在肿瘤研究领域，biomarker的研究以及相应试剂盒的开始，是服务于肿瘤临床的一个方向。这类研究项目依赖于大量肿瘤临床样本和机器学习算法。由于众多高通量数据库的建立，使得大临床样本信息的获取不再那么艰难，使得很多科研工作者都可以开展此类项目。在肿瘤领域，TCGA数据库自然是用的最多的，结合机器学习，挖掘biomarker已经是稀疏平常之事，今天摘自多篇相关文章中的结果，提炼出在这类研究思路下最为常见的结果展示。
1. 样本信息的Table基线表
目的：主要用来展示样本的基本情况，比如下图，涉及样本的基础信息，如性别、年龄、肿瘤大小、分期等诸多信息。
例图1
例图2
2. 单因素Cox回归的Table基线表
目的：为了从众多自变量中筛选出显著性的影响因子，然后以表格形式呈现出来，涉及的结果参数主要是HR和P value值。
例图1
例图2
例图3
3. 多因素Cox回归的Table基线表
目的：分析从单因素cox回归中的显著性自变量是否能作为独立影响因子！同时得到各个自变量的回归系数，用于后期风险比例方程的构建。
例图1
例图2
4. Cox回归分析的森林图
目的：展示单因素/多因素Cox回归结果、更直观更美观！
例图1（单因素cox森林图）
例图2(多因素的cox回归森林图)
5. Nomogram模型的列线图
目的：用于评估每个变量引起的风险
6. Nomogram预测模型的校准曲线
目的： 校准度，即预测值和真实值之间的差异
7. 风险模型的生存点图
目的：展示风险因素与生存之间的关系
8. 生存曲线
目的：用于直观展示变量因素与生存之间的关系！评估以上变量选择/风险模型构建的实用性！
9. TimeROC
目的：评价变量选择/风险分类模型对预后风险的评估能力！
10. C-index
目的：评价变量选择/风险分类模型对预后风险的评估能力！
11. Lasso回归和交叉验证
目的：Lasso回归用于缩减变量，选择最佳变量进入下游的分析。交叉验证核实lasso结果中的取值是否最佳。
以上这些结果呈现都是这类型文章中比较常见的类型，为方便记忆，做了简单的罗列汇总，初步了解这些结果分析的先后顺序，各自分析的目的是什么，以便快速了解这类型文章的研究分析思路！
今天的内容就到这里~~，更多内容可关注公共号“YJY技能修炼”~~
