genefu package多基因预后模型的比较

经过悉心的研究以及很多老师，朋友的帮助，顺利的进行了自己预想的分析，但仍有写小细节仍有缺陷。特别感谢genefu 包的作者Benjamin Haibe-Kains教授，谨以本文记录自己的探索过程，如可对后来者有帮助也算是功德一件了。

####step18-与基于芯片的模型比较(TCGA cohort，AJCC stage)
####比较AUC值，以ROC曲线形式展示
##载入已准备好的数据
## code used to compute the risk score
library(genefu)
library(survival)
library(survivalROC)
library(survminer)

##先准备注释文件
ddata<-eset##准备好col为symbol的表达矩阵
##
s<-colnames(ddata)
##id 转换
library(org.Hs.eg.db)
s2g=toTable(org.Hs.egSYMBOL)
g=s2g[match(s,s2g$symbol),1];
head(g)
##构造注释文件
#  probe Gene.symbol Gene.ID
dannot=data.frame(probe=s,
                  "Gene.Symbol" =s, 
                  "EntrezGene.ID"=g)
dannot[1:3,1:3]
##保留已注释的基因及注释文件
ddata=ddata[,!is.na(dannot$EntrezGene.ID)]
dannot=dannot[!is.na(dannot$EntrezGene.ID),] 
head(dannot)

##如已准备好数据
##my data 
ddata[1:5,1:5]
dim(ddata)
dannot[1:5,1:3]
dim(dannot)
all(colnames(ddata)==dannot$probe)
##
rownames(dannot) <- as.character(dannot[,'probe'])
data(sig.oncotypedx)
sig.oncotypedx
rs.onco <- oncotypedx(data=ddata,annot=dannot, do.mapping=TRUE)
table(rs.onco$risk)##

##计算OncotypedROC曲线
test_expr <- exprSet
new_exprSet <- test_expr[,c('sampleID','OS_time','OS_event')]
new_exprSet$multi_model <- rs.onco$score

##
cutoff3 =60##5年
##oncotypedx风险分数
Mayo.fit1= survivalROC(Stime=new_exprSet$OS_time,
                     status=new_exprSet$OS_event,
                     marker =new_exprSet$multi_model,
                     predict.time = cutoff3,method="KM")
pdf("TCGA_oncotypedx_ROC_OS.pdf")
plot(Mayo.fit1$FP,Mayo.fit1$TP,type="l",
     xlim=c(0,1),ylim=c(0,1),
     xlab="1-Specificity",ylab="Sensitivity",main="TCGA cohort ",col="#1c61b6",lwd=2)
abline(0,1,col="grey",lwd=2)

#my gene signature
##按自己的模型计算
model_predcit_values <- predict(Multi_cox3,test_expr[,multi_sign_gene],type="risk")
new_exprSet <- test_expr[,c('sampleID','OS_time','OS_event')]
new_exprSet$multi_model <- model_predcit_values
Mayo.fit3= survivalROC(Stime=new_exprSet$OS_time,
                       status=new_exprSet$OS_event,
                       marker =new_exprSet$multi_model,
                       predict.time = cutoff3,method="KM")
lines(Mayo.fit3$FP,Mayo.fit3$TP,type="l",
      xlim=c(0,1),ylim=c(0,1),col="#840000",lwd=2)

##添加图注
legend(0.25,0.25,
       legend=c(paste("Gene21 AUC",round(Mayo.fit1$AUC,3)),
                 paste("Gene5 AUC",round(Mayo.fit3$AUC,3))),
       title.adj=1,##图例标题字体位置1为右
       bty='n',##不画出图例框
       lwd=2,col=c("#1c61b6","#840000"))
dev.off()

####################################################################3
####RFS模型比较
##计算OncotypedROC曲线
test_expr <- exprSet
new_exprSet <- test_expr[,c('sampleID','RFS_time','RFS_event')]
new_exprSet$multi_model <- rs.onco$score

##
cutoff3 =60##5年
##oncotypedx风险分数
Mayo.fit1= survivalROC(Stime=new_exprSet$RFS_time,
                       status=new_exprSet$RFS_event,
                       marker =new_exprSet$multi_model,
                       predict.time = cutoff3,method="KM")
pdf("TCGA_oncotypedx_ROC_RFS.pdf")
plot(Mayo.fit1$FP,Mayo.fit1$TP,type="l",
     xlim=c(0,1),ylim=c(0,1),
     xlab="1-Specificity",ylab="Sensitivity",main="TCGA cohort RFS ",col="#1c61b6",lwd=2)
abline(0,1,col="grey",lwd=2)

#my gene signature
##按自己的模型计算
model_predcit_values <- predict(Multi_cox3,test_expr[,multi_sign_gene],type="risk")
new_exprSet <- test_expr[,c('sampleID','RFS_time','RFS_event')]
new_exprSet$multi_model <- model_predcit_values
Mayo.fit3= survivalROC(Stime=new_exprSet$RFS_time,
                       status=new_exprSet$RFS_event,
                       marker =new_exprSet$multi_model,
                       predict.time = cutoff3,method="KM")
lines(Mayo.fit3$FP,Mayo.fit3$TP,type="l",
      xlim=c(0,1),ylim=c(0,1),col="#840000",lwd=2)

