• 主页
  • 课程

    关于课程

    • 课程归档
    • 成为一名讲师
    • 讲师信息
    同等学历教学

    同等学历教学

    免费
    阅读更多
  • 特色
    • 展示
    • 关于我们
    • 问答
  • 事件
  • 个性化
  • 博客
  • 联系
  • 站点资源
    有任何问题吗?
    (00) 123 456 789
    weinfoadmin@weinformatics.cn
    注册登录
    恒诺新知
    • 主页
    • 课程

      关于课程

      • 课程归档
      • 成为一名讲师
      • 讲师信息
      同等学历教学

      同等学历教学

      免费
      阅读更多
    • 特色
      • 展示
      • 关于我们
      • 问答
    • 事件
    • 个性化
    • 博客
    • 联系
    • 站点资源

      未分类

      • 首页
      • 博客
      • 未分类
      • (未测试)R语言之生信,TCGA生存分析第二节

      (未测试)R语言之生信,TCGA生存分析第二节

      • 发布者 一览
      • 分类 未分类
      • 日期 2020年2月6日
      • 评论 0评论

      参考链接: https://www.jianshu.com/p/4c605df80f82

      接上文,Kaplan-Meier曲线有助于可视化两个分类组之间的生存差异,当你设置参数pval = TRUE时,可以获得的对数秩检验值有助于探讨不同组之间的生存率是否存在差异。 但这并不能很好地评估连续性定量变量的对生存的影响。比如你的某一个node属性取值范围是0-33,这将导致生存曲线图上出现33条生存曲线。如果遇到分组过多或者想要评估多个变量如何协同以影响生存。 例如,比如当希望同时检查种族和社会经济状况对生存的影响时就可能需要换种生存分析方法。

      Cox PH回归可以评估分类变量和连续变量的影响,并且可以一次模拟多个变量的影响。 coxph()函数使用与lm(),glm()等相同的语法。使用Surv()创建的响应变量位于公式的左侧,用〜指定。

      让我们使用常见的肺癌数据并对性别进行Cox回归分析。

      > fit <- coxph(Surv(time, status)~sex, data=lung)
      > fit
      Call:
      coxph(formula = Surv(time, status) ~ sex, data = lung)
      
            coef exp(coef) se(coef)     z      p
      sex -0.531     0.588    0.167 -3.18 0.0015
      
      Likelihood ratio test=10.6  on 1 df, p=0.00111
      n= 228, number of events= 165 

      exp(coef)列是风险比 – 该变量对危险率的乘法效应(对于该变量的每个单位增加)。因此,对于像性别这样的分类变量,从男性到女性,死亡风险降低约40%。如果翻转coef的正负,比如exp(0.531),您可以将其解释为从女性到男性,死亡危险性增加1.7倍,或者男性死亡率约为每单位时间内女性1.7倍(女性死亡率为每单位时间男性的0.588倍)。

      简单起见可以用下列来解释:

      • HR = 1:无效
      • HR> 1:危险增加
      • HR <1:减少危害(保护性)
        下一步让我们创建一个模型来分析数据集中的所有变量! 这向我们展示了所有变量在一起考虑时如何影响生存。比如其中有一些变量是非常强大的预测因子(性别,ECOG评分)。
      > fit <- coxph(Surv(time, status)~sex+age+ph.ecog+ph.karno+pat.karno+meal.cal+wt.loss, 
      +              data=lung)
      > fit
      Call:
      coxph(formula = Surv(time, status) ~ sex + age + ph.ecog + ph.karno + 
          pat.karno + meal.cal + wt.loss, data = lung)
      
                     coef exp(coef)  se(coef)     z      p
      sex       -5.51e-01  5.76e-01  2.01e-01 -2.74 0.0061
      age        1.06e-02  1.01e+00  1.16e-02  0.92 0.3591
      ph.ecog    7.34e-01  2.08e+00  2.23e-01  3.29 0.0010
      ph.karno   2.25e-02  1.02e+00  1.12e-02  2.00 0.0457
      pat.karno -1.24e-02  9.88e-01  8.05e-03 -1.54 0.1232
      meal.cal   3.33e-05  1.00e+00  2.60e-04  0.13 0.8979
      wt.loss   -1.43e-02  9.86e-01  7.77e-03 -1.84 0.0652
      
      Likelihood ratio test=28.3  on 7 df, p=0.000192
      n= 168, number of events= 121 
         (60 observations deleted due to missingness)

      下一步,我们尝试在肺数据集上基于年龄属性创建一个分类变量,其中以0,62(平均值)和Inf(无限大)为截断值。 基于截断值我们可以添加labels =选项来标记我们创建的分组,例如,’yong’和’old’。 最后,我们可以将结果分配给肺数据集中的新对象。

      mean(lung$age)
      hist(lung$age)
      ggplot(lung, aes(age)) + geom_histogram(bins=20)
      cut(lung$age, breaks=c(0, 62, Inf))
      cut(lung$age, breaks=c(0, 62, Inf), labels=c("young", "old"))
      
