere wetenschappers zijn aanwijzingen gevonden dat in grote lijnen alle wetenschappelijke ontdekkingen het gevolg zijn van dezelfde universele basismechanismen. Op grond van deze aanwijzingen is er in dit onderzoek voor gekozen om een beperkt aantal erkende doorbraken in detail te analyseren en te zoeken naar kenmerkende patronen in de citatieprofielen van de bij dergelijke doorbraken behorende wetenschappelijke publicaties. Als dergelijke kenmerkende patronen zijn gevonden dan kunnen zoekmethodes worden geïmplementeerd die tevens kunnen dienen als automatische identificatieprocedures. Op grond van de analyses kunnen voor elk van de gevonden zoekmethodes de citatieparameterwaarden worden bepaald die beslissen of een publicatie al dan niet moet worden gezien als een potentiële doorbraak. De wijze waarop wetenschap zich ontwikkelt is grillig en volgt zelden een rechtstreekse route van probleemstelling naar oplossing. Vooruitgang in de wetenschap is vaak een proces van vallen en opstaan. Periodes van stagnatie worden afgewisseld met kleine stappen voorwaarts en momenten waarop een grote stap voorwaarts een doorbraak wordt gemaakt. Om dit gedrag van het wetenschappelijk onderzoek te duiden onderscheidt de vermaarde wetenschapsfilosoof Thomas Kuhn twee vormen van wetenschappelijke ontwikkeling. Deze twee vormen noemt hij normale wetenschap en revolutionaire wetenschap. In normale wetenschap gaat het om het oplossen van wetenschappelijke puzzels. Bij revolutionaire wetenschap worden ontdekkingen gedaan die niet binnen het bestaande theoretisch kader van een wetenschappelijk vakgebied passen, zodat een nieuwe of aangepaste theorie noodzakelijk is om de waargenomen verschijnselen te kunnen verklaren. De noodzaak om een nieuw theoretisch kader te ontwikkelen wordt door Thomas Kuhn een paradigmaverschuiving genoemd. In een reflectie op wetenschappelijke ontdekkingen van enkele eeuwen en voortbordurend op de ideeën van Kuhn onderscheidt Daniel Koshland, biochemicus en gedurende de periode 1985 1995 hoofdredacteur van het prestigieuze wetenschappelijke tijdschrift Science, drie typen van wetenschappelijke ontdekkingen Charge, Challenge en Chance. Ontdekkingen van het type Charge zijn de meest voorkomende en behoren tot hetgeen Kuhn normale wetenschap noemt. Met andere woorden er is als het ware een wetenschappelijke puzzel opgelost met bestaande stukjes. Ontdekkingen van het type Challenge behoren tot hetgeen Kuhn revolutionaire wetenschap noemt. Dergelijke ontdekkingen geven aanleiding tot een nieuw of sterk aangepast theoretisch kader en zijn veel minder talrijk dan ontdekkingen van het type Change. Het derde type wordt gevormd door ontdekkingen die bij toeval worden gedaan en waarnaar de wetenschapper niet op zoek was; een voorbeeld is de ontdekking van penicilline door Alexander Fleming in 1928. Deze ontdekkingen zijn zeer zeldzaam en vormen derde type van Koshland de Chance s. 202
Hoewel er, zoals hiervoor opgemerkt, geen eenduidige en alom geaccepteerde definitie van de term doorbraak is, hebben ontdekkingen die dit predicaat krijgen wel enkele opvallende algemene eigenschappen. Zo verspreidt de kennis van een dergelijke ontdekking zich snel binnen het betrokken vakgebied en wordt er aan de ontdekking gerefereerd door veel vakgenoten. De methoden die in dit onderzoek zijn ontwikkeld kijken naar de snelheid waarmee de kennis die aan de ontdekking ten grondslag ligt zich verspreidt over de wetenschap. Hierbij wordt naar verschillende aspecten gekeken. Voor het bepalen van dergelijke kenmerkende eigenschappen van een doorbraakontdekking worden