TCGA学习04:建模预测-cox回归

TCGA学习01:数据下载与整理 - 简书
TCGA学习02:差异分析 - 简书
TCGA学习03:生存分析 - 简书
TCGA学习04:建模预测-cox回归 - 简书
TCGA学习04:建模预测-lasso回归 - 简书
TCGA学习04:建模预测-随机森林&向量机 - 简书

第四步:建模预测

根据某些临床信息以及感兴趣的基因表达,来建立用于预测生存概率的模型,方法参考花花老师教程有以下四种。

法1:COX回归

Cox比例风险回归模型(Cox proportional hazards regression model)的特点是可以进行多变量分析;且变量类型不限于二分类变量,也可以是连续型变量。

1、建模
#加载数据、包
load("tosur.RData")
library(survival)
library(survminer)

#这里暂时考虑了三个因素
s=Surv(time, event) ~ gender + tumor_stage + age_group 
# coxph建模
model <- coxph(s, data = meta )
summary(model)

观察下图的summary结果,先重点关注下一下内容

  • coef值:结果为负,表示男性死亡风险低于女性,或者说有较高的生存概率。
  • exp(coef)值,也称为风险比(HR)。HR = 1: 无影响,HR < 1: 降低风险,HR > 1: 增加风险。在本例中gendermale的exp(coef)值为0.86,表示男性可将危险降低0.86倍。
  • low .95upper .95表示HR值的95%置信度区间CI,如果95%CI跨越了1,一般就不认为该因素对生存有显著影响。
  • 输出给出了模型总体显着性的三个替代测试的p值:似然比检验,Wald检验和得分数据统计。这三种方法是渐近等价的。对于足够大的N,它们将给出类似的结果。对于小N,它们可能有所不同。对于小样本量,似然比检验具有更好的行为,因此通常是优选的。
summary(model)
2、绘制森林图
ggforest(model, data = meta, 
         main = "Hazard ratio",   #森林图的标题
         cpositions = c(0.10, 0.22, 0.4),   #调整前三列的距离,防止过宽或过窄(重叠)
         fontsize = 1.0, 
         refLabel = "1",   #相对变量的数值标签
         noDigits = 4     #保留HR值以及95%CI的小数位数
)   
  • 如下图从左到右的按列内容分别为因素、具体分组、每组的HR值及置信区间,最后为该组的P值大小(应该是每个因素里都有一个组作为参考比较,视为1)
    随便找的数据,果然结果不好,熟悉流程为主~~


    风险森林图

此外森林图左下角会给出出现结局事件的个数,COX生存模型的P值,AIC值和C-index值。关于C-index这里扩展一下--

3、C-index
  • C-index,C指数即一致性指数(concordance index),用来评价模型的预测能力/拟合效果。
  • C-index的计算方法是:把所研究的资料中的所有研究对象随机地两两组成对子。以生存分析为例,对于一对病人,如果生存时间较长的一位,其预测生存时间长于生存时间较短的一位,或预测的生存概率高的一位的生存时间长于生存概率低的另一位,则称之为预测结果与实际结果一致。
  • C-index一般在0.5-1之间。0.5为完全随机,说明该模型没有预测作用,1为完全一致,说明该模型预测结果与实际完全一致。在实际应用中,很难找到完全一致的预测模型,既往研究认为,C-index在0.50-0.70为较低准确度:在0.71-0.90之间为中等准确度;而高于0.90则为高准确度。
fp <- predict(model)
fp   #模型预测521个样本预测的生存概率
c_index1=summary(model,data=meta)$concordance[[1]]
# 或者Hmisc的rcorr.cens函数,结果都一样
c_index2=1-with(meta,rcorr.cens(fp,Surv(time, event)))[[1]]
# 或者直接在森林图左下角看出
C-index值

花花老师在这篇文章里,还介绍了一个关于cox的风险因子三联图,暂时还没有太理解。存此下~


参考文章
1、TCGA数据分析流程梳理总结(含目录) - 简书
2、生存分析之Cox比例风险模型 - 简书
3、R语言之生信⑧Cox比例风险模型(多因素) - 简书
4、R语言之生信⑦Cox比例风险模型(单因素) - 简书
5、生存分析(Survival Analysis)、Cox风险比例回归模型(Cox proportional hazards model)及_人工智能_dqhl1990的博客-CSDN博客
6、生存模型的C-index(C指数)_JavaScript_FanJin的博客-CSDN博客

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,552评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,666评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,519评论 0 334
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,180评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,205评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,344评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,781评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,449评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,635评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,467评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,515评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,217评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,775评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,851评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,084评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,637评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,204评论 2 341