企业官网建设流程全解析

1. 为什么KMplot能成为生存分析的入门首选

先聊聊我接触到这个工具的契机。大概五六年前，我在做某个基因在乳腺癌中的功能验证，老板看完机制实验后甩了一句："补个生存分析吧，看看这个基因高表达是不是预后不好。"当时实验室没有生信平台账号，R语言我也只会画个火山图，TCGA的数据下载下来还要自己清洗、标准化、匹配临床信息，一套流程走下来没有两周搞不定。

后来师兄给我推荐了KMplot这个在线网站，当天下午我就拿到了那张带P值和HR值的生存曲线图，直接放进组会PPT里。后来几年接触的课题越来越多，我越发觉得这个工具虽然操作简单，但很多人在用的时候其实是懵的——点开网页、输入基因、点Go，然后截图保存，根本不知道横轴纵轴代表什么，也不知道哪些参数能调、调了之后结果为什么变了。

这篇就系统梳理一下KMplot的使用逻辑，不光是教你怎么点击，更重点讲清楚每一步背后的统计含义、常见坑，以及什么情况下这个工具的结论能进文章、什么情况下会被审稿人挑刺。

先说这个工具到底是干什么的。KMplot是一个在线的生存分析平台，主要基于公共数据库中的基因表达数据和临床随访数据，帮你快速评估某个基因（或一组基因）的表达水平与患者生存期之间有没有显著关联。它用的核心方法是Kaplan-Meier生存曲线加log-rank检验，同时还会给出风险比HR和95%置信区间。

它覆盖的数据源包括：

• TCGA（癌症基因组图谱）中多种癌型的表达谱和临床数据
• GEO（基因表达综合数据库）中的芯片数据，主要在mRNA层面
• 部分癌种还提供蛋白层面（基于抗体芯片或质谱）和miRNA层面的分析
• 现在也加入了多基因面板分析，不过这个后面我会专门讲它的局限

KMplot能解决的典型问题是："我这个候选基因，在某种癌里高表达的病人是不是活得更短？"在文章里最常见的使用场景就是补充一个Figure：某个基因在不同癌型中的总生存期OS曲线，配上HR、P值，说明这个基因有预后价值。

2. 老版本界面解析：跑通第一张生存曲线

现在打开kmplot.com，界面跟几年前已经不太一样了，但核心功能区还是那几个。我建议第一次用的人还是从mRNA的"mRNA gene"进入，先别碰那些看起来很酷的蛋白、miRNA、多基因模块。

2.1 从哪个入口进：mRNA才是全功能入口

主页上一般会看到几个模块：mRNA gene、mRNA miRNA、protein、multi-gene等。对于"我就想看一下某个基因跟生存期的关系"这种需求，直接选mRNA gene就对了。原因是这个模块的数据量最全，支持的癌种最多，可调节的参数也最丰富，后面你如果想做点稍微精细的分析（比如限定某个分期、某个亚型），也只有这个模块能实现。

点击进去之后会看到一个输入框和癌种选择列表。我见过很多人上来就输基因名，然后发现列表里的癌种没选对，导致出来的曲线是个不相关的结论。其实这两个字段是配合使用的，先想清楚你的研究背景——我在做肺癌，我就选Lung cancer；我在做乳腺癌，就选Breast cancer。如果某个基因在泛癌层面都有关注价值，可以先选Pan-cancer跑一版整体趋势，再逐个癌种验证。

2.2 参数面板里每一项都是什么意思

输入基因和选择癌种后，页面上会出现一堆默认参数，主要有这么几个：

这里首先要搞清楚一个概念：生存分析需要把患者分成两组（或者多组）才能比较生存曲线，而这个"分组"不是临床给的，是需要你根据基因表达值来切的。怎么切？最常用的是按中位数切，就是把所有患者的表达值从小到大排序，取中间值，高于中间值的算"高表达组"，低于的算"低表达组"。

