生信论文返修实战20讲 · 第15讲 · 审查模型与功能证据

系列目录:生信论文返修实战20讲(当前第15讲)
- 第01讲:收到返修意见后怎么办?把审稿问题拆成可执行任务
- 第02讲:返修前先冻结分析:输入、版本与结果怎样重放
- 第03讲:样本量为什么对不上?核查纳入、排除与重复测量
- 第04讲:样本太少怎样回应?报告效应、区间与真实限制
- 第05讲:差异分析被质疑:模型、方向和多重检验逐项核查
- 第06讲:要求校正年龄和批次?先判断资料是否支持
- 第07讲:换个阈值还成立吗?做有边界的敏感性分析
- 第08讲:独立验证不一致怎么办?保留全部候选与证据
- 第09讲:富集结果怎样返修?检查背景、方向和贡献成员
- 第10讲:单细胞显著性可靠吗?先认清细胞、文库与供体
- 第11讲:细胞注释与比例被质疑:标记依据和分母怎样交代
- 第12讲:拟时序和通讯怎样改写?避免把推断写成机制
- 第13讲:模型性能过高先查什么?用随机标签识别数据泄漏
- 第14讲:只有ROC不够:校准、误差与简单基线一起评价
- 第15讲:生存分析怎样返修?事件、截点与模型假设核查(本篇)
- 第16讲:审稿人要求补实验:公共数据能支持到哪一层
- 第17讲:图形与图注怎样修改?展示样本、效应与不确定性
- 第18讲:方法写到哪里才够?参数、版本与数据代码可用性
- 第19讲:逐条回复怎么写?把动作、证据和修改位置对应起来
- 第20讲:提交返修前最后一查:正文、回复与附件保持一致
点击目录按篇次顺序学习;文末复现包包含全系列代码与起始数据。
生存分析返修,先核对结局再看最小概率值
生存曲线很容易成为论文中的醒目结果,也容易受到事件编码、缺失处理和截点搜索影响。审稿人提出统计质疑时,最有效的回应通常从数据字典开始,而不是立即更换一个能得到显著曲线的分组。本篇使用公开随访教学资料,检查事件定义、协变量模型、比例风险假设和探索性截点。
教学审稿意见:请说明事件编码和缺失处理,避免数据驱动的最佳截点,并检查Cox模型的比例风险假设。
数据来自survival包的lung资料,包含真实公开随访记录。本篇不把前面组织表达样本虚构成有随访的患者,也没有构建基因预后评分。官方数据字典规定时间单位为天,状态一表示删失、二表示死亡;代码据此建立事件指标,再按实际模型所需字段选择完整记录。
编码错误可以让整张图方向改变
不同数据库的状态编码不统一,零和一可能代表不同含义,数字二也可能是事件。不能根据列名猜测。应阅读数据字典,并抽查事件数量、时间范围与缺失情况。若存在零或负时间,需要核查来源与定义,而不是直接删除以使模型运行。
删失也不等于没有发生事件。它表示在当前观察结束前没有记录到目标事件,随访长度仍然提供信息。把所有删失者都当作长期存活,或把生存时间直接转成普通二分类而不说明时间窗口,会改变研究问题。返修应先确认结局定义,再选择合适方法。
本篇模型包含年龄、性别和ECOG状态,使用相关字段完整的记录。完整病例处理简单透明,但不自动消除缺失偏差;应报告因此排除多少记录、各组是否不均衡,并讨论适用范围。这里不声称已经建立最佳临床预测模型,也不把有限协变量调整写成排除全部混杂。
| 核查项 | 本篇操作 | 不能省略的解释 |
|---|---|---|
| 事件 | 依据字典把状态二编码为事件 | 删失与事件的含义 |
| 时间 | 使用公开随访天数 | 时间起点与单位 |
| 缺失 | 按模型字段取完整记录 | 实际分析样本与限制 |
| 模型 | 年龄、性别、ECOG | 系数对应的比较与单位 |
| 假设 | 检查Schoenfeld残差相关诊断 | 不显著不等于假设被证明 |

风险比与生存概率不是同一个量
Cox模型的风险比描述在模型条件下瞬时风险的相对关系,不应直接写成固定时间死亡概率增加多少。连续年龄系数还需要说明单位,是每一年还是每十年。分类变量需要说明参考水平。若这些信息没有写清,读者很容易误解方向与幅度。
模型调整后的系数与未调整的Kaplan—Meier曲线也不同。曲线可以展示观察到的组间随访分布,但不能直接当作多变量模型结果。若同一图组中并列展示,应说明各自用途。不要在曲线图注中放一个来自不同模型的概率值,却不说明计算来源。
本篇保留完整系数、区间与实际分析队列。读者可以从模型输入追踪到输出,而不是只看到一个筛选后的风险比森林图。对真实研究还需根据问题评估函数形式、交互、竞争事件或其他设计因素;本教程没有把一个简单Cox模型当作通用答案。
比例风险假设怎样检查
本次按时间、事件、年龄、性别与ECOG完整性筛选后,实际分析包含二百二十七条记录。全局比例风险诊断的概率值约为零点二一六,年龄项约为零点六六五。这里如实报告检查结果,但不将未达到显著性解释为已经证明假设完全成立。
代码使用cox.zph并展示年龄项诊断图。图形帮助观察效应是否随时间呈系统变化,检验则提供相应统计证据。二者应结合样本规模和研究背景理解。检验不显著可能源于信息有限,不能写成“证明所有比例风险假设完全成立”。
若发现明显偏离,需要根据科学问题考虑时间变化效应、分层或其他合适方法,并重新解释参数。不能只删除诊断图或更换某个变量编码来追求通过检验。模型改变后,主要结论、图注和回复都要同步更新,并说明为什么选择新的表达方式。

最佳截点为什么容易过于乐观
本篇扫描多个年龄截点,仅用于演示同一资料中反复选择阈值如何改变检验问题。每个截点都计算名义log-rank概率,只有两组人数达到教学要求时才保留。最小值来自搜索过程,不能当作一个事先指定截点的普通检验结果报告。
连续变量切成高低两组还会丢失信息,并使相近个体在阈值两侧被强行分开。若没有明确临床或外部依据,应考虑保留连续形式并检查函数关系。即便有合理截点,也需要说明来源,不能将本数据中搜索得到的数值包装成既定标准。
如果原稿已经使用最佳截点,返修可以报告其探索性来源,补充连续变量分析,并在独立资料中固定截点检查。这里没有实施新的独立随访验证,因此只展示选择问题,不声称已经验证任何预后阈值。年龄演示也不构成具体临床分组建议。

运行方法与交付文件
