有的时候我们会发现，单因素cox回归某个基因对生存有意义，当以中位值绘制生存曲线的时候，却变得没意义了。
这是因为中位值并不是这个基因最合适的截断值，因此，我们需要选择最合适的截断值。
选择截断值的软件目前比较火比较方便的便是X-tile软件。
X-tile 软件
X-tile软件长这样：
如果把x-lite软件得到的截断值写进论文，需要引用人家的原始论文，论文在软件官网可以查到。官网地址在软件开始页面左上角。
点击 Analyze 即可开始分析。
可以看到，分析所需要的数据分为三种：Censor，Survival Time，Marker。
接下来准备输入数据：
数据需要三列，列名没有要求。Censor一列为生存状态，生存为0，死亡为1。Survival Time一列为生存时间，单位为日、周、月、年均可。Marker为我们要研究的变量，这里以基因表达量为例。
数据的格式为txt（文本文件，制表符分隔）。相关代码如下：
write.table(a, file = "1.txt", row.names = F, sep = "\t")
准备好数据之后，选择文件开始分析。
将左侧的各项Load到右侧。
然后依次点击如下图：
得到如下五张图：
最上面一张图是各种计算值。
中间左侧一张图有一个大的三角形和一个矩形，三角形横轴表示低表达人数逐渐增加，纵坐标表示高表达人数逐渐增加。点击三角形任意位置可将总人数分成差异最大的三组，点击矩形的任意位置可将总人数分成差异最大的两组。分组的截断值展示在中间的条形图中。其生存曲线在最右侧的图中。
点击三角形的结果如下：
点击矩形的结果如下：
把cut-off值记下来，然后用R语言做生存曲线。
对于生存数据寻找截断值，上述软件可快速找到最优截断值。图中的截断值为0.8。
survminer::surv_cutpoint确定截断值
需要的生存数据同X-tile，三列数据：time为年、周、月、日均可，event为生存状态，生存为0，死亡为1，variables为变量，如基因表达量。
tmp <- surv_cutpoint(meta, time = "time", event = "event", variables = "gene") # cut_off <- as.numeric(tmp[["cutpoint"]][1, 1])
上述与X-lite相同的数据，survminer::surv_cutpoint得到的截断值为0.837。
tinyarray::point_cut确定截断值
生信技能树写的R包，用的也是survminer::surv_cutpoint函数，用了for循环批量得到基因的截断值。
这个R包中其他函数也有 cut.point = T 的参数，可以直接用。survivalROC::survivalROC确定截断值，并画出ROC曲线
需要的生存数据同X-tile，三列数据：time可谓年、周、月、日均可，event为生存状态，生存为0，死亡为1，variables为变量。
cutoff <- 60 # 随访截止时间，3年，5年或10年等，具体看time的格式是日、月、还是年。
Mayo4.2 = survivalROC(Stime = meta$month, # 生存时间，可以是日、月、年
status = meta$status, # 生存状态，生存为0，死亡为1
marker = meta$LINC01602, # 研究变量，如基因表达量
predict.time = cutoff, # 预测截止时间
method = "KM")
cut.op = Mayo4.2$cut.values[which.max(Mayo4.2$TP - Mayo4.2$FP)] #计算最佳截断值
plot(Mayo4.2$FP, Mayo4.2$TP, type="l", xlim = c(0,1), ylim = c(0,1),
xlab = paste( "FP", "\n", "AUC = ", round(Mayo4.2$AUC, 3)),
ylab = "TP", main = "Mayoscore 4, Method = KM \n Year = 1") # 画ROC曲线，如果需要的话
abline(0,1) # 给ROC曲线加辅助线
legend("bottomright",c("Xgene expression"),col="red",lty=c(1,1))
上述与X-lite相同的数据，survivalROC::survivalROC得到的截断值为0.6762。
后续可以按照前述方法整理数据进行生存分析等。同时我们也使用R软件画出了survivalROC曲线，计算了曲线下面积（AUC）：
survivalROC曲线，AUC=0.663。