但是默认会勾选一个"Auto select best cutoff"，这个选项的意思是：不按固定切点，而是遍历所有可能的表达值切点，找到一个让两组生存差异最显著的阈值。它的优点是曲线通常很好看、P值很小，但代价是容易过拟合。审稿人如果问起来，你不一定能拿出先验理由解释为什么选了这个切点，而不是按中位数。

所以我的建议是：第一次探索性分析可以看一下best cutoff的结果，但如果要写进文章，尽量用中位数切分或官方给出的固定切点，同时附上两种切法的结果做敏感性分析。

2.3 实操演示：以TP53和肺癌为例

我拿一个基因具体走一遍流程。假设我在研究肺癌，想看看经典抑癌基因TP53的表达跟总生存期（OS）的关系。

1. 选择癌种为Lung cancer
2. 在基因框里输入TP53，点击Go
3. 页面刷新后出现两条曲线：红色是高表达组，黑色是低表达组
4. 图表上方会显示：HR（风险比）、P值、两组人数和事件数

拿我之前跑的结果举例：某次跑出来HR大约1.7，P值小于0.001，这说明在肺癌队列里TP53高表达的患者死亡风险是低表达的1.7倍，而且这个差异在统计学上非常显著。

这里需要强调一下HR的读法，因为真的有很多刚入门的同学会搞反：

• HR大于1：高表达组的风险比低表达组高，是"坏基因"
• HR小于1：高表达组的风险反而更低，是"好基因"
• HR的置信区间跨过1，或者P值大于0.05，那就是没有显著差异

曲线图本身也好理解。横轴是随访时间（月或年），纵轴是生存概率，曲线的阶梯式下降代表有患者死亡（或发生终点事件）。两条曲线分得越开，说明高低表达组之间的生存差异越大。

3. 面板参数背后的统计逻辑：切分、探针和多重比较

很多教程会在"点Go出图"这一步就结束，但如果只是这样用KMplot，其实很浪费。因为它能调节的这几个参数，本质上是让你理解生存分析里几个核心的统计决策点。搞清楚这些，你才能判断一个结果到底靠不靠谱。

3.1 中位数切分 vs Best Cutoff vs 自定义切分

除了前面提到的中位数切分和最佳切分，KMplot还允许你自定义切分点：输入一个表达值，高于它的算高表达，低于的算低表达。这个功能适合什么场景？比如某个基因在文献里已经有了公认的阈值，你想看一下按那个阈值分组在这个数据库中能不能复现。

三种切法有各自的使用场景：

• 中位数切分：最保守，不挑数据，适合探索性分析，但有时候结果不显著，因为两组差异被拉平了
• Best cutoff：最大化差异，适合筛选候选基因，但必须意识到这种"最大化"本质是在做一个搜索过程，P值有膨胀风险
• 自定义切分：适合验证特定生物学阈值，更贴近临床应用的逻辑

放在一起看，你会发现KMplot其实承载了两种不同的分析哲学：一个是"想确认一下基因跟预后有没有关系"的验证逻辑，另一个是"想找一个能把人群分得很开的最佳阈值"的探索逻辑。你在心里得清楚自己属于哪一种，再决定用哪种切分方式。

3.2 多探针的取舍：为什么同一个基因会出多个结果

刚开始用KMplot的人经常遇到一个困惑：输入一个基因，下拉框里出现好几个以数字编号结尾的选项，比如200045_at、200046_at这些。这是芯片时代的遗留问题——同一个基因可能对应多条探针序列，每条探针测到的信号值略有不同。

KMplot默认会选"best probe"，即所有探针里生存分析结果最显著的那一条。同样，这在筛选阶段是高效的，但写进文章的时候建议看一下其他探针的结果趋势是否一致。如果三条探针里只有一条显著，其他几条P值都很大甚至方向相反，那这个"显著性"就要打问号了，可能只是探针特异性的噪声导致的结果。

