TCGA数据进行多因素生存分析

TCGA数据进行多因素的生成分析

在分析完单因素的生成分析之后，可以对最显著性的N个单因素进行多因素的分析。

# 构建多因素分析的公式
multi_var <- paste0(sign_rbsure_gene_names, collapse = '+')
fml <- as.formula(paste0('mysurv~', multi_var))
# 进行多因素分析
Multi_cox <- coxph(fml, data=exprSet)
# 汇总多因素分析结果
Multi_sum <- summary(Multi_cox)

# 提取多因素结果
Multi_name <- as.character(sign_rbsure_gene_names)
MHR <- round(Multi_sum$coefficients[,2],2)
MPValue <- round(Multi_sum$coefficients[,5],3)
MCIL <- round(Multi_sum$conf.int[,3],2)
MCIU <- round(Multi_sum$conf.int[,4],2)
MCI <- paste0(MCIL,'-', MCIU)
Multi_cox <- data.frame('Characteristics' = Multi_name,
                      'Hazard Ratio' = MHR,
                      'CI95' = MCI,
                      'P value' = MPValue)

整理的结果如下：

> Multi_cox
Call:
coxph(formula = fml, data = exprSet)

                    coef exp(coef)  se(coef)     z     p
AC092614.2      0.005050  1.005062  0.010289  0.49 0.624
RP11_415F23.3  -0.032513  0.968010  0.015284 -2.13 0.033
RP11_395A13.2   0.002274  1.002277  0.002631  0.86 0.387
RP11_404F10.2  -0.002062  0.997940  0.019779 -0.10 0.917
DBH_AS1         0.000442  1.000442  0.001311  0.34 0.736
AC005592.2      0.004510  1.004520  0.004267  1.06 0.290
LINC00158      -0.051094  0.950190  0.023862 -2.14 0.032
LINC00539       0.005989  1.006007  0.008343  0.72 0.473
STARD4_AS1      0.000995  1.000995  0.000959  1.04 0.299
RP11_75L1.1    -0.038611  0.962125  0.070396 -0.55 0.583
RP11_261C10.5   0.005029  1.005041  0.022465  0.22 0.823
RP11_753H16.5   0.019222  1.019408  0.012940  1.49 0.137
RP11_109E24.1   0.017265  1.017415  0.018898  0.91 0.361
RP11_98D18.1    0.073071  1.075807  0.045015  1.62 0.105
RP11_731C17.2  -0.001641  0.998360  0.001763 -0.93 0.352
AC004540.4      0.001276  1.001277  0.000533  2.40 0.017
RP11_621L6.3   -0.020183  0.980019  0.019411 -1.04 0.298
RP5_1077I2.3    0.089182  1.093279  0.055620  1.60 0.109
RBAKDN          0.024500  1.024803  0.010308  2.38 0.017
AF064858.10     0.005476  1.005491  0.009242  0.59 0.554
AJ003147.8     -0.020868  0.979349  0.016359 -1.28 0.202
RP11_12M5.4     0.050433  1.051726  0.020112  2.51 0.012
RP11_1096G20.5 -0.058238  0.943425  0.037636 -1.55 0.122
RP11_33N14.5   -0.046164  0.954885  0.026503 -1.74 0.082

Likelihood ratio test=116.3  on 24 df, p=4e-14
n= 304, number of events= 60

如果您对TCGA数据挖掘感兴趣，请学习我们的TCGA相关课程：

《TCGA-生存分析》

《TCGA-基因差异表达分析》

《WGCNA加权基因共表达网络分析》

《GEO芯片数据挖掘》

《GSEA富集分析》

发表于 2018-06-08 10:09
阅读 ( 4730 )
分类：TCGA

TCGA数据进行多因素生存分析

你可能感兴趣的文章

相关问题

0 条评论

作家榜 »