een viertal ontdekkingen, waarvan experts hebben geoordeeld dat het een doorbraak betrof, in detail geanalyseerd. Alle vier deze ontdekkingen hebben geleid tot technologische activiteiten, zoals blijkt uit de octrooiactiviteit die direct is te koppelen aan deze ontdekkingen. Onderzocht zijn de volgende vier wetenschappelijke ontdekkingen: 1. Integrase Inhibitators een klasse van HIV/AIDS medicijnen deze ontdekking wordt besproken in Hoofdstuk 2; 2. de ontdekking van de mogelijkheid om grafeen lagen koolstof met een dikte van 1 atoom te isoleren is het onderwerp van Hoofdstuk 3; 3. de ontdekking van het ubiquitin-mediated proteolytic system een mechanisme dat een belangrijke rol speelt bij de afbraak van eiwitten wordt besproken in Hoofdstuk 4; 4. de ontdekking van de introns de schijnbaar overbodige loze ruimtes die deel uitmaken van genetisch materiaal en die bij het kopiëren eerst worden verwijderd om er naderhand weer te worden toegevoegd is het onderwerp van Hoofdstuk 5. De ontdekkingen van integrase inhibitors en grafeen zijn voorbeelden van ontdekkingen van het type Charge. Ubiquitin en intron zijn voorbeelden van Challenge ontdekkingen. Uit de analyse van de ontdekking van de integrase inhibitors (Hoofdstuk 2) komt naar voren dat vooral onderzoekers die zowel auteur zijn van wetenschappelijke publicaties als ook vermeld zijn in octrooien die direct verwant zijn aan hun wetenschappelijke publicaties kunnen worden gezien als initiators van doorbraken. Een probleem voor een automatische analyse methode is de koppeling die tussen de wereld van de wetenschappelijke publicaties en die van de octrooien moet worden gerealiseerd. Deze koppeling vindt plaats door de namen personen in beide omgevingen te vergelijken. Auteurs van wetenschappelijke publicaties zorgen er doorgaans voor dat hun naam correct en op consistente wijze wordt vermeld op wetenschappelijke publicaties. Bij octrooien blijkt dat namen doorgaans minder consistent worden genoteerd en mogelijk op wijze die afwijkt van hetgeen in de wereld van de wetenschappelijke publicaties gebruikelijk is. De genoteerde naam van één en dezelfde persoon kan derhalve verschillend zijn in beide werelden en er is in het algemeen onvoldoende informatie beschikbaar om een automatische procedure met zekerheid te laten concluderen dat een naam verwijst naar één persoon die zowel auteur als uitvinder is. De analyses laten zien dat de methode om te zoeken naar auteurs die ook uitvinder zijn alleen praktisch uitvoerbaar 203
is wanneer het gaat om een beperkt aantal namen enkele honderden tot hooguit een paar duizend. In dit onderzoek kwam tevens naar voren dat afhankelijk van het doorbraakkarakter van een ontdekking er een verschil is in diffusiesnelheid van de kennis over verschillende wetenschapsgebieden. De analyse van grafeen (Hoofdstuk 3) laat zien dat de snelheid waarmee nieuwe onderzoekers en onderzoeksinstituten in de periode van 2 3 jaar na publicatie worden aangetrokken een indicatie is of een ontdekking behoort tot de ontdekkingen die een bovengemiddelde invloed heeft op nieuw wetenschappelijk onderzoek. Voor grootschalige analyses zijn de namen van auteurs goed bruikbaar, omdat auteurs, zoals ook hierboven is vermeld er doorgaans voor zorgen dat hun naam op een correcte wijze wordt genoteerd. Namen van instituten zijn enkel bruikbaar voor dataverzamelingen met niet meer dan enkele honderden of duizenden namen en wel omdat er bij het noteren van de naam van een instituut auteurs meer vrijheid hebben. Om die reden zijn er extra handelingen nodig om te beoordelen of verschillende