主讲老师第五十二课：单因素和多因素 cox 回归分析
讲一下如何做单因素和多因素 Cox 回归分析，接下来的话是讲一下如何构建临床预测模型，我们一共讲一下在生信文章里最常见的四个预测模型，分别是 LASSO Cox 回归模型，随机森林模型，支持向量机模
型，以及主成分分析模型，这四个都是常常出现在文章中用于
基因集的预后模型构建方法，当然，这几个方法同时可以起到降维的作用，因此，在临床研究中，比如
影像组学分析中，也会经常被使用到，用于特征提取步骤。
因为这部分内容是两篇文章里都没涉及到，我就直接从 TCGA 数据库中随机截取一部分病人进行分析演示了，我们来看下如何进行单因素和多因素 Cox 回归分析（HRtable.zip）。
1.读取数据
首先，我们把相应的临床数据读取进来可以看到，其中包含了 200 个患者，12 个不同的临床指标信息
2.数据整理
接下来，我们需要对数据进行整理归纳，包括两个方面：1.将数值型变量转换成二分类变量；2.根据等级水平，将分类变量转换为因子，并同时设置相应的因子水平，比如，性别这种二分类变量，直接将其转换成因子即可而对于数值型变量，则需要先分组，再进行因子转换。
同理，对剩下的 10 个变量依次进行相应的转换。
同时，对于基因 mir195 和 YAP1，一样的根据中位数进行分组转化这里注意一下，mir195 这里不建议改为 mir-195，否则后面的 cox 单因素分析过程可能会出错。
再次查看整理后的数据数据类型。
3.单因素回归分析
设置一个空的数据框 outTab 用于保存分析结果，同时，通过 for 循环，对每个变量逐个进行单因素Cox 分析。其中，coxph()函数被用于模型的构建，最终，所有的分析结果均保存在 outTab 中。
最后，将结果进行保存。
4.多因素回归分析
接着，使用 coxph()函数进行多因素 Cox 回归分析，进行模型的拟合，这里注意一下，可以使用单因素分析中有意义的结果纳入多因素分析，标准值可以设置为 0.1 或者 0.05，0.01均可。
在此，我是直接纳入了所有的指标进行后续的多因素 Cox 回归模型同样的，提取其中对应的系数，以及 95%可信区间和对应的 P 值。
接下来，我们使用 ggforest()函数来对多因素 Cox 回归模型结果可视化展示将结果 multiCox 作为输入数据。
这样，一张基于多因素分析的森林图就绘制完成了