TCGA的cox模型构建和风险森林图

Original 豆豆花花生信星球 2022-06-06

今天是生信星球陪你的第519天

大神一句话，菜鸟跑半年。我不是大神，但我可以缩短你走弯路的半年~

就像歌儿唱的那样，如果你不知道该往哪儿走，就留在这学点生信好不好~

这里有豆豆和花花的学习历程，从新手到进阶，生信路上有你有我！

花花写于2020-01-15 本文是根据感兴趣的基因或条件构建模型，并用于预测生死，可视化的图就是风险森林图了。本文后半部分有纠错，阅读原文可见

1.准备输入数据

输入数据是TCGA的表达矩阵expr、临床信息meta和group_list。保存为forest.Rdata了，在生信星球公众号后台聊天窗口回复“森林”即可获得。

 1load("forest.Rdata")
 2exprSet = expr[,group_list=="tumor"]
 3dim(exprSet) ## remove the nomral
 4#> [1] 552 522
 5head(meta)
 6#>                     ID event death last_followup                      race
 7#> 32.73.0.1 TCGA-A3-3307     0     0          1436                      <NA>
 8#> 32.73.0.2 TCGA-A3-3308     0     0            16                     white
 9#> 32.73.0.3 TCGA-A3-3311     1  1191             0                      <NA>
10#> 32.73.0.4 TCGA-A3-3313     1   735             0 black or african american
11#> 32.73.0.5 TCGA-A3-3316     0     0          1493                     white
12#> 32.73.0.6 TCGA-A3-3317     0     0          1491                      <NA>
13#>           age gender stage days       time age_group
14#> 32.73.0.1  66   male   iii 1436 47.8666667     older
15#> 32.73.0.2  77 female   iii   16  0.5333333     older
16#> 32.73.0.3  57   male     i 1191 39.7000000   younger
17#> 32.73.0.4  59   male     i  735 24.5000000   younger
18#> 32.73.0.5  57   male    ii 1493 49.7666667   younger
19#> 32.73.0.6  67   male    ii 1491 49.7000000     older
20exprSet[1:4,1:4]
21#>              TCGA-A3-3307-01A-01T-0860-13 TCGA-A3-3308-01A-02R-1324-13
22#> hsa-let-7a-1                         5056                        14503
23#> hsa-let-7a-2                        10323                        29238
24#> hsa-let-7a-3                         5429                        14738
25#> hsa-let-7b                          17908                        37062
26#>              TCGA-A3-3311-01A-02R-1324-13 TCGA-A3-3313-01A-02R-1324-13
27#> hsa-let-7a-1                         8147                         7138
28#> hsa-let-7a-2                        16325                        14356
29#> hsa-let-7a-3                         8249                         7002
30#> hsa-let-7b                          28984                         6909
31head(colnames(exprSet))
32#> [1] "TCGA-A3-3307-01A-01T-0860-13" "TCGA-A3-3308-01A-02R-1324-13"
33#> [3] "TCGA-A3-3311-01A-02R-1324-13" "TCGA-A3-3313-01A-02R-1324-13"
34#> [5] "TCGA-A3-3316-01A-01T-0860-13" "TCGA-A3-3317-01A-01T-0860-13"
35head(meta$ID)
36#> [1] "TCGA-A3-3307" "TCGA-A3-3308" "TCGA-A3-3311" "TCGA-A3-3313"
37#> [5] "TCGA-A3-3316" "TCGA-A3-3317"
38## 必须保证生存资料和表达矩阵，两者一致
39all(substring(colnames(exprSet),1,12)==meta$ID)
40#> [1] TRUE

2.挑选感兴趣的基因构建coxph模型

出自文章Integrated genomic analysis identifies subclasses and prognosis signatures of kidney cancer中，五个miRNA是miR-21,miR-143,miR-10b,miR-192,miR-183

将他们从表达矩阵中取出来，就得到了5个基因在522个肿瘤样本中的表达量，可作为列添加在meta表噶的后面,组成的数据框赋值给dat。

 1e=t(exprSet[c('hsa-mir-21','hsa-mir-143','hsa-mir-10b','hsa-mir-192','hsa-mir-183'),])
 2e=log2(e)
 3colnames(e)=c('miR21','miR143','miR10b','miR192','miR183')
 4dat=cbind(meta,e)
 5dat$gender=factor(dat$gender)
 6dat$stage=factor(dat$stage)
 7colnames(dat)
 8#>  [1] "ID"            "event"         "death"         "last_followup"
 9#>  [5] "race"          "age"           "gender"        "stage"        
10#>  [9] "days"          "time"          "age_group"     "miR21"        
11#> [13] "miR143"        "miR10b"        "miR192"        "miR183"

用survival::coxph()函数构建模型

1library(survival)
2library(survminer)
3s=Surv(time, event) ~ gender + stage + age + miR21+miR143+miR10b+miR192+miR183
4#s=Surv(time, event) ~ miR21+miR143+miR10b+miR192+miR183
5model <- coxph(s, data = dat )

3.模型可视化-森林图

1options(scipen=1)
2ggforest(model, data =dat, 
3         main = "Hazard ratio", 
4         cpositions = c(0.10, 0.22, 0.4), 
5         fontsize = 1.0, 
6         refLabel = "1", noDigits = 4)
7#> Warning: Removed 2 rows containing missing values (geom_errorbar).

