预后 signature 与风险模型

跟完这篇，您能把一堆候选基因走完「单因素 Cox 初筛 → LASSO 降维 → 多因素建模」这条主流水线，压成一个能算风险评分（risk score）的预后 signature，据此把样本切成高、低风险两组，出 KM 曲线、时间依赖 ROC 和列线图，并在独立数据集上验证它到底能不能用。

先备好两样输入

整条流程从头到尾只吃两张表，样本一一对应：

表	形状	关键列 / 值
表达矩阵 `expr`	行样本、列基因	标准化后的表达量，如 log2(TPM+1)
生存信息表 `clin`	行样本	`time`（随访时长）、`event`（0/1 结局，1=终点事件发生）

三件事先对齐好，后面才不会错位：

两张表的样本顺序、行名要完全一致，expr 第 i 行必须是 clin 第 i 行那个人。
time 和 event 成对出现：还活着 / 未失访但未发生终点，记 event = 0（删失）；发生终点（如死亡、复发）记 event = 1。
time 的单位（天、月）自己定，但全程统一——后面时间依赖 ROC 的年份换算全靠它。

矩阵怎么从原始数据整理成这个形状，见表达矩阵与分组表整理规范。

整体思路：三步压出一个 signature

预后建模不是把上百个基因一股脑塞进模型，而是层层过滤、逐步降维，最后落到一个「基因数不多、又能预测预后」的组合。主流做法就三步：

步骤	目的	关键包 / 函数
1. 单因素 Cox 初筛	从全部候选里挑出「单看就和预后相关」的基因	`survival::coxph`
2. LASSO 降维	在相关基因里去冗余、防过拟合，进一步缩小到几个	`glmnet::cv.glmnet`
3. 多因素 Cox 建模	用留下的基因拟合联合模型，得到系数与 risk score	`survival::coxph`

第一步，单因素 Cox 逐个筛。 对每个候选基因单独跑一次 Cox，看它与生存是否相关，留下达到阈值的：

library(survival)

genes <- colnames(expr)          # 候选基因
uni <- lapply(genes, function(g) {
  fit <- coxph(Surv(time, event) ~ expr[, g], data = clin)
  s   <- summary(fit)
  data.frame(gene = g,
             HR   = s$coefficients[, "exp(coef)"],
             p    = s$coefficients[, "Pr(>|z|)"])
})
uni <- do.call(rbind, uni)
sig <- uni$gene[uni$p < 0.05]    # p<0.05 是常用惯例，非铁律，按数据与候选量调

p < 0.05 只是常见起点。候选基因很多时，为控制假阳性可以收严（如 0.01），或先做多重检验校正——这一步的目的是把明显无关的先剔掉，不是定终局。

第二步，LASSO 进一步降维。 初筛剩下的基因之间常高度共线（一条通路上的基因一起涨一起落），直接全放进多因素模型会不稳。LASSO 通过惩罚把一部分系数压到 0，自动做变量选择：

library(glmnet)

x <- as.matrix(expr[, sig])                 # 只用初筛留下的基因
y <- Surv(clin$time, clin$event)

set.seed(1)                                 # 固定随机种子，交叉验证结果可复现
cvfit <- cv.glmnet(x, y, family = "cox", alpha = 1)   # alpha=1 即 LASSO

coef_min <- coef(cvfit, s = "lambda.min")   # 或 s = "lambda.1se"，更稀疏、更保守
keep <- rownames(coef_min)[as.numeric(coef_min) != 0]  # 系数非 0 的基因即入选

两点常被问到：

不用先手动标准化基因。 glmnet 默认 standardize = TRUE，内部会把各基因缩放到可比尺度再惩罚，最后把系数还原到原尺度。您自己再 z-score 一遍反而容易搞乱。
lambda.min 还是 lambda.1se？ 前者给交叉验证误差最小的模型，后者在其一个标准误内挑更简单（基因更少）的模型，通常更抗过拟合。选哪个都要如实报告，别混着说。

