背景在组学与多组学研究的高维、多块场景中开展生存分析因多重共线性、事件变量比EPV偏低、模型可解释性有限面临重大方法学挑战。Cox比例风险模型应用广泛但无法适配高维数据机器学习方法可处理数据复杂度却普遍缺乏可解释性基于偏最小二乘PLS的生存模型是折中方案但现有工具在模型优化、评估与解释方面功能不足。sotacameio.upv.es#生存分析 #高维数据 #多组学 #变量选择 #偏最小二乘方法Coxmos中的生存模型图1Coxmos软件包面向高维HD与多块MB数据集生存分析的功能概览Coxmos针对高维HD、多块MB数据集生存分析的全功能流程涵盖探索性分析与数据处理、生存模型构建、模型评估对比、模型验证、模型解释、生存预测6大模块支持单矩阵与多块数据集输入集成Cox系列、单块/多块sPLS系列模型。实验数据表1本文分析的多组学研究信息包含数据类型、患者数量、变量数量、事件数、删失率、事件变量比EPV。结果本文推出CoxmosCRAN R包整合适配高维数据的改进Cox回归、变量选择方法及专为高维/多块数据优化的PLS系列模型同时提供验证、对比、解释与可视化工具。在乳腺癌、头颈部鳞癌、卵巢癌等临床、单组学、多组学癌症数据集上的基准测试表明Coxmos性能优于主流机器学习方法且可解释性更强。本文通过卵巢癌、头颈部鳞癌个案例展示Coxmos功能证实其可支撑复杂高维、多块生存分析中的模型选择、验证与生物学解释。临床与单组学高维方法对比图2基于测试集计算的一致性指数C-Index在5%显著性水平下的最小显著差异区间A临床与单组学数据中高维方法和机器学习方法的对比B多组学数据中高维、多块与机器学习方法的对比。表2 基于稀疏偏最小2乘sPLS的生存方法对比从核心机制、性能、变量选择、可解释性、计算成本维度对比sPLS-ICOX、sPLS-DRCOX、sPLS-DACOX。多组学多块方法对比表3 多块偏最小2乘生存分析策略对比从分块调参灵活性、组间关联考量、预测性能、变量选择稳定性、计算成本维度对比单块SB、迭代单块iSB、多块MB策略。卵巢癌案例分析图3高级别浆液性卵巢癌HGSOC数据集中各时间区间的患者与生存事件分布按天数区间划分展示删失样本与死亡事件的数量分布。表4HGSOC数据集训练集各组学块的事件变量比EPV包含拷贝数变异CNV、基因、甲基化、miRNA四个组学块的EPV值。图4Coxmos生存模型在HGSOC数据集测试集上的曲线下面积AUC展示各sPLS系列模型与CoxEN模型在测试集上的AUC数值对比。图5基于sPLS-DRCOX模型的HGSOC数据集Coxmos分析结果A模型及显著PLS组件的Schoenfeld残差检验与绘图B展示显著组件风险比及95%置信区间的森林图C基于训练集左与测试集右的各组件AUC分解D不同分组的线性预测值LP密度图E前10个变量的伪β系数估计值F线性预测值在训练集左与测试集右上的Kaplan-Meier曲线。表5 HGSOC数据集上sPLS-DRCOX模型的分析结果包含各显著PLS组件的系数、风险比、标准误、稳健标准误、z值、P值。结论Coxmos为高维、多块数据生存分析提供稳健、灵活、可解释的解决方案融合优化PLS方法、严谨评估体系与丰富可视化工具可实现可靠生存预测助力复杂生物医学研究中风险/保护因素的识别。该包填补了方法学空白是大数据场景下可重复、可解释生存建模的重要工具。数据癌症基因组图谱计划TCGA2025版https://www.cancer.gov/ccg/research/genome-sequencing/tcga代码CRANhttps://cran.r-project.org/web/packages/Coxmos/index.htmlGitHubhttps://github.com/BiostatOmics/Coxmos分析https://github.com/BiostatOmics/Coxmos_scripts详细总结思维导图实验数据集TCGA多组学高维sPLS-COX方法核心对比多组学分析策略对比参考BioData Min. 2026 May 15. doi: 10.1186/s13040-026-00559-9.Coxmos: interpretable survival models for high-dimensional and multi-omic data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。