##添加图注
legend(0.25,0.25,
       legend=c(paste("Gene21 AUC",round(Mayo.fit1$AUC,3)),
                paste("Gene5 AUC",round(Mayo.fit3$AUC,3))),
       title.adj=1,##图例标题字体位置1为右
       bty='n',##不画出图例框
       lwd=2,col=c("#1c61b6","#840000"))
##
dev.off()
#####################################################################
##early stage(I/II) ROC comparision
##提取早期组数据
test_expr <- exprSet
dim(test_expr)
test_expr[1:5,1:5]
table(test_expr$stage)##I/II期589sample
table(test_expr$Stage)##

##提取stage为I/II期的sample
early_index<-which(test_expr$stage=='0')
test_expr<-test_expr[early_index,]
dim(test_expr)
new_exprSet <- test_expr[,c('sampleID','OS_time','OS_event')]

##oncotypedx风险分数
ddata[1:5,1:5]
data(sig.oncotypedx)
sig.oncotypedx
##注意sample矩阵的改变
ddata<-ddata[early_index,]
dim(ddata)
rs.onco <- oncotypedx(data=ddata,annot=dannot, do.mapping=TRUE)
table(rs.onco$risk)##
new_exprSet$multi_model <- rs.onco$score
##
cutoff3 =60##5年

Mayo.fit1= survivalROC(Stime=new_exprSet$OS_time,
                       status=new_exprSet$OS_event,
                       marker =new_exprSet$multi_model,
                       predict.time = cutoff3,method="KM")
pdf("Early_stage_oncotypedx_ROC_OS.pdf",width = 5,height = 5)
plot(Mayo.fit1$FP,Mayo.fit1$TP,type="l",
     xlim=c(0,1),ylim=c(0,1),
     xlab="1-Specificity",ylab="Sensitivity",main="Early stage cohort ",col="#1c61b6",lwd=2)
abline(0,1,col="grey",lwd=2)

#my gene signature
##按自己的模型计算
model_predcit_values <- predict(Multi_cox3,test_expr[,multi_sign_gene],type="risk")
new_exprSet <- test_expr[,c('sampleID','OS_time','OS_event')]
new_exprSet$multi_model <- model_predcit_values
Mayo.fit3= survivalROC(Stime=new_exprSet$OS_time,
                       status=new_exprSet$OS_event,
                       marker =new_exprSet$multi_model,
                       predict.time = cutoff3,method="KM")
lines(Mayo.fit3$FP,Mayo.fit3$TP,type="l",
      xlim=c(0,1),ylim=c(0,1),col="#840000",lwd=2)

##添加图注
legend(0.25,0.25,
       legend=c(paste("Gene21 AUC",round(Mayo.fit1$AUC,3)),
                paste("Gene5 AUC",round(Mayo.fit3$AUC,3))),
       title.adj=1,##图例标题字体位置1为右
       bty='n',##不画出图例框
       lwd=2,col=c("#1c61b6","#840000"))
dev.off()

###########################################################
####Earlt stage RFS比较模型
new_exprSet <- test_expr[,c('sampleID','RFS_time','RFS_event')]
new_exprSet$multi_model <- rs.onco$score

##
cutoff3 =60##5年
##oncotypedx风险分数
Mayo.fit1= survivalROC(Stime=new_exprSet$RFS_time,
                       status=new_exprSet$RFS_event,
                       marker =new_exprSet$multi_model,
                       predict.time = cutoff3,method="KM")
pdf("Early_oncotypedx_ROC_RFS.pdf")
plot(Mayo.fit1$FP,Mayo.fit1$TP,type="l",
     xlim=c(0,1),ylim=c(0,1),
     xlab="1-Specificity",ylab="Sensitivity",main="Early stage cohort RFS ",col="#1c61b6",lwd=2)
abline(0,1,col="grey",lwd=2)

#my gene signature
##按自己的模型计算
model_predcit_values <- predict(Multi_cox3,test_expr[,multi_sign_gene],type="risk")
new_exprSet <- test_expr[,c('sampleID','RFS_time','RFS_event')]
new_exprSet$multi_model <- model_predcit_values
Mayo.fit3= survivalROC(Stime=new_exprSet$RFS_time,
                       status=new_exprSet$RFS_event,
                       marker =new_exprSet$multi_model,
                       predict.time = cutoff3,method="KM")
lines(Mayo.fit3$FP,Mayo.fit3$TP,type="l",
      xlim=c(0,1),ylim=c(0,1),col="#840000",lwd=2)

##添加图注
legend(0.25,0.25,
       legend=c(paste("Gene21 AUC",round(Mayo.fit1$AUC,3)),
                paste("Gene5 AUC",round(Mayo.fit3$AUC,3))),
       title.adj=1,##图例标题字体位置1为右
       bty='n',##不画出图例框
       lwd=2,col=c("#1c61b6","#840000"))
##
dev.off()