第三步，多因素 Cox 得 risk score。 用 LASSO 留下的基因拟合联合模型，每个基因得到一个系数，risk score 就是「系数 × 表达量」的加权和：

multi <- coxph(Surv(time, event) ~ .,
               data = data.frame(expr[, keep], clin[, c("time", "event")]))
risk  <- predict(multi, type = "lp")        # 线性预测值，即 risk score

也可以直接用 LASSO 的系数手算 risk score，两条路都常见。到这里，signature 就成型了：一组基因，加上各自的权重。

分高、低风险两组

有了每个样本的 risk score，下一步是切成两组，好画 KM、讲清楚。最常见、也最好复现的切法是按 risk score 中位数：

clin$risk  <- risk
clin$group <- ifelse(clin$risk > median(clin$risk), "high", "low")

几点要留心：

中位数是常用惯例、不是铁律。 它简单、事先确定、不看结局，最好复现。也有人用最佳截断（survminer::surv_cutpoint），但那是从结局里挑切点，天然偏向让 p 变小，容易高估显著性、难以外部重现——用了务必如实说明，并在独立集验证。切点选择的坑，见生存分析：KM 曲线与 log-rank 检验。
切点必须在训练集上定死，原样搬到验证集。 不能到了验证集又按验证集自己的中位数重切，否则就不是「验证同一个模型」了。
高、低风险的中位 risk score 阈值本身要写进论文，别人才能复算。

出三张标配图：KM、时间依赖 ROC、列线图

分好组，接下来是预后模型的三张标配图，各回答一个不同的问题：

图	回答什么问题	关键包 / 函数
KM 曲线 + log-rank	高、低两组生存差多少	`survminer::ggsurvplot`
时间依赖 ROC	risk score 在 1/3/5 年排序准不准	`timeROC::timeROC`
列线图 nomogram	给单个患者手算某年生存概率	`rms::nomogram`

一、KM 曲线 + log-rank： 直观看两组生存差多少。

library(survminer)
fit <- survfit(Surv(time, event) ~ group, data = clin)
ggsurvplot(fit, data = clin, pval = TRUE, risk.table = TRUE)

pval = TRUE 会标出 log-rank p。怎么读这张图、怎么写中位生存，见生存分析：KM 曲线与 log-rank 检验。

二、时间依赖 ROC： KM 比的是「分组对不对」，ROC 比的是「risk score 排序准不准」。生存数据里结局随时间发生，所以要按时间点（如 1、3、5 年）分别算 AUC：

library(timeROC)
roc <- timeROC(T = clin$time, delta = clin$event,
               marker = clin$risk, cause = 1,
               times = c(365, 1095, 1825))   # 1/3/5 年，单位随您的 time 而定（此处按天）
roc$AUC                                       # 三个时间点各自的 AUC

times 的单位要和 time 列一致：若随访以天计，1/3/5 年就是 365/1095/1825；以月计则是 12/36/60。AUC 越接近 1 越好，0.5 等于瞎猜。

三、列线图（nomogram）： 把 risk score（常再联合分期、年龄等临床变量）做成一张能手算生存概率的图，临床上直观好用。

library(rms)
dd <- datadist(clin); options(datadist = "dd")   # rms 要求先注册数据分布
cph_fit <- cph(Surv(time, event) ~ risk + stage + age, data = clin,
               surv = TRUE, x = TRUE, y = TRUE)
surv <- Survival(cph_fit)                         # 取出生存函数,供下面调用
nom <- nomogram(cph_fit,
                fun = function(x) surv(1095, x),   # 例：预测 3 年（1095 天）生存概率
                funlabel = "3-year survival")
plot(nom)

