目录

R语言之生信①差异基因分析1

R语言之生信②差异基因分析2

R语言之生信③差异基因分析3

R语言之生信④TCGA生存分析1

R语言之生信⑤TCGA生存分析2

R语言之生信⑥TCGA生存分析3

R语言之生信⑦Cox比例风险模型(单因素)

R语言之生信⑧Cox比例风险模型(多因素)

======================================

正文

现在，我们想描述这些因素如何共同影响生存。 为了回答这个问题，我们将进行多变量Cox回归分析。 由于变量ph.karno在单变量Cox分析中不显着，我们将在多变量分析中跳过它。 我们将3个因素（性别，年龄和ph.ecog）纳入多变量模型。

多变量Cox回归分析

时间常数协变量的时间到死亡的Cox回归规定如下：

> res.cox <- coxph(Surv(time, status) ~ age + sex + ph.ecog, data =  lung)
> summary(res.cox)
Call:
coxph(formula = Surv(time, status) ~ age + sex + ph.ecog, data = lung)
  n= 227, number of events= 164 
   (1 observation deleted due to missingness)

             coef exp(coef)  se(coef)      z Pr(>|z|)    
age      0.011067  1.011128  0.009267  1.194 0.232416    
sex     -0.552612  0.575445  0.167739 -3.294 0.000986 ***
ph.ecog  0.463728  1.589991  0.113577  4.083 4.45e-05 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

        exp(coef) exp(-coef) lower .95 upper .95
age        1.0111     0.9890    0.9929    1.0297
sex        0.5754     1.7378    0.4142    0.7994
ph.ecog    1.5900     0.6289    1.2727    1.9864

Concordance= 0.637  (se = 0.026 )
Rsquare= 0.126   (max possible= 0.999 )
Likelihood ratio test= 30.5  on 3 df,   p=1e-06
Wald test            = 29.93  on 3 df,   p=1e-06
Score (logrank) test = 30.5  on 3 df,   p=1e-06

• 所有三个总体测试（可能性，Wald和得分）的p值都很显着，表明该模型是显着的。这些测试评估了所有beta（ββ）为0的综合零假设。在上面的例子中，测试统计数据非常接近，并且完全无效的假设被完全拒绝。

• 在多变量Cox分析中，协变量性别和ph.ecog仍然显着（p <0.05）。然而，协变量年龄不显着（p = 0.23，其大于0.05）。

• 性别的p值为0.000986，风险比HR = exp（coef）= 0.58，表明患者性别与死亡风险降低之间存在密切关系。协变量的风险比可解释为对危害的乘法效应。例如，保持其他协变量不变，为女性（性别= 2）可将危险降低0.58倍，即42％。我们得出结论，女性与预后良好有关。

• 类似地，ph.ecog的p值为4.45e-05，风险比HR = 1.59，表明ph.ecog值与死亡风险增加之间存在密切关系。保持其他协变量不变，较高的ph.ecog值与较差的存活率相关。

• 相比之下，年龄的p值现在为p = 0.23。风险比HR = exp（coef）= 1.01,95％置信区间为0.99至1.03。因为HR的置信区间包括1，所以这些结果表明，在调整ph.ecog值和患者的性别之后，年龄对HR的差异做出较小的贡献，并且仅趋向于显着性。例如，保持其他协变量不变，另外一年的年龄会导致每日死亡危险因子为exp（beta）= 1.01或1％，这不是一个重要的贡献。

可视化估计的生存时间分布

将Cox模型拟合到数据后，可以在特定风险组的任何给定时间点可视化预测的存活比例。 函数survfit（）估计生存比例，默认为协变量的平均值。

# Create the new data  
sex_df <- with(lung,
               data.frame(sex = c(1, 2), 
                          age = rep(mean(age, na.rm = TRUE), 2),
                          ph.ecog = c(1, 1)
                          )
               )
sex_df

sex age ph.ecog
1 1 62.44737 1
2 2 62.44737 1

绘制图片

fit <- survfit(Surv(time, status) ~sex, data = lung)
ggsurvplot(fit, conf.int = TRUE, legend.labs=c("Sex=1", "Sex=2"),
           ggtheme = theme_minimal())