从表达定量技术的发展来看，现在高通量测序（RNA-seq）时代已经不太存在"多探针"的问题了，一个基因的count值或者TPM值就是唯一值。但GEO里大量历史芯片数据还是多探针格式，KMplot恰恰又把这部分数据也纳入了，所以理解探针逻辑仍然有用。

3.3 Follow Up Threshold怎么用才合理

Follow up threshold这个参数我见过90%的人从来不碰。它做的事情是：只看前N个月的随访数据，超过N个月的患者直接删掉不纳入分析。

它的作用场景主要在于：有些数据库随访时间很长，但远期患者数量很少，导致曲线尾部"摇摇欲坠"，置信区间极宽。这时候限制在比如120个月（10年）内，可以让比较更集中在数据稠密的区间。

这个参数在临床上也有实际意义。比如某些癌症的生存风险主要集中在诊断后前5年，5年后还活着的患者基本进入平台期，那分析前5年的生存差异可能更贴合临床关切。

调整它对结果的影响幅度因人而异，有些基因在任何随访阈值下都显著，有些基因只在特定时间窗口内显著。我的建议是：至少尝试默认全时限和120个月（或60个月）两种，如果结论方向一致，在文章里可以直接报告全时限结果；如果不一致，你得想清楚哪种更符合你的研究假设。

4. 选择合适的癌种队列：肺癌、乳腺癌还是泛癌

KMplot最有价值的地方之一，是它把多个数据库的队列整合在一个界面里，省去了你自己去GEO下载、整理、重新分析的巨大工作量。但这个"方便"同时也带来了一个隐患——你得知道当前跑出来的结果到底来自哪个队列、样本量多少，否则下游解读很危险。

4.1 队列是谁：别把TCGA和GEO混为一谈

以肺癌为例，KMplot的Lung cancer模块底下其实是好几个数据集的集合，主要来自多个GEO芯片数据集以及TCGA RNA-seq数据。每个队列的样本量、种族构成、治疗情况、分期分布都可能不一样。页面顶部会显示当前分析的样本量，比如"n=1926"，你要养成看一眼的习惯。

不同数据库的结果有时候会打架。同一个基因，在TCGA里高表达显著跟预后差相关，但在某个GEO队列里可能P值很大、趋势也不明显。这背后的原因很复杂：可能是样本处理方式不同，可能是统计功效不一样，也可能反映了真实的人群异质性。

我的处理原则是：先跑Pan-cancer建立整体直觉，再聚焦到目标癌种看具体结果。如果目标癌种里有多个队列可选，尽量每个都跑一下，看方向和显著性是否稳定。如果所有队列都趋势一致，这个结论的说服力强得多。

4.2 早期探索和论文正式分析的分工

KMplot很适合做早期探索，就是那种"几十个候选基因快速过一遍"的场景。每个基因只需要几十秒就能拿到HR、P值和曲线，用来做初步筛选性价比极高。但到了论文正式分析阶段，通常还是需要用R语言从原始数据重新分析一遍，原因有三个：

1. KMplot的可复现性记录有限——你选了什么参数、调的什么切点，虽然页面会显示，但不同研究者操作可能不完全一致
2. 审稿人可能要求更精细的分层或协变量校正，KMplot不具备多因素Cox回归功能
3. KMplot只能做总生存期OS，无病生存期DFS、无进展生存期PFS等指标覆盖不全面

所以我通常这么安排工作流：先用KMplot确定哪些基因值得做，再用R（比如用survival包和survminer包）从TCGA官方数据重新验证，最后再补一些KMplot没有的功能，比如多因素分析、ROC时间依赖曲线等。

有个常见的反面教训是：文章里的图直接截KMplot的网页结果，方法学部分又写着"数据来自TCGA"，但KMplot里的TCGA数据实际上是经过第三方整理的版本，而且某些队列混合了芯片和测序数据，这种不一致如果被审稿人抓到，轻则让你补分析，重则影响对文章数据可靠性的信任。