下载文末完整复现包,先解压并保留目录结构,将R的工作目录切换到workbook目录。输入位于data,公共函数位于scripts/common.R,分篇结果位于results。附件保留前序输出,便于单篇学习;如果改变输入、模型或前序参数,应顺序重跑所有受影响步骤,避免新数据与旧结果混用。
Rscript scripts/15.R
本篇脚本会生成三张图和对应表格。先检查日志是否正常结束,再核对实际输出的样本、字段、尺度与正文,不要仅凭文件存在判断运行成功。环境记录来自实际验证,包版本不是自动锁定;安装时需保持R与依赖相容。完整顺序运行入口和原始公开数据整理方法见包内说明,模拟与公开观测数据分别标注。
下面列出本篇完整R脚本。初学者可先原样运行,再在副本中改变一个参数观察影响。保留原始输入,不通过改组别、补造临床字段或删除不合预期的样本来解决报错。遇到缺少文件,首先检查工作目录和前序依赖;遇到数值差异,先核查版本与输入,再解释科学含义。
source("scripts/common.R")
o<-start(15);d<-survival::lung
# 事件编码来自数据字典:1=删失,2=死亡;time单位为天
d$event<-as.integer(d$status==2);d$sex<-factor(d$sex,levels=c(1,2),labels=c("Male","Female"));keep<-complete.cases(d[,c("time","event","age","sex","ph.ecog")]);d<-d[keep,]
fit<-survival::coxph(survival::Surv(time,event)~age+sex+ph.ecog,data=d,x=TRUE);sm<-summary(fit);tab(data.frame(term=rownames(sm$coefficients),sm$coefficients,sm$conf.int,check.names=FALSE),paste0(o,"/cox_estimates.csv"));zph<-survival::cox.zph(fit);tab(data.frame(term=rownames(zph$table),zph$table,check.names=FALSE),paste0(o,"/PH_diagnostics.csv"));tab(d,paste0(o,"/analysis_cohort.csv"))
# 截点扫描只为展示选择过程,最小P值不能当作预设检验结果
cuts<-seq(45,75,2);p<-sapply(cuts,function(c){g<-d$age>c;if(min(table(g))<20)return(NA_real_);a<-survival::survdiff(survival::Surv(time,event)~g,data=d);pchisq(a$chisq,1,lower.tail=FALSE)});tab(data.frame(age_cut=cuts,P=p),paste0(o,"/exploratory_cut_scan.csv"))
fig(paste0(o,"/fig1.png"),{plot(survival::survfit(survival::Surv(time,event)~sex,data=d),col=c("#277D9D","#DF8A49"),xlab="Follow-up days",ylab="Survival probability",main="Observed follow-up, not expression-derived survival");legend("topright",c("Male","Female"),col=c("#277D9D","#DF8A49"),lty=1,bty="n")})
fig(paste0(o,"/fig2.png"),{plot(zph,var=1);title(main="Age: proportional hazards diagnostic")})
fig(paste0(o,"/fig3.png"),{plot(cuts,-log10(p),type="b",pch=16,col="#277D9D",xlab="Exploratory age cutoff",ylab="-log10 nominal P",main="Searching cutoffs changes the testing problem");abline(h=-log10(.05),lty=2)})
运行后先查看实际分析队列的事件与缺失情况,再读系数表和假设诊断,最后看截点扫描。这个顺序避免被最小概率值先入为主地吸引。若替换成自己的数据,应先重写事件编码与时间定义,不能照搬公开示例中的状态二。
修改稿与回复示例
教学原稿:“通过最佳截点证明年龄是独立预后因素。”修改稿:“按公开字典定义事件与随访时间,使用包含年龄、性别和ECOG的Cox模型报告调整后关联,并检查比例风险假设。截点扫描仅为探索性演示,不作为预设阈值的确证证据。”
中文回复示例:“我们明确了事件编码、时间单位和完整病例范围,提供模型系数与假设诊断。多截点扫描被标注为探索性,未将最小名义概率值作为单次预设检验解释。当前分析不代表基因预后模型或临床决策规则。”
英文示例:“We clarified event coding, follow-up units, and the complete-case analysis set, and provide model estimates and proportional-hazards diagnostics. The cutoff scan is exploratory; its minimum nominal P value is not interpreted as a prespecified single test.”