###############################################################
##Advanced stage ROC comparision
test_expr <- exprSet
dim(test_expr)
test_expr[1:5,1:5]
colnames(test_expr)[1:60]
table(test_expr$stage)
table(test_expr$Stage)
##late 168

##提取III IV期sample 168例
early_index<-which(test_expr$stage=='1')
test_expr<-test_expr[early_index,]
dim(test_expr)

##提取生存数据
new_exprSet <- test_expr[,c('sampleID','OS_time','OS_event')]
##oncotypedx风险分数
ddata[1:5,1:5]
data(sig.oncotypedx)
sig.oncotypedx
##注意sample矩阵的改变
ddata<-ddata[early_index,]
dim(ddata)
rs.onco <- oncotypedx(data=ddata,annot=dannot, do.mapping=TRUE)
table(rs.onco$risk)##
new_exprSet$multi_model <- rs.onco$score
##
cutoff3 =60##5年

Mayo.fit1= survivalROC(Stime=new_exprSet$OS_time,
                       status=new_exprSet$OS_event,
                       marker =new_exprSet$multi_model,
                       predict.time = cutoff3,method="KM")
pdf("Advanced_stage_oncotypedx_ROC_OS.pdf",width = 5,height = 5)
plot(Mayo.fit1$FP,Mayo.fit1$TP,type="l",
     xlim=c(0,1),ylim=c(0,1),
     xlab="1-Specificity",ylab="Sensitivity",main="Advanced stage cohort ",col="#1c61b6",lwd=2)
abline(0,1,col="grey",lwd=2)

#my gene signature
##按自己的模型计算
model_predcit_values <- predict(Multi_cox3,test_expr[,multi_sign_gene],type="risk")
new_exprSet <- test_expr[,c('sampleID','OS_time','OS_event')]
new_exprSet$multi_model <- model_predcit_values
Mayo.fit3= survivalROC(Stime=new_exprSet$OS_time,
                       status=new_exprSet$OS_event,
                       marker =new_exprSet$multi_model,
                       predict.time = cutoff3,method="KM")
lines(Mayo.fit3$FP,Mayo.fit3$TP,type="l",
      xlim=c(0,1),ylim=c(0,1),col="#840000",lwd=2)

##添加图注
legend(0.25,0.25,
       legend=c(paste("Gene21 AUC",round(Mayo.fit1$AUC,3)),
                paste("Gene5 AUC",round(Mayo.fit3$AUC,3))),
       title.adj=1,##图例标题字体位置1为右
       bty='n',##不画出图例框
       lwd=2,col=c("#1c61b6","#840000"))
dev.off()

###########################################################
####Earlt stage RFS比较模型
new_exprSet <- test_expr[,c('sampleID','RFS_time','RFS_event')]
new_exprSet$multi_model <- rs.onco$score

##
cutoff3 =60##5年
##oncotypedx风险分数
Mayo.fit1= survivalROC(Stime=new_exprSet$RFS_time,
                       status=new_exprSet$RFS_event,
                       marker =new_exprSet$multi_model,
                       predict.time = cutoff3,method="KM")
pdf("Advanced_oncotypedx_ROC_RFS.pdf",width = 5,height = 5)
plot(Mayo.fit1$FP,Mayo.fit1$TP,type="l",
     xlim=c(0,1),ylim=c(0,1),
     xlab="1-Specificity",ylab="Sensitivity",main="Advanced stage cohort RFS ",col="#1c61b6",lwd=2)
abline(0,1,col="grey",lwd=2)

#my gene signature
##按自己的模型计算
model_predcit_values <- predict(Multi_cox3,test_expr[,multi_sign_gene],type="risk")
new_exprSet <- test_expr[,c('sampleID','RFS_time','RFS_event')]
new_exprSet$multi_model <- model_predcit_values
Mayo.fit3= survivalROC(Stime=new_exprSet$RFS_time,
                       status=new_exprSet$RFS_event,
                       marker =new_exprSet$multi_model,
                       predict.time = cutoff3,method="KM")
lines(Mayo.fit3$FP,Mayo.fit3$TP,type="l",
      xlim=c(0,1),ylim=c(0,1),col="#840000",lwd=2)

##添加图注
legend(0.25,0.25,
       legend=c(paste("Gene21 AUC",round(Mayo.fit1$AUC,3)),
                paste("Gene5 AUC",round(Mayo.fit3$AUC,3))),
       title.adj=1,##图例标题字体位置1为右
       bty='n',##不画出图例框
       lwd=2,col=c("#1c61b6","#840000"))
##
dev.off()
©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 213,864评论 6赞 494
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 91,175评论 3赞 387
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 159,401评论 0赞 349
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 57,170评论 1赞 286
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 66,276评论 6赞 385
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 50,364评论 1赞 292
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 39,401评论 3赞 412
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 38,179评论 0赞 269
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 44,604评论 1赞 306
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,902评论 2赞 328
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,070评论 1赞 341
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 34,751评论 4赞 337
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 40,380评论 3赞 319
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,077评论 0赞 21
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,312评论 1赞 267
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 46,924评论 2赞 365
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 43,957评论 2赞 351

推荐阅读更多精彩内容