|
R语言绘图之ROC曲线进阶版
大家好，我是阿琛。在上一期的内容中，从SPSS和R软件出发，我给大家介绍了ROC曲线的简单绘制方法（临床生信SCI加分必备！ROC可视化教程看这篇就够了！你一定要试试！ ）。今天我们一起来看看如何将得到的ROC曲线进行美化，以及更进一步衍生。
下面，我们一起来看下ROC曲线各种进阶版本的绘制方法。
R包的安装与引用
首先，自然是R包的安装与引用过程。特定的分析功能，需要相应的程序包来实现。在上周的内容中，我们给大家介绍了ROCR包的使用方法。在此，我们以pROC包为例，给大家讲解一下整个的绘制过程。
#install.packages( "pROC")
library(pROC)
数据的整理与载入
rt < -read.table(" exp.txt", header= T,sep= " ", check.names= F,row.names= 1)
head( rt) #查看数据集前 6行内容
可以发现，该数据集包含病人名称（ID），组织类型（Type），以及两个不同的基因表达水平（VCAN和TP53）等变量内容。
str(rt) #查看变量相关信息
同时，使用str函数，提示数据集中一共有407例样本，其中32例为正常样品，375例为肿瘤样品。本次分析的目的是为了探究VCAN和TP53基因对区分患者正常和肿瘤的能力，并比较两者之间是否存在差异。
构建ROC预测模型
随后，利用roc函数，分别构建两个不同的预测模型。
ROC1<- roc(rt $Type, rt $VCAN,
levels = c( "Normal", "Tumor"))
ROC2 <- roc(rt $Type, rt $TP53,
levels = c( "Normal", "Tumor"))
ROC1 #查看模型的预测效能
ROC2 #查看模型的预测效能
结果显示，对于预测375例肿瘤组织和32例正常样品，VCAN和TP53基因的ROC曲线下面积分别为0.8535和0.7582。
▲ ROC1的分析结果展示
▲ ROC2的分析结果展示
绘制ROC曲线
1、绘制ROC曲线及平滑拟合
#绘制ROC曲线
plot(ROC1,
col = 'red', #设置曲线颜色
legacy.axes = TRUE, #使x轴变为1-Specificity
xlab = "1-Specificity")
首先，我们先通过plot函数，将ROC曲线的最简图形绘制出来。
#拟合平滑的ROC曲线
plot(smooth(ROC1, method= "density"), #使用smooth函数进行平滑拟合
add = FALSE, #不添加到上一个图层
col = 'red', #设置曲线颜色
legacy.axes = TRUE, #使x轴变为1-Specificity
xlab = "1-Specificity")
柔美的线条总是更具优势，也符合大家的审美需求。通过smooth函数，对上图中的曲线进行简单的拟合，从而得到了一个新的ROC曲线。
2、添加可信区间
plot(ROC1)
ROC3 <- ci.sp(ROC1,
sensitivities = se q(0, 1, 0.01), #评估CI的敏感性
boot.n = 2000) #重复计算次数，默认为2000次
plot(ROC3,
add = FALSE, #不添加到上一个图层
type = "shape", #置信区间的类型
col = 'red')
接着，基于ci.sp函数，通过2000次重复计算，对预测模型进行不断的拟合，最终得到ROC曲线在不同取值时所对应的95%可信区间。
3、添加AUC，阈值等参数
plot(ROC1,
add = FALSE, #不添加至上一图层
col = 'red', #设置曲线颜色
legacy.axes = TRUE, #使x轴变为1-Specificity
xlab = "1-Specificity",
print.auc = TRUE,
print.auc.x = 0.5, #输出auc值的x轴位置
print.auc.y = 0.5, #输出auc值的y轴位置
print.thres = TRUE)
结果显示，在VCAN表达预测患者正常和肿瘤组织时，取其表达量为5.835时为最佳的截断值（cut-off value），且其特异性为0.938，灵敏性为0.739。
4、绘制两条曲线并比较p值
#绘制2条ROC曲线
plot(ROC1,
col = 'red', #设置曲线颜色
legacy.axes = TRUE, #使x轴变为1-Specificity
xlab = "1-Specificity")
plot(ROC2,
add = TRUE, #添加至上一图层
col = 'blue', #设置曲线颜色
legacy.axes = TRUE, #使x轴变为1-Specificity
xlab = "1-Specificity")
legend( 0.2, 0.2,
lwd = 2,
legend = c( "VCAN", "TP53"),
col = c( "red", "blue"))
与之前介绍的内容一样，通过将add参数的值修改为TRUE，即可将两个曲线显示哥同一个图层中，其中红色和蓝色曲线分别代表VCAN和TP53两个基因。
#比较并添加p值
test<- roc.test(ROC1, ROC2) #对两条ROC曲线进行比较
text(0.6, 0.2, #设置坐标轴位置
adj = c(0, 0.5),
labels = paste0( "P value =", format.pval( test$p.value))) #添加p值
对两条曲线进行比较，结果显示，P = 0.00875 <0.05，即两条曲线之间存在显著性差异，说明VCAN的预测效能显著高于TP53基因，结果图如下图所示。
终极版本
plot(ROC1,
add = FALSE, #不添加至上一图层
col = "red", #设置曲线颜色
legacy.axes = TRUE, #使x轴变为1-Specificity
xlab = "1-Specificity",
main = "ROC Curve for VCAN", #添加标题
print.auc = TRUE,
auc.polygon = TRUE, #将auc曲线下面积转换为多边形
auc.polygon.col = "#fff7f7", #设置多边形的填充色
grid = c( 0.5, 0.2), #设置两轴网格线的间隔为0.5，0.2
grid.col = c( "black", "black"), #设置两轴网格线的颜色
print.thres = TRUE)
legend( 0.25, 0.2, #设置位置的x轴和y轴坐标
lwd = 2,
legend = "VCAN",
col = "red") #颜色与ROC曲线的颜色一致
除了讲解提到的添加，在plot函数中还有许多参数可供大家进行修改。在此，我们将前面的内容进行综合，并增加了一些其他相关图形美化的参数，得到了最终版本的ROC曲线。
回顾一下，在上一期ROC内容的基础上，我们通过pROC包为演示，展示了曲线平滑化，cut-off值的添加，两条ROC曲线比较等内容。好啦，本次的讲解就到此为止了，大家多多练习，掌握该项绘图技能~~~
|
