动态Nomogram图的绘制

更多生信干货教程

私信我回复“数据库”即可免费领取哦

大家好，我是阿琛。在前面的内容中，我们给大家介绍了Nomogram图的简单绘制方法（Nomogram图不会画？看了这篇，小白也能轻松搞定），不熟悉的小伙伴可以先回去学习一下。然而，虽然通过该方法得到了相应的可视化结果，但在实际临床应用过程中并不方便。因此，绘制一个实用的动态Nomogram图，不管是对于文章的特色，还是临床使用，都会极大地增加简便性，更受大家欢迎。

下面，我们一起来看一下如何绘制动态Nomogram图给文章增添新的色彩。

1. R包与数据准备

1.1 读取R包

library(survival)
library(foreign)
library(rms)

在正式构建Nomogram图前，我们需要首先使用survival包构建Cox回归模型。

1.2 读取数据

rt <- read.table("clinical.txt", header=T, sep="\t", check.names = F, row.names = 1)
str(rt)   #查看数据结构

随后，读取相应的数据内容，并使用str()函数查看数据集内的内容。可以看到，结果显示，其中包括296个观测，8个不同的变量内容，包括生存时间（futime），生存状态（fustat），以及相应的临床信息（性别，分期，T分期，M分期，N分期和风险等级）。

###因子转换
rt$gender <- factor(rt$gender,labels=c("F", "M"))
rt$stage <- factor(rt$stage,labels=c("Stage1", "Stage2", "Stage3", "Stage4"))
rt$T <- factor(rt$T,labels=c("T1", "T2", "T3", "T4"))
rt$M <- factor(rt$M,labels=c("M0", "M1"))
rt$N <- factor(rt$N,labels=c("N0", "N1", "N2", "N3"))
rt$risk <- factor(rt$risk,labels=c("low", "high"))

同时，根据数据内容，将其中需要用到的分类变量转化为因子形式。

ddist <- datadist(rt)
options(datadist='ddist')   #使用函数datadist()将数据打包

2. 构建Cox模型

数据准备完成后，接下来需要对数据进行拟合，构建Cox比例风险模型。

f <- coxph(Surv(futime, fustat) ~gender + stage +T + M + N + risk, data=rt)
summary(f)

在此，使用survival包的coxph()函数对数据进行拟合建模。通过summary()函数，查看最终的模型结果。

接下来，我们将分别使用三种不同的R包来分别绘制Nomogram图。

3. 基于regplpot包绘制交互式列线图模型

#install.packages("regplot")
library(regplot)

首先，使用regplot包来绘制交互式的Nomogram图。

regplot(f,
       plots = c("density", "no plot"),
       observation=rt[12,],
       failtime = c(1, 2, 3), prfail = TRUE )

使用regplot()函数绘制交互式Nomogram图。

通过plot参数设定展示形式，以指定变量图的类型。其中，plots = c（“ density”，“ boxes”）为默认形式，且针对因子的第二个内容必须为"no plot", "boxes"，"bars" 和"spikes"中的其中一个。

同时，通过observation参数来指定展示其中第12个患者TCGA-VQ-A8PB的相关信息。

结果显示，该图中红色点代表第12个患者对应的临床信息，而且经过模型预测，该患者所对应的Total score为1.02分，1年内死亡率为0.114，2年内死亡率为0.26，3年内死亡率为0.319。

4. 基于DynNom包绘制模型

#install.packages("DynNom")   #安装包
library(DynNom)

随后，我们来看下如何使用DynNom包来快速绘制动态Nomogram图。

DynNom(f, rt)

使用DynNom()函数可以快速完成动态模型的构建。

接着，我们将患者TCGA-VQ-A8PB的相关信息输入进去，其中gender为F，stage为Stage2，T为T3，M为M0，N为N0，risk为high；点击Predict，得到相应的预测生存可能性。

同时，点击“Numerical Summary”板块，分别得到其1年，2年和3年生存率的预测结果为0.899，0.740和0.680，这与前面通过regplot()函数预测得到的生存结果是相一致的。

5. 基于shinyPredict包绘制模型

#install.packages("shinyPredict")   #安装包
library(shinyPredict)

除了DynNom包外，还可以使用shinyPredict包进行动态Nomogram图的绘制。

shinyPredict(models=list("Model 1"= f), 
            data= rt[, c("futime", "fustat", "gender", "stage", "T", "M", "N", "risk")],
            path = "./result/",
            title="Predicting Nomogram")

在shinyPredict()函数中，通过models参数对需要可视化的模型进行指定，data参数则需要赋予用于预测的数据框格式的数据内容，path参数为保存的路径。运行以后，可以在名为result的文件夹下看到三个不同的文件。

点击文件“app.R”，使用RStudio软件直接打开构建得到的预测模型。

点击右上角的Run App，即可启动相应的App。

与前面的使用方法一样，对相应的临床信息进行选择，即可通过预测模型，对患者的生存情况进行预测。

好啦，今天的内容就介绍到这里了~大家可以使用本次的内容，对文章中的预测模型可视化结果进一步美化，为文章增添色彩。

—END—