4.模型预测

 1fp <- predict(model)
 2summary(model,data=dat)$concordance
 3#>          C      se(C) 
 4#> 0.78898350 0.01821821
 5library(Hmisc)
 6options(scipen=200)
 7with(dat,rcorr.cens(fp,Surv(time, event)))
 8#>         C Index             Dxy            S.D.               n 
 9#>      0.21101650     -0.57796700      0.03643643    522.00000000 
10#>         missing      uncensored  Relevant Pairs      Concordant 
11#>      0.00000000    158.00000000  90192.00000000  19032.00000000 
12#>       Uncertain 
13#> 181754.00000000
14# 若要找到最佳模型，我们可以进行变量选择，可以采用逐步回归法进行分析

这里只是举个栗子，自己预测自己的C-index是1-with(dat,rcorr.cens(fp,Surv(time, event)))[[1]],实战应该是拿另一个数据集来预测，或者将一个数据集分两半，一半构建模型，一半验证,可以使用机器学习的R包切割数据。

C-index用于计算生存分析中的COX模型预测值与真实之间的区分度（discrimination），也称为Harrell's concordanceindex。C-index在0.5-1之间。0.5为完全不一致,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。

5.切割数据构建模型并预测

5.1 切割数据

用R包caret切割数据，生成的结果是一组代表列数的数字，用这些数字来给表达矩阵和meta取子集即可。

 1library(caret)
 2set.seed(12345679)
 3sam<- createDataPartition(meta$event, p = .5,list = FALSE)
 4head(sam)
 5#>      Resample1
 6#> [1,]         5
 7#> [2,]         9
 8#> [3,]        13
 9#> [4,]        17
10#> [5,]        19
11#> [6,]        22

可查看两组一些临床参数切割比例

 1train <- exprSet[,sam]
 2test <- exprSet[,-sam]
 3train_meta <- meta[sam,]
 4test_meta <- meta[-sam,]
 5
 6prop.table(table(train_meta$stage))
 7#> 
 8#>         i        ii       iii        iv 
 9#> 0.4636015 0.1072797 0.2796935 0.1494253
10prop.table(table(test_meta$stage)) 
11#> 
12#>         i        ii       iii        iv 
13#> 0.5249042 0.1111111 0.1954023 0.1685824
14prop.table(table(test_meta$race)) 
15#> 
16#>                     asian black or african american 
17#>                0.01171875                0.08593750 
18#>                     white 
19#>                0.90234375
20prop.table(table(train_meta$race)) 
21#> 
22#>                     asian black or african american 
23#>                0.01937984                0.13953488 
24#>                     white 
25#>                0.84108527

5.2 切割后的train数据集建模

和上面的建模方法一样。

 1e=t(train[c('hsa-mir-21','hsa-mir-143','hsa-mir-10b','hsa-mir-192','hsa-mir-183'),])
 2e=log2(e)
 3colnames(e)=c('miR21','miR143','miR10b','miR192','miR183')
 4dat=cbind(meta,e)
 5dat$gender=factor(dat$gender)
 6dat$stage=factor(dat$stage)
 7colnames(dat)
 8#>  [1] "ID"            "event"         "death"         "last_followup"
 9#>  [5] "race"          "age"           "gender"        "stage"        
10#>  [9] "days"          "time"          "age_group"     "miR21"        
11#> [13] "miR143"        "miR10b"        "miR192"        "miR183"
12s=Surv(time, event) ~ gender + stage + age + miR21+miR143+miR10b+miR192+miR183
13#s=Surv(time, event) ~ miR21+miR143+miR10b+miR192+miR183
14model <- coxph(s, data = dat )

5.3 模型可视化

1options(scipen=1)
2ggforest(model, data =dat, 
3         main = "Hazard ratio", 
4         cpositions = c(0.10, 0.22, 0.4), 
5         fontsize = 1.0, 
6         refLabel = "1", noDigits = 4)
7#> Warning: Removed 2 rows containing missing values (geom_errorbar).

从这个图上看的话五个基因有点惨不忍睹，只有一个是显著的，其他都是打酱油的。

5.4 用切割后的数据test数据集验证模型

1e=t(test[c('hsa-mir-21','hsa-mir-143','hsa-mir-10b','hsa-mir-192','hsa-mir-183'),])
2e=log2(e)
3colnames(e)=c('miR21','miR143','miR10b','miR192','miR183')
4test_dat=cbind(meta,e)

 1fp <- predict(model)
 2summary(model,data=test_dat)$concordance
 3#>         C     se(C) 
 4#> 0.7694141 0.0183237
 5library(Hmisc)
 6options(scipen=200)
 7with(test_dat,rcorr.cens(fp,Surv(time, event)))
 8#>        C Index            Dxy           S.D.              n        missing 
 9#>      0.2305859     -0.5388283      0.0366474    522.0000000      0.0000000 
10#>     uncensored Relevant Pairs     Concordant      Uncertain 
11#>    158.0000000  90192.0000000  20797.0000000 181754.0000000