#install.packages("survival")#install.packages("regplot")#install.packages("rms")#引用包library(survival)library(regplot)library(rms)
expFile="expTime.txt"       #表达数据文件cliFile="clinical.txt"      #临床数据文件setwd()     #设置工作目录#定义了几个变量，包括"expFile"和"cliFile"，分别为表达数据文件和临床数据文件的文件名。#另外，通过"setwd"函数设置了工作目录
exp=read.table(expFile, header=T, sep="t", check.names=F, row.names=1)#读取名为"expFile"的表达数据文件，该文件是一个以制表符分隔的文本文件，包含基因表达矩阵。#"header=T"表示第一行是列名，"sep="t""表示使用制表符作为分隔符，"check.names=F"表示不检查列名的合法性，#"row.names=1"表示使用第一列作为行名。读取后的数据被保存在变量"exp"中，是一个包含基因表达矩阵的数据框。
cli=read.table(cliFile, header=T, sep="t", check.names=F, row.names=1)cli=cli[apply(cli,1,function(x)any(is.na(match('unknow',x)))),,drop=F]cli$Age=as.numeric(cli$Age)#读取名为"cliFile"的临床数据文件，该文件也是一个以制表符分隔的文本文件，包含与每个样本相关的临床信息。#"header=T"表示第一行是列名，"sep="t""表示使用制表符作为分隔符，"check.names=F"表示不检查列名的合法性，#"row.names=1"表示使用第一列作为行名。#然后，代码使用apply函数过滤出含有"unknow"的行，再将"Age"列转换为数值类型。
samSample=intersect(row.names(exp), row.names(cli))exp1=exp[samSample,,drop=F]cli=cli[samSample,,drop=F]rt=cbind(exp1, cli)#合并表达数据"exp"和临床数据"cli"。首先，找出两个数据框中共同具有的样本（行名），并将这些样本作为"exp"和"cli"的子集。#然后使用cbind函数将"exp1"和"cli"按列合并，得到名为"rt"的新数据框，其中包含了基因表达数据和临床信息。
res.cox=coxph(Surv(futime, fustat) ~ . , data = rt)nom1=regplot(res.cox,plots = c("density", "boxes"),clickable=F,title="",points=TRUE,droplines=TRUE,observation=rt[2,],rank="sd",failtime = c(1,3,5),prfail = F)#进行生存分析。首先，使用coxph函数进行Cox比例风险模型拟合，其中"Surv(futime, fustat)"是生存时间和事件（死亡或事件）的生存对象。#拟合结果保存在"res.cox"变量中。#然后，使用"regplot"函数绘制列线图（Nomogram图），显示基因表达和临床因素与生存风险的关系。
nomoRisk=predict(res.cox, data=rt, type="risk")rt=cbind(exp1, Nomogram=nomoRisk)outTab=rbind(ID=colnames(rt), rt)write.table(outTab, file="nomoRisk.txt", sep="t", col.names=F, quote=F)

#输出列线图的风险打分文件，计算并输出列线图（Nomogram图）中的风险得分。#使用predict函数基于Cox模型计算每个样本的风险得分，并将结果保存在"nomoRisk"变量中。#接着，将风险得分与表达数据合并为新的数据框"rt"，再将数据框的列名和数据写入名为"nomoRisk.txt"的文本文件中。#校准曲线pdf(file="calibration.pdf", width=5, height=5)#绘制了校准曲线（Calibration Curve），用于评估Nomogram模型的预测性能#1年校准曲线f <- cph(Surv(futime, fustat) ~ Nomogram, x=T, y=T, surv=T, data=rt, time.inc=1)cal <- calibrate(f, cmethod="KM", method="boot", u=1, m=(nrow(rt)/3), B=1000)plot(cal, xlim=c(0,1), ylim=c(0,1),xlab="Nomogram-predicted OS (%)", ylab="Observed OS (%)", lwd=1.5, col="green", sub=F)#3年校准曲线f <- cph(Surv(futime, fustat) ~ Nomogram, x=T, y=T, surv=T, data=rt, time.inc=3)cal <- calibrate(f, cmethod="KM", method="boot", u=3, m=(nrow(rt)/3), B=1000)plot(cal, xlim=c(0,1), ylim=c(0,1), xlab="", ylab="", lwd=1.5, col="blue", sub=F, add=T)#5年校准曲线f <- cph(Surv(futime, fustat) ~ Nomogram, x=T, y=T, surv=T, data=rt, time.inc=5)cal <- calibrate(f, cmethod="KM", method="boot", u=5, m=(nrow(rt)/3), B=1000)plot(cal, xlim=c(0,1), ylim=c(0,1), xlab="", ylab="", lwd=1.5, col="red", sub=F, add=T)legend('bottomright', c('1-year', '3-year', '5-year'),col=c("green","blue","red"), lwd=1.5, bty = 'n')dev.off()#使用cph函数建立Cox模型，将Nomogram作为解释变量，并设定不同的时间间隔。#然后，使用calibrate函数生成校准曲线。代码将校准曲线绘制在一个PDF文件中，#分别绘制1年、3年和5年的校准曲线，并在图例中显示不同时间间隔的颜色。最后，通过dev.off()函数关闭PDF绘图设备。