零代码学生信第五天-怎么构建风险模型（一）

NCBI一搜肿瘤的分析风险模型作为不可或缺的一部分，几乎是每一篇生信文章必不可少的部分，那么我们到底怎么理解模型呢？

准确来说，模型分两种，一种是诊断模型，一种是预后模型，我们常规说的风险模型，狭义上指的是预后模型，广义上指的是风险/诊断模型。

在肿瘤分析中，预后模型比较多，通过几个关键基因，重新拟合一个得分，用于综合评估这几个基因的效果，并使用生存数据对其进一步分析其与预后的关系。

而在诊断模型中，其中步骤也是类似的，通过重新拟合新的得分，该得分为几个基因共同作用的结果，最后使用0-1分类，疾病为1，非疾病状态为0，计算这几个基因共同作用下对于疾病发生（或者转移等等）的效果。

目前生信豆芽菜提供了一些分析工具，但是需要进行组合，我通过学习这部分的内容，进行总结，如果写的不好，敬请见谅。

今天来讲第一个最为经典的单因素cox分析+lasso+多因素cox分析（逐步回归）构建风险模型

生信分析 – 生信豆芽菜 – 专门做分析的生信平台. (sxdyc.com)

这里选择风险/诊断模型构建

主要是通过红色框出来的四个工具进行完成的

1、单因素cox分析

这一步几乎是预后模型中必须要做的一步，目的是为了筛选预后相关的基因集，这样在后期建模绘制高低风险组的KM曲线容易出阳性结果

这里只需上传两个文件，一个是表达谱矩阵，一个是生存数据

生存数据，包含三列，顺序不能变，第一列为样本，第二列为生存时间，第三列为生存状态

这时候选择单变量的cox分析即可等待结果。

文章中大多数的阈值为p<0.05,p<0.01,p<0.001,p<0.005,p<0.0001。

筛选预后相关的基因后，这时候就可以进行下一步分析了。

2、lasso分析进一步压缩基因范围

lasso的目的其实更多是为了解决共线性的问题，所以在lasso分析的时候，不是基因越多越好，我曾经遇到过用了1000个基因进行分析，结果压缩后，基因数量变成了0，当只有20个基因进行lasso分析的时候，可能就剩下了十几个。

当然用多少基因，其实都是可以的，大部分的文章可能都保证在100-200个左右

跟单因素cox分析很像，上传基因表达谱和生存数据，同时上传一个需要进行lasso分析的基因列表

为什么这么设计，我估计是当时设置这个分析的人，不想让大家自己再去提取特定基因表达矩阵，这样简化用户的工作量吧。

这一步分析并不是预后模型构建不可少的，如果单因素cox分析筛选的预后相关的基因比较少，只有十几个，可以选择不做lasso分析。

3、多因素cox分析构建风险模型

在这一步中，其中有一个隐藏的步骤，逐步回归，逐步回归可以对较多的基因数量进一步压缩，但是要记得他对基因数量压缩能力不高，一般都是有个十几二十个基因的时候，用该方法进行压缩。

文件上传极其简单，还是三个，需要注意的时候，需要根据基因的数量选择是否进行逐步回归分析，并展示构建风险模型后的KM曲线和AUC，默认是展示1，2，3，有几个时间写几个就好。

4、独立数据验证风险模型的鲁棒性

在分析时候，往往会引入独立数据集验证风险模型的鲁棒性

这里需要传入一个基因系数，这里会使用训练集的基因系数计算验证集的风险得分，同时使用KM和AUC进行评估。

一般默认AUC 要达到0.7，才认为风险模型还可以。