LASSO Cox回归模型进行特征基因筛选

简介
LASSO（Least Absolute Shrinkage and Selection Operator），最小绝对收敛和选择算子，在最小二乘基础上增加了一个惩罚项对参数进行压缩，当参数缩小到小于一个阈值的时候，就令它变为0，从而筛选出对因变量影响较大的自变量并计算出相应的回归系数，最终能得到一个比较精简的模型。LASSO方法在处理存在多重共线性的样本数据时有明显的优势。 LASSO可以处理多分类，二分类等，这里根据前期（例如单因素cox分析）挑选的N个基因，生存信息（生存时间，生存状态0或者1），进一步缩减基因数，构建Lasso Cox回归模型。调用glmnet R包。
数据说明
输入：数据包括3+N列：第1列是样品，第2列是生存时间，第3列是生存状态（0：生，1：死），第4+列为基因表达。
输出：Partial-likelihood deviance (偏似然偏差) 随Log(λ)变化曲线，图中给出了两个惩罚值λ：lambda.min（左侧垂直线）：当MSE (均方误差) 最小时的λ值；lambda.1st（右侧垂直线）：是在lambda.min值的一个方差范围内得到的最简单模型的λ值。一般选lambda.min。
lambda vs coef图：随着λ增加，各变量（基因）的回归系数β逐渐减少，直至到0。图中一条线代表一个变量的回归系数β值的变化，x轴下方的数字为惩罚值（lambda），x轴上方为在该值下剩余的变量个数。第一张图选择lambda，第二张图lambda vs coef的变化，在选中的lambda处画条垂直线，特征在线右侧，并且lambda不为0的特征就是LASSO筛选留下来的特征。
正的coefficients表明变量与高风险相关，负值表明变量与低风险相关。
注意：设置了随机因子，否则每次运行结果不一样
论文例子
A prognostic nomogram based on LASSO Cox regression in patients with alphafetoprotein-negative hepatocellular carcinoma following non-surgical therapy Fig 1.

输入	示例数据
输出

1）如何作图？
1，准备作图数据；2，用excel打开数据，调整为示例格式；3，将调整后的数据粘贴到输入框；4，选择参数；5，提交出图
2）为什么不出图？
对输入数据格式有严格要求。请观看输入框上面的视频介绍，并仔细阅读右侧说明，示例数据。
3）如何引用？
3000+篇google学术，2400+篇知网学术引用
推荐直接写网址
Cite: Tang D, Chen M, Huang X, Zhang G, Zeng L, Zhang G, Wu S, Wang Y. SRplot: A free online platform for data visualization and graphing. PLoS One. 2023 Nov 9;18(11):e0294236. doi: 10.1371/journal.pone.0294236. PMID: 37943830.
Method: Heatmap was plotted by https://www.bioinformatics.com.cn (last accessed on 20 Feb 2024), an online platform for data analysis and visualization.
Acknowledgement: We thank Shanghai NewCore Biotechnology Co., Ltd. (https://www.bioinformatics.com.cn, last accessed on 20 Feb 2024) for providing data analysis and visualization support.
4）交流群/公众号