R语言多因素cox回归构建预测模型

杀杀

（第一步不作赘述，一般会使用单因素cox或者寻找差异基因等方法，筛选与生存相关的分子，准备进行下一步的模型构建）

本篇举例是筛选了12个单因素cox与生存显著相关的分子（p和adj.p皆小于0.05，以构建模型，并达到显著区分生存的效果

1. 准备用于cox的矩阵，包含：一列生存时间，一列生存状态，其余12列为纳入多因素cox的12个分子的表达，行名为样本名。

   
   示例数据
2. 做多因素cox。

multi_Cox <- coxph(Surv(RFS_time_Months, RFS_Status) ~ ., data = Data_tnbc)

3. 逐步回归，采用前向/后向/双向的规则去除冗余或无法使预测效能更佳的因素。

step_Cox <- step(multi_Cox ,direction = "backward") ##参数还有forward和both
cox_summary <- summary(step_Cox )

4. 使用入选的因素来构建模型，为每个样本进行风险打分，并根据中位风险打分将样本分为高低风险。

riskScore=predict(step_Cox ,type = "risk",newdata = Data_tnbc)
coxGene=row.names(cox_summary$coefficients)
coxGene=gsub("`","",coxGene)
outCol=c("funtime","funstat",coxGene)
risk=as.vector(ifelse(riskScore>median(na.omit(riskScore)),"high","low"))

5. 将新生成的高低风险label加入第一步的矩阵的新一列，并用cox或者生存分析检验其风险和生存差异。

Data_tnbc$risklabel_new <- risk
cox_new <- coxph(Surv(RFS_time_Months, RFS_Status) ~ risk, data =Data_tnbc)
cox_new
surv_TTP<-survfit(Surv(RFS_time_Months, RFS_Status) ~ risk, data =Data_tnbc)
ggsurvplot(surv_TTP,
            pval = TRUE, #计算并显示组间差异的显著性
            conf.int = F, #是否显示置信区间，这里没显示
            risk.table = F, #风险表格，显示对应的患者数量
            xlim = c(0, 120),#x轴范围，这里是120个月的意思
            break.time.by = 24,  #x轴间隔，每24个月显示一格
            xlab = "RFS_time_Months",  #x轴的label
            ylab = "Survival Proportion",#y轴的label
            legend.title = TitleNames,
            main = "Survival curves",
            submain = title)

以上是基础的cox模型训练，可以通过输入不同的因素/增减因素，来训练模型达到最佳效果