      # the base r way:
      lung$agecat <- cut(lung$age, breaks=c(0, 62, Inf), labels=c("young", "old"))
      
      # or the dplyr way:
      lung <- lung %>% 
        mutate(agecat=cut(age, breaks=c(0, 62, Inf), labels=c("young", "old")))
      
      head(lung)
      > head(lung)
        inst time status age sex ph.ecog ph.karno pat.karno meal.cal
      1    3  306      2  74   1       1       90       100     1175
      2    3  455      2  68   1       0       90        90     1225
      3    3 1010      1  56   1       0       90        90       NA
      4    5  210      2  57   1       1       90        60     1150
      5    1  883      2  60   1       0      100        90       NA
      6   12 1022      1  74   1       1       50        80      513
        wt.loss agecat
      1      NA    old
      2      15    old
      3      15  young
      4      11  young
      5       0  young
      6       0    old

      现在,通过截断值我们将age属性截断成“老”和“年轻”两类患者的曲线,同时探讨两者的生存曲线是否存在一些差异,老年患者的生存几率略差。 但是如下图所示p值 = 0.39时,这说明62岁以下和62岁以下人群的生存率差异不显着。

      ggsurvplot(survfit(Surv(time, status)~agecat, data=lung), pval=TRUE)

      但是,如果我们选择一个不同的切点,比如70岁,这大致是年龄分布的上四分位数的截止值(参见?分位数)。 结果现在略显重要!

      # the base r way:
      lung$agecat <- cut(lung$age, breaks=c(0, 70, Inf), labels=c("young", "old"))
      # or the dplyr way:
      lung <- lung %>% 
        mutate(agecat=cut(age, breaks=c(0, 70, Inf), labels=c("young", "old")))
      # plot!
      ggsurvplot(survfit(Surv(time, status)~agecat, data=lung), pval=TRUE)

      请记住,Cox回归是分析连续变量在其分布范围内,其中Kaplan-Meier图上的对数秩检验值可以根据您对连续变量的截断值分组而改变。 这两种生存分析方法以不同的方式回答了一个类似的问题:回归模型是在问“年龄对生存的影响是什么?”,而生存表法回答的问题是,“组与组之间存在生存差异吗? 比如在那些不到70岁的人群和70岁以上的人群?“

      请关注“恒诺新知”微信公众号,感谢“R语言“,”数据那些事儿“,”老俊俊的生信笔记“,”冷🈚️思“,“珞珈R”,“生信星球”的支持!

      • 分享:
      作者头像
      一览

      上一篇文章

      (未测试)R语言之生信,TCGA生存分析第一节
      2020年2月6日

      下一篇文章

      (未测试)R语言之生信,TCGA生存分析第三节
      2020年2月6日

      你可能也喜欢

      2-1675088548
      lncRNA和miRNA生信分析系列讲座免费视频课和课件资源包,干货满满
      30 1月, 2023
      9-1675131201
      如何快速批量修改 Git 提交记录中的用户信息
      26 1月, 2023
      8-1678501786
      肿瘤细胞通过改变CD8+ T细胞中的丙酮酸利用和琥珀酸信号来调控抗肿瘤免疫应答。
      7 12月, 2022

      留言 取消回复

      要发表评论,您必须先登录。

      搜索

      分类

      • R语言
      • TCGA数据挖掘
      • 单细胞RNA-seq测序
      • 在线会议直播预告与回放
      • 数据分析那些事儿分类
      • 未分类
      • 生信星球
      • 老俊俊的生信笔记

      投稿培训

      免费

      alphafold2培训

      免费

      群晖配置培训

      免费

      最新博文

      Nature | 单细胞技术揭示衰老细胞与肌肉再生
      301月2023
      lncRNA和miRNA生信分析系列讲座免费视频课和课件资源包,干货满满
      301月2023
      如何快速批量修改 Git 提交记录中的用户信息
      261月2023
      logo-eduma-the-best-lms-wordpress-theme

      (00) 123 456 789

      weinfoadmin@weinformatics.cn

      恒诺新知

      • 关于我们
      • 博客
      • 联系
      • 成为一名讲师

      链接

      • 课程
      • 事件
      • 展示
      • 问答

      支持

      • 文档
      • 论坛
      • 语言包
      • 发行状态

      推荐

      • iHub汉语代码托管
      • iLAB耗材管理
      • WooCommerce
      • 丁香园论坛

      weinformatics 即 恒诺新知。ICP备案号:粤ICP备19129767号

      • 关于我们
      • 博客
      • 联系
      • 成为一名讲师

      要成为一名讲师吗?

      加入数以千计的演讲者获得100%课时费!

      现在开始

      用你的站点账户登录

      忘记密码?

      还不是会员? 现在注册

      注册新帐户

      已经拥有注册账户? 现在登录

      close
      会员购买 你还没有登录,请先登录
      • ¥99 VIP-1个月
      • ¥199 VIP-半年
      • ¥299 VIP-1年
      在线支付 激活码

      立即支付
      支付宝
      微信支付
      请使用 支付宝 或 微信 扫码支付
      登录
      注册|忘记密码?