对自己的生存图做一次来源追踪
从图中每条曲线回到样本名单,确认结局、分组和模型来自同一版本。检查删失标记、随访长度和人数信息是否足以帮助读者理解后期曲线的不确定性。若某个时间点剩余观察很少,不要把尾部偶然分离当作稳定差异。
随后核对所有“独立”一词的含义。它可能只是指模型纳入了几个变量,不等于因果独立或外部验证。下一篇讨论审稿人要求补实验时如何划清公共数据与功能证据的边界,将计算线索转成可执行的补证据方案。
实操练习:给生存模型做一份输入字典
字典从时间起点开始,说明随访从诊断、入组、手术还是其他事件计算,终点又是什么。不同起点对应不同研究问题,不能把它们混合后仍称同一种生存时间。随后写明删失规则、状态编码和数据来源,确保每个字段都有可追溯定义,而不是根据变量名推测。
统计模型实际纳入的记录数、事件数和删失数,并与原始资料比较。若完整病例筛选删除记录,列出主要缺失字段和各组影响。事件信息量与总人数都重要,不能只报告大样本数而忽略事件稀少。这里不提供一个适用于所有模型的固定事件数口诀,实际复杂度应结合设计与估计稳定性评估。
检查连续变量的单位和函数形式。本例年龄按年进入模型,因此系数对应每一年差异。若为了表达改成每十年,应正确转换并在图注统一。若怀疑非线性,不能仅通过寻找一个显著截点解决,应考虑适当连续建模与验证,并说明增加复杂度的理由。
打开比例风险诊断表与年龄图,一起判断是否存在需要进一步检查的时间变化。不要只筛选全局概率是否通过,也不要只选择一段看起来平稳的曲线。图形、检验和领域背景应共同参与判断;有限数据下的不显著并不是对假设的肯定证明。
查看截点扫描表,数一数实际尝试了多少个阈值,再观察最小名义概率来自哪个位置。这个数值已经受到搜索影响,不能像只做一次检验那样解释。若真实原稿依赖最佳截点,应补充连续分析并透明报告选择过程;后续验证应固定规则,不能在新资料中再搜索一次后声称同一阈值重复成功。
核对曲线尾部仍在随访的人数。少数记录支撑的后期曲线容易不稳定,不能仅因为尾部明显分开就夸大长期差异。正式图形可根据需要补充风险人数与区间,具体呈现遵循研究问题和期刊要求。本篇简单教学曲线不替代完整临床研究报告。
再检查论文是否把风险比写成风险概率或生存时间倍数。三者不是同一量。若讨论某个固定时间点的概率,需要适合的估计和明确时间点;若讨论模型预测,则还涉及时间相关评价和校准。当前示例主要讲关联模型审查,没有完成完整预后预测开发与验证。
最后追踪“独立预后因素”这一措辞。它常被用来表示在有限协变量模型中仍有关联,却容易被读者理解成因果或普遍有效。可以直接写出调整了哪些变量、效应与区间以及未测量限制,使表达更精确。回复中主动说明这一变化,能帮助审稿人理解统计修正对结论强度的影响。
代码、数据与继续阅读
下载完整返修复现包:20篇R脚本、整理输入、起始结果、运行说明与版本记录。包含公共观测数据、明确标注的模拟与教学模板;不包含新实施的功能干预实验。解压后先阅读README。
承接第14讲:只有ROC不够:校准、误差与简单基线一起评价。
下一篇第16讲:审稿人要求补实验:公共数据能支持到哪一层。
数据与方法来源
数据与方法核查日期:2026年11月16日。本文为教学二次分析;具体适用范围见正文。
需要把方法用到自己的数据中?
如果你需要把审稿意见转成具体分析任务,可以准备去标识的意见摘要、数据类型、当前脚本和主要证据缺口,沟通适合的核查范围与交付材料。 联系云生信,说明当前研究任务。