列线图一般要配一张校准曲线（rms::calibrate），看预测概率和实际观测生存对不对得上——预测得漂亮但校准差的模型，不能用。

过拟合与验证：训练集建、独立集验

这是整篇最容易翻车、审稿人也盯得最紧的一步。用来建模的那批数据，模型天生就「见过」，在它身上表现好几乎是必然的——那不叫验证，那叫自我印证。真正说明模型有用的，是它在没参与建模的数据上还站得住。

要交代清楚几件事：

划分要在建模前定好。 常见做法是把一个队列按比例（如 7:3）随机分成训练集、内部验证集，或直接用另一个独立队列（如另一个 GEO 数据集、TCGA 之外的队列）做外部验证。所有筛基因、定系数、定切点的动作，只在训练集上做。
验证集只做一件事：套用现成模型。 用训练集定下的基因、系数、切点，在验证集上算 risk score、分组，再看 KM 是否依然显著、时间依赖 AUC 是否依然像样。
训练集和验证集的表现要分开、成对地报，读者才能自己判断稳不稳：

指标训练集验证集怎么读
KM log-rank p 报报验证集仍显著才算数
1/3/5 年 AUC 报报掉一点正常，骤降警惕
C-index 报报两边都报，看掉多少

C-index（一致性指数）衡量「模型把预后差的排在前面」的能力，coxph 对象直接给：
```
summary(multi)$concordance      # 返回 C-index 及其标准误
```
C-index 0.5 等于随机、1 为完美。多少算「好」没有公认铁定阈值，随癌种、随对照而变——关键是训练集掉到验证集掉多少：掉得少说明稳，从很高骤降到接近 0.5，基本就是过拟合。
老实交代边界。 单中心、小样本、基因数相对样本数偏多，都会让模型偏乐观；批次效应、平台差异也会让 signature 换个数据集就失灵。这些如实写进局限，比藏着强。

指标	训练集	验证集	怎么读
KM log-rank p	报	报	验证集仍显著才算数
1/3/5 年 AUC	报	报	掉一点正常，骤降警惕
C-index	报	报	两边都报，看掉多少

一句话原则：能在独立数据集上重复出来的模型，才值得写；只在自己数据上好看的，多半是过拟合。

结果怎么写进论文

方法和图都齐了，落到笔头。一段规范的预后模型结果，通常把这几件事说全：

signature 由哪些基因、什么权重组成：列出最终入选基因及各自 Cox 系数（或直接给出 risk score 公式），别人才能复算。
怎么筛、怎么降维、怎么切：单因素阈值、LASSO 选的是 lambda.min 还是 lambda.1se、按中位数还是别的切点——逐一交代，含随机种子。
训练集与验证集的表现分开报：两边的 KM p 值、1/3/5 年 AUC、C-index 都给。
一句话范式（可直接改用）：

基于 8 个基因构建的风险评分将患者分为高、低风险两组，高风险组总生存显著更差（log-rank p < 0.001）；该 signature 在训练集与独立验证集中预测 3 年生存的 AUC 分别为 0.74 与 0.71，C-index 分别为 0.72 与 0.69。

（句中数字仅为示例格式，请换成您自己的真实结果。）
写清局限：样本量、单 / 多中心、是否外部验证、有无竞争风险等未处理的问题，如实说明。

在平台上跑一遍

从单因素 Cox 到 LASSO、再到 risk score、KM、时间依赖 ROC、列线图和验证，这整条链在百沐一下都不用写代码：上传带 time、event 的临床表和表达矩阵，用一句话说清目的——「用这批候选基因构建预后风险模型，单因素 Cox 初筛后做 LASSO，建 risk score 并按中位数分高、低风险组，出 KM 和 1/3/5 年时间依赖 ROC，并在验证集上评估 C-index」——平台会按标准流程建模、分组、出图，并给出可复现的 R 代码；想改阈值、切点或验证方式，直接在对话里说明即可。上手见智能统计使用指南，或直接开始：https://app.baimuyixia.com 。