5. 结果解读与图表保存：要截图还是下载数据

KMplot的结果页面信息量不小，但很多人只取了那张曲线图就完事了。实际上页面上还有一些关键数字值得单独记录，而且对于后续复现或写方法学部分，这些数字比一张图更有价值。

5.1 哪些数字必须记下来

一张标准的KMplot结果页，通常会显示：

• 样本总数n
• 两组各自的样本量
• 事件数（死亡或复发等终点事件数量）
• HR值
• 95%置信区间
• log-rank P值

我做训练营分享的时候反复跟学员强调：**至少把HR和P值抄到自己的实验记录本上。**因为很多人过一两周回来看截图，曲线还在但上面的数字模糊了，根本没法写进文章。如果你不只是用KMplot做探索，还准备把它作为正式结果，那就更应该把这些参数整理成一个表格，跟基因名、队列名、切分方式一一对应。

5.2 图像导出的几种路径

KMplot生成的图像，导出主要有两种方式：

• 直接截图：浏览器截图或者系统截图，适合快速记笔记
• 下载原始小图：页面上有时会提供图片下载链接，但分辨率一般，只够PPT用

如果论文需要出版质量的图，还是建议用R重新画。kmplot的好处在于给了你统计结果和曲线形态的初步判断，你要做的是复现它的统计结果，再画一张更规范、更漂亮的图用于正式发表。很多人理解反了，觉得在线工具有个图就能用，结果分辨率不够、字体不对，反复折腾，反而浪费时间。

5.3 OS和RFS别搞混

KMplot在多数癌种里默认提供的生存终点是Overall Survival（总生存期），也就是从诊断或手术到死亡的时间。但有时候你看到某些模块提供的是Relapse Free Survival（无复发生存期），这两个指标的临床含义完全不同，如果混着用，结论解读会出大问题。

• OS关注的是"活多久"
• RFS关注的是"复发与否" 对某个基因来说，它可能只跟复发风险相关，对总生存期没有影响；反过来也有可能。所以写文章的时候，一定要明确自己用的到底是哪个终点，描述为"KMplot analysis showed that high expression of X was associated with worse overall survival"，还是"worse relapse-free survival"，不能含糊。

6. 进阶场景：多基因面板、蛋白和miRNA模块的边界与坑

KMplot除了最基础的mRNA单基因分析，还加入了几个进阶模块，表面上看功能更丰富了，但实际使用的时候边界感得把握清楚。我对这几个模块的评价是：能用来做佐证，但不要作为核心结论的唯一来源。

6.1 多基因面板：思路有亮点，但要小心过拟合

多基因模块允许多个基因同时输入，然后根据表达模式给患者打分分组。这个思路接近临床上"基因签名"（gene signature）的概念——用一个基因组合的风险评分来预测预后，确实比单基因更有说服力。

但实际跑的时候你会发现几个问题：

• 基因组合是研究者自己指定的，KMplot不会帮你做LASSO或者逐步回归来选择最优基因，评分权重也是简化的
• 没有独立验证集的概念，容易过拟合
• 面板里基因数量多了以后，两层交叉验证的可靠性存疑

我的建议是：如果想用多基因签名，还是用R按标准流程来，包括训练集和验证集划分、风险评分模型构建、时间依赖ROC评估、多因素校正等。KMplot的多基因模块当成一个在线快速验证工具就好。

6.2 蛋白和miRNA模块：数据量是硬约束

蛋白模块用的是少数蛋白组学数据集，miRNA模块的数据集也比较有限。这意味着一个基因在蛋白层面可能只有几百例样本，而且是特定的队列，代表性不如mRNA层面的数千例。数据分析稳定性和结论可推广性都有限。

结论是：如果你的文章核心场景是mRNA表达和预后的关系，那就老老实实用mRNA模块；蛋白或者miRNA模块可以作为额外角度的补充展示，但要说明数据来源和样本量限制。

