1安装

如果（！quired（“ Biocmanager”））install.packages（“ Biocmanager”）Biocmanager :: install（“ Glmsparsenet”）

2所需的包装

库（dplyr）库（ggplot2）库（生存）库（loose.rock）库（futile.logger）库（策展tcgadata）库（tcgautils）＃library（glmsparsenet）＃＃＃＃futile.logger.logger.logger.logger。last.value <-flog.layout（layout.format（'[〜l] 〜m'））.last.value <-soled.rock :: show.message（false）＃设置ggplot2 default主题为最小值themimal themimal them_set（ggplot22）:: theme_minimal（））

3加载数据

数据是从从TCGA下载的在线策划数据集加载的策展生物导体包装并处理。

为了加速过程，我们仅使用一个非常简化的数据集将其降至100个变量（基因），将其作为数据对象存储在此软件包中。但是，在以下块中描述了手动获取数据的过程。

prad <-CuratedTcgadata（diseAseCode =“ prad”，assays =“ rnaseq2genenorm”，false）

从临床柱中构建生存数据。

• 仅选择原发性实体瘤样品
• 合并患者的生存时间，如果他们活着或死亡，则具有不同的柱子。
• 构建两个适合数据的矩阵对象XDATA和YDATA

＃仅保持实体肿瘤（代码：01）prad.primary.solid.solid.tumor <-tcgautils :: SplitAssays（prad，'01'）xdata.raw <-t（assay（prad.primary.solid.tumor.tumor.tumor [[1]]）]））＃获取生存信息ydata.raw <-Coldata（prad.primary.solid.tumor）％>％as.data.frame％>％＃＃在所有天数之间找到最大时间（忽略错过）rowwise％>％突变（time = max（days_to_last_followup，days_to_death，na.rm = true））％>％＃仅保留生存变量和代码选择（atteryId，status = vital_status，time，time）％>％>％＃丢弃生存时间或等于0滤镜的人（！is.na（时间）和时间> 0）％>％>％as.data.frame＃将索引设置为耐心Id rownames（ydata.raw）<-ydata.raw $ derationId＃peritageid＃保持标准偏差> 0的功能xdata.raw <-xdata.raw [tcgabarcode（rownames（xdata.raw））％rownames（ydata.raw），] xdata.raw <-xdata.raw <-xdata.raw％>％>％>％{！= 0）}％>％{xdata.raw [，。]}％>％scale＃corde ydata与assay ydata.raw <-ydata.raw [tcgabarcode（tcgabarcode（rownames（xdata.raw））相同]。种子（参数$种子）Small.subset <-c（genEnames（c（'ensg00000103091'，'ensg0000000064787'，'ensg00000119915'，'ensg00000120158'，'ensg00000114491'），100））％>％unique％>％排序

## Ensembl网站无响应，尝试USWest Mirror

xData <-xdata.raw [，small.subset [small.subset％in％colnames（xdata.raw）]] ydata <-ydata.raw％>％select（时间，状态）

4适合模型

使用集线器使用交叉验证函数进行拟合模型模型惩罚cv.glmhub。

set.seed（params $ seed）拟合<-cv.glmhub（xdata，surch（ydata $ time，ydata $ status），family ='cox'，nlambda = 1000，network ='cornect ='corner ='corner ='cornections = network.options = networkOptions = networkOptions（cutoff = .6，min.degree = .2））

5交叉验证的结果

显示了100用于在10倍交叉验证中找到最佳值的不同参数。这两个垂直虚线代表了最佳模型和一个模型，其中选择了较少的变量（基因），但在最佳的标准误差距离内。

情节（合适）

coefs.v <-coef（拟合，s ='lambda.min'）[，1]％>％{。[。！= 0]} coefs.v％>％{data.frame（ensembl.id = names（。），gene.name = genEnames（names（。％安排（gene.name）％>％knitr :: kable（）

## value [[3L]]（cond）中的警告：查找基因名称时错误：## BMRequest中的错误（请求= request = request，verbose = verbose）：内部服务器错误（http 500）。

genenames（名称（coefs.v））％>％{标志（。$ external_gene_name）$ heatmap}

## Encembl网站无响应，尝试亚洲镜像

## Ensembl网站无响应，尝试使用useast镜子

## Ensembl网站无响应，尝试USWest Mirror

独立2GroupScox（AS.Vector（coefs.v），xdata [，names（coefs.v）]，ydata，plot.title ='full dataSet'，legend.outside = false）

## $ pvalue ## [1] 0.001155155 ## ## $ plot

## ## $ km ##呼叫：survfit（formula = restival :: surv（时间，状态）0 NA NA NA ##高风险248 10 3502 3467 NA