2024-06-16

宝藏知识点！单基因生存分析-最佳截断点选取（cutoff）

小果生信果 2024-02-08 19:00:37

许多小伙伴们在做单基因生存分析时候，通常使用中位数或者四分位数等特殊位置为截断点。但是结果往往没有差异甚至毫无意义。

其实呢，并不一定使用中位数为cutoff，必要的时候使用最佳的cutoff。这个时候小果发现，如果找到一个最佳的截断的便可以使生存分析有差异。目前有很多方法去选择：如X-tile软件、R的CatPredi包、cutoff包等，但在这里小果主要给小伙伴们介绍一种方法使用R包survminer中surv_cutpoint()函数进行计算，选择生存分析的最佳截断点，然后绘制生存曲线图，这样得出的结果是有差异的。话不多说，小果带你走一遍。

首先载入数据：

setwd("E:\生信果")surv <- read.table("data.txt",sep = "t",row.names = 1,check.names = F,stringsAsFactors = F,header = T)

#这里读入的是小果自己的示例数据，这里需要小伙伴自己整理数据，选择自己分析的基因。接下来计算最佳阶段点：#调用包：library(survival)    library(survminer)#这里surv_cutpoint()函数进行计算截断值res.cut <- surv_cutpoint(surv, #数据集                         time = "time", #生存状态                         event = "event", #生存时间                         variables = c("GINS2","MCM2","PCNA") #需要计算的数据列名)summary(res.cut)#展示结果，这里查看数据最佳的截断点以及统计量

#下面这里小果展示数据的分布进行可视化，以GINS2为例：plot(res.cut, "GINS2", palette = "npg")res.cat <- surv_categorize(res.cut)head(res.cat)

#上述就是最佳截断点分布图的展示，从图中可以看出来截断值在3.83时候是最佳的，因此我们可以选择3.83这个值为我们的cutoff，去绘制生存曲线图。#最接下俩就是绘制生存曲线的图片了：fit <- survfit(Surv(time, event) ~GINS2, data = res.cat)#拟合生存分析，选择基因#绘制生存曲线并显示P值           library(survminer)ggsurvplot(fit,           data = surv,#示例数据               pval = T,#显示P值           conf.int = TRUE, # 显示置信区间           risk.table = TRUE, # 显示风险表，这里可有可无。需要的话绘制           risk.table.col = "strata",           palette = "jco", # 配色采用jco           #legend.labs = c("Low", "High"), # 图例           size = 1,#调整图片中的字体大小           xlim = c(0,2000), # x轴长度，一般为0-10年           break.time.by = 500, # x轴步长为20个月           #legend.title = "",#标注图片中的标题           surv.median.line = "hv", # 限制垂直和水平的中位生存           ylab = "Survival probability (%)", # 修改y轴标签           xlab = "Time (Days)", # 修改x轴标签           ncensor.plot = TRUE, # 显示删失图块           ncensor.plot.height = 0.25,           risk.table.y.text = FALSE)#这里参数是小果自己设置的，小伙伴如何想换个样式，可以自己设置自己想要结果的参数