6.3 怎样把这些模块串起来讲一个完整故事

话说回来，如果你能合理组合这些模块，文章的故事会很丰富。一个比较典型的结构是：

1. 用mRNA模块说明基因表达与OS/RFS的关系（主证据）
2. 用蛋白模块说明"表达层面的一致趋势"（如果需要证明转录后没有反转）
3. 用多基因模块做一个简单补充（如果需要说明组合风险评分的潜力）

但无论怎么组合，最终正式分析一定要有基于原始数据复现的结果做支撑。我在自己的文章里，KMplot结果通常放在附图或正文的探索性分析部分，方法学里明确写了使用的数据库版本、切分方式和统计方法。这样既利用了在线工具的效率，又保证了分析的可复现性。

7. 本地复现：用R复刻KMplot结果的关键步骤

讲了这么多KMplot的操作和逻辑，最后落回一个老生常谈但很关键的问题：如果是认真要做科研，KMplot出结果只是第一步，你需要知道怎么复现它。这个部分我直接给一套可操作的思路。

7.1 数据准备

复现的大前提是拿到跟KMplot相同的数据源。TCGA的RNA-seq数据（比如HTSeq-Counts或HTSeq-FPKM）可以直接从官方GDC或UCSC Xena下载。你需要的三样东西：

• 表达矩阵（基因×样本）
• 临床随访表（含生存时间、生存状态）
• 探针/基因ID转换表（如果是从GEO下载芯片数据）

7.2 核心代码逻辑

下面以TCGA-LUAD为例，展示用R复现一个基因的KM分析的核心代码。注意这只是核心框架，实际使用需要根据数据格式做调整。

library(survival) library(survminer) # 读取表达矩阵和临床数据 expr <- readRDS("tcga_luad_expr.rds") # 基因×样本 clin <- readRDS("tcga_luad_clin.rds") # 含time, status列 # 提取目标基因表达量 gene <- "TP53" gene_expr <- as.numeric(expr[gene, ]) # 按中位数分组 group <- ifelse(gene_expr > median(gene_expr), "High", "Low") group <- factor(group, levels = c("Low", "High")) # 生成生存对象并拟合KM曲线 fit <- survfit(Surv(time, status) ~ group, data = data.frame( time = clin$time, status = clin$status, group = group )) # log-rank检验 diff <- survdiff(Surv(time, status) ~ group) p.val <- 1 - pchisq(diff$chisq, df = 1) # 用Cox回归拿HR cox <- coxph(Surv(time, status) ~ group) hr <- exp(coef(cox)) ci <- exp(confint(cox))

7.3 结果对比的要点

复现完成后，拿你得到的HR、P值和KMplot页面上显示的数值做对比，正常情况下应该非常接近。如果偏差很大，最可能的原因是：

• 切分方式不同（你用了median，但KMplot默认best cutoff）
• 数据集版本不一致（KMplot用的TCGA数据可能是旧版本，你去GDC下载的是最新版）
• 临床数据清理规则不同（比如是否删除了随访时间为0的样本）

这一步对比本质上是给自己的结果做质控。如果复现不出来，你就得想清楚问题出在哪，而不是直接拿一个工艺不明的KMplot截图去应付审查。

我个人在实际操作中比较喜欢把KMplot当"快速排雷器"用：跑几十个基因，能显著的就那几个，其他的就不用浪费R跑一遍了。等筛选完了，再对显著基因从头认真复现、做多因素校正、画森林图。这样既享受到在线工具的便利，又不让自己的正式分析变得草率。

最后再分享一个小技巧：KMplot的结果跟本地复现一旦对应上，你可以保留一份操作日志，里面记录日期、基因名、癌种、探针ID、切分方式、HR、置信区间和P值。这个习惯帮我节省过大量"这个结果到底怎么来的"的追溯时间。生存分析本来就是一项需要严谨对待的统计任务，工具可以帮你省力，但没法替你做判断。