摘要传统Kaplan-Meier生存曲线仅能实现群体层面生存趋势统计忽略患者个体异质性个体化生存模型可结合患者临床与基因组特征生成专属生存曲线便于医患沟通。但多组学数据高维度、异质性特征极大提升建模与解析难度。为此本文开发CPSM一体化R程序包整套分析流程划分为4大模块共10项核心函数① 数据预处理与标准化② 特征筛选③ 生存风险预测建模④ 可视化与列线图绘制。基于TCGA胶质母细胞瘤 (GBM)、急性髓系白血病 (LAML)、胰腺腺癌 (PAAD)、浸润性乳腺癌 (BRCA) 类公共数据集完成工具验证该软件可处理超6万条转录本的超高维数据依托重复交叉验证不确定性量化实现稳健个体化生存预测。综上CPSM为整合多源数据、开展个体化肿瘤预后评估提供易用、完整的分析方案程序开源发布于Bioconductor与GitHub平台。https://github.com/hks5august/CPSMumamail.nih.gov#癌症 #生存 #预测 #生物信息学 #R包 #生物标志物材料与方法程序架构与核心函数图1CPSM整体分析流程框架示意图结果表14种癌症各模型生存概率预测性能汇总内部5折交叉验证独立测试集C指数、平均绝对误差MA、综合布里尔分数IBS表24种癌症各模型风险分层预测性能汇总内部5折交叉验证 独立测试集错分率、准确率、灵敏度、特异度与现有程序对比表3CPSM与主流生存分析R包功能对比详细总结思维导图参考Gigascience. 2026 Jun 2:giag067. doi: 10.1093/gigascience/giag067.CPSM: An R Package for Cancer Patient Survival Risk Model Using Transcriptomics and Clinical Data260602CPSM.pdf注AI辅助创作如有不当欢迎指出。内容仅供参考不构成任何建议。