namen ook daadwerkelijk verschillende instituten aanduiden of dat zij toch verwijzen naar hetzelfde instituut. De analyse van ubiquitin (Hoofdstuk 4) laat zien dat bij een ontdekking die gepaard ging met een paradigmaverschuiving de kennis van de ontdekking in eerste instantie beperkt blijft tot een klein team van betrokken onderzoekers en dat pas na ruim twee jaar ook andere onderzoekers geïnteresseerd raakten. Dit onderzoek laat ook zien dat de publicatiedatum, zoals die in de bibliografische databases is opgeslagen, niet goed geschikt is om ontwikkeling van de wetenschap te analyseren op een tijdschaal met een resolutie van minder dan één jaar. Een ander effect, dat werd waargenomen, is het ontstaan van clusters van citerende publicaties die enerzijds de doorbraakpublicatie citeren en anderzijds ook onderlinge citatierelaties hebben. Het optreden van dit effect is vooral relevant gezien de korte tijdschaal die gebruikt wordt in de analyses, omdat binnen dat tijdsbestek de kennis voornamelijk nog geconcentreerd is bij de groep van onderzoekers die het onderzoek uitvoeren. De ontdekking van intron (Hoofdstuk 5) laat zien dat er ongeveer 10 13 jaar na deze Challenge ontdekking een plotselinge overgang zichtbaar is waarbij de tot dan toe voornamelijk theoretische kennis migreert in de richting van meer toegepast wetenschappelijk onderzoek. De geconstateerde plotseling toegenomen activiteit bleek niet te koppelen aan één specifieke vervolgontdekking, maar het resultaat te zijn van de verdere ontwikkeling van het intron-veld als geheel. Uitgaande van de citatiepatronen die zijn gevonden is een vijftal zoekalgoritmen ontwikkeld en geïmplementeerd. De vijf algoritmen richten zich op: 1. de mate van de instroom van nieuwe actieve onderzoekers in het desbetreffende wetenschappelijke onderwerp; 2. de verspreiding van kennis afkomstig van de ontdekking over verschillende wetenschapsvelden; 3. ontdekkingen waarvan de verdere kennisontwikkeling en -verspreiding in de beginperiode voornamelijk beperkt blijft tot een klein team van 204
nauw samenwerkende onderzoekers; 4. publicaties die de overgang markeren van fundamenteel wetenschappelijk onderzoek naar meer toepassingsgericht onderzoek; 5. ontdekkingen waarin gedurende de eerste 2 3 jaar relatief veel publicaties zowel de doorbraakpublicatie citeren alsmede onderlinge citatierelaties hebben. De vijf algoritmen hebben elk hun eigen citatieparameters, omdat ze elk een ander facet van de impact van wetenschappelijke ontdekkingen beschrijven. Bij de validatie van de methoden en de bijbehorende algoritmen blijkt dat in het algemeen wetenschappelijke publicaties worden geselecteerd die als zeer relevant worden aangemerkt omdat ze òf de basis vormen voor toegekende Nobel prijzen, dan wel voorkomen op Nature s lijst met de 100 meest geciteerde publicaties ooit. Daarnaast blijken de algoritmes publicaties te selecteren die of behoren tot de top 10% meest in overzichtsartikelen (review papers) geciteerde publicaties, of tot de top 10% meest in octrooien geciteerde wetenschappelijke publicaties, of beide. De methoden vertonen een onderlinge overlap in hun resultaten, maar ook duidelijk verschillen. De ontwikkelde methodes en algoritmen lossen in elk geval voor een aanzienlijk deel het probleem van het ontbreken van een eenduidige alom geaccepteerde definitie van het begrip doorbraak op en maken het mogelijk om specifieke dataverzamelingen te construeren die bestaan uit ontdekkingen welke, in elk geval vlak na hun publicatie, worden gezien als belangrijk voor nieuwe ontwikkelingen in de wetenschap. 205
206