与LASSO并驾齐驱的预后分析方法，多因数逐步cox分析

尔云间  一个专门做科研的团队

原创 小果 生信果

经常做癌症数据预后分析的小伙伴肯定经常接触像单因数cox分析，多因数cox分析，LASSO-cox回归分析这些分析方法，其中在单因数cox回归筛选之后，往往还需要进一步进行筛选，而这个进一步筛选的方法一般就是LASSO或者多因数逐步cox分析，根据小云这段时间分析数据的经验，多因素逐步cox分析往往是起决定作用的。

下来让我们一起来看看多因素逐步cox分析的具体代码吧

library(survival)
library(survminer) #载入R包
rt=read.table("逐步.txt",header=T,sep="\t",check.names=F,row.names=1) #读入数据，前三列分别为样本名，时间，状态，后面为各基因表达量。
multiCox=coxph(Surv(time, status) ~ ., data = rt) #计算与时间状态的预后关系
multiCox=step(multiCox,direction = "both") #进行逐步分析
#以下内容为逐步分析显示内容
Version:1.0 StartHTML:0000000107 EndHTML:0000002932 StartFragment:0000000127 EndFragment:0000002914
Start:  AIC=837.78
Surv(time, status) ~ NXPE4 + TAGLN2 + PSAT1 + MAGEA1 + LAMP5 +
    CD44 + CTAG2 + RCBTB2 + SLC40A1

          Df    AIC
- NXPE4    1 835.78
- CTAG2    1 835.93
- MAGEA1   1 836.20
- PSAT1    1 836.34
- LAMP5    1 837.15
- RCBTB2   1 837.76
<none>       837.78
- CD44     1 838.12
- SLC40A1  1 840.83
- TAGLN2   1 849.15

Step:  AIC=835.78
Surv(time, status) ~ TAGLN2 + PSAT1 + MAGEA1 + LAMP5 + CD44 +
    CTAG2 + RCBTB2 + SLC40A1

          Df    AIC
- CTAG2    1 833.94
- MAGEA1   1 834.22
- PSAT1    1 834.35
- LAMP5    1 835.15
- RCBTB2   1 835.76
<none>       835.78
- CD44     1 836.12
+ NXPE4    1 837.78
- SLC40A1  1 838.86
- TAGLN2   1 848.53

Step:  AIC=833.94
Surv(time, status) ~ TAGLN2 + PSAT1 + MAGEA1 + LAMP5 + CD44 +
    RCBTB2 + SLC40A1

          Df    AIC
- PSAT1    1 832.53
- MAGEA1   1 832.84
- LAMP5    1 833.32
<none>       833.94
- RCBTB2   1 833.99
- CD44     1 834.32
+ CTAG2    1 835.78
+ NXPE4    1 835.93
- SLC40A1  1 837.30
- TAGLN2   1 846.71

Step:  AIC=832.53
Surv(time, status) ~ TAGLN2 + MAGEA1 + LAMP5 + CD44 + RCBTB2 +
    SLC40A1

          Df    AIC
- MAGEA1   1 831.37
- LAMP5    1 831.73
<none>       832.53
- RCBTB2   1 832.62
- CD44     1 833.00
+ PSAT1    1 833.94
+ CTAG2    1 834.35
+ NXPE4    1 834.50
- SLC40A1  1 835.86
- TAGLN2   1 844.72

Step:  AIC=831.37
Surv(time, status) ~ TAGLN2 + LAMP5 + CD44 + RCBTB2 + SLC40A1

          Df    AIC
- LAMP5    1 830.80
<none>       831.37
- RCBTB2   1 831.60
- CD44     1 832.16
+ MAGEA1   1 832.53
+ CTAG2    1 832.74
+ PSAT1    1 832.84
+ NXPE4    1 833.26
- SLC40A1  1 834.76
- TAGLN2   1 844.23

Step:  AIC=830.8
Surv(time, status) ~ TAGLN2 + CD44 + RCBTB2 + SLC40A1

          Df    AIC
<none>       830.80
- RCBTB2   1 831.28
+ LAMP5    1 831.37
+ MAGEA1   1 831.73
- CD44     1 832.01
+ CTAG2    1 832.05
+ PSAT1    1 832.44
+ NXPE4    1 832.71
- SLC40A1  1 836.28
- TAGLN2   1 843.0

multiCoxSum=summary(multiCox)

outTab=data.frame()
outTab=cbind(
  coef=multiCoxSum$coefficients[,"coef"],
  HR=multiCoxSum$conf.int[,"exp(coef)"],
  HR.95L=multiCoxSum$conf.int[,"lower .95"],
  HR.95H=multiCoxSum$conf.int[,"upper .95"],
  pvalue=multiCoxSum$coefficients[,"Pr(>|z|)"])
outTab=cbind(id=row.names(outTab),outTab) #整理结果
write.table(outTab,file="multiCox.xls",sep="\t",row.names=F,quote=F) #写入数据

好了，今天的主要内容就是这样的，欢迎小伙伴们来和小云分享讨论啊。