生存分析是什么，什么时候用
生存分析（Survival Analysis）是处理”到事件发生的时间”这类数据的统计方法，因最早用于医学上患者生存期比较而得名。在生物学实验室常见应用：
- 动物实验：比较不同给药组小鼠的生存期（肿瘤模型、药物治疗）
- 细胞存活：比较不同冻存条件下、不同复苏方法下细胞存活率随时间变化
- 细胞毒性 / 药物 LD₅₀：不同浓度药物处理下，细胞死亡时间曲线
- 分子事件：报告基因到达表达阈值的时间、细胞迁移穿越 Transwell 膜的时间等
核心特点是存在截尾（Censoring）——有些实验个体在实验结束时事件还没发生（比如小鼠还活着），或中途退出实验（比如意外死亡、处理错误）。这种数据 t 检验 / ANOVA 处理不了，必须用生存分析方法。
实验设计与数据准备
必须记录的三个要素
每一只小鼠 / 每一个样本，需要记录：
| 要素 | 含义 | 示例 |
|---|---|---|
| 分组 | 它属于哪一组（Control / Drug A / Drug B 等） | Control |
| 时间 | 从实验开始到事件发生（或实验结束 / 截尾）的时间长度 | Day 18、Day 25 |
| 事件状态 | 在该时间点，“事件发生了”还是”截尾了” | 1 = 事件发生（如小鼠死亡），0 = 截尾（如小鼠还活着 / 实验终止时仍存活） |
截尾（Censoring）的三种情况
- 右截尾（最常见）：实验截止日该动物仍存活，或中途因非实验原因丢失
- 左截尾：事件在某次检查之前就发生了，但不知道具体时间
- 区间截尾：事件发生在两次检查时间之间（动物实验通常是每日观察一次，所以事件发生在 Day 17 与 Day 18 之间，记录为 Day 18，属于区间截尾简化为右截尾）
截尾数据是有效数据，不能删！ 很多同学做生存分析时，把最后还活着的动物直接删掉，只统计死的——这会严重高估死亡率（删了存活贡献的信息）。截尾动物虽然不知道具体死亡时间，但提供了”它至少活了这么久”的重要信息。
动物实验数据示例
假设做了 3 组（Control、Drug Low、Drug High），每组 10 只小鼠，每日观察死亡情况，实验持续 40 天：
Group Time(days) Status
Control 15 1（死了）
Control 17 1
...
Control 40 0（到 Day 40 仍活着，截尾）
Drug Low 21 1
...
Drug High 31 1
...
Drug High 40 0（2 只还活着）每组 10 条记录，不要取均值、不要提前汇总，GraphPad 需要的是单只动物一行。
GraphPad Prism 操作步骤（8.x / 9.x / 10.x 通用）
第 1 步：新建数据表格
- 启动 GraphPad Prism，New Project
- 在左侧选择 Survival 类型的数据表
- 数据格式选项：
- Enter/import raw data for each subject in a column structure → 选择 “Grouped” 数据格式（适合多组比较）
- 或新版 Prism 直接选 “Survival → Start with sample data to follow a tutorial” 也可以，先看示例
- 创建 3 个子列 × N 行（取决于最大动物数，通常 15 行就够）
第 2 步：数据录入
两种录入方式，选一种即可：
方式 A：一列式（推荐，有分组标签）
如果 Prism 版本允许 Survival 表直接录入，采用”长表格式”：
- 一列 Group（Control/Drug Low/Drug High）
- 一列 Time（时间数字）
- 一列 Status（1/0，事件或截尾）
方式 B：分组结构式（旧版 Prism 默认）
每个子列对应一组，两行一组：
- 第 1 行：生存时间（X）
- 第 2 行：事件标识，0 = 截尾，1 = 事件发生
示例（只看 Control 列）：
Control
Time(Day) 15 17 20 22 40…
Status 1 1 1 1 0…操作细节：把光标放在列标题上，右键 → “Insert Number of Subcolumns” 可以设置每个组多少子列。子列不够就加，每只动物占用 1 个子列（Time+Status 配对）。
第 3 步：自动生成 Kaplan-Meier 曲线
- 左侧导航栏切换到 Graphs → Data 1（就是你刚录入数据的那张图）
- Prism 会自动弹出图类型选择：选 Survival curve（Kaplan-Meier），X 轴 = Time，Y 轴 = Percent Survival（生存率 %）
- 默认样式：阶梯状下降曲线，每一个事件发生时曲线垂直下降一截。截尾点默认用 ”+” 符号标记在曲线上
第 4 步：曲线美化（论文要求）
双击图打开 Format Graph：
- 线条：加粗到 2 pt，每组用不同颜色或线型（实线/虚线/点划线），色盲友好配色
- 点：截尾标记保持 ”+“，Size 8 左右
- 坐标轴：
- X 轴标题：“Time (days)“，范围 0–40 或根据实验终止日定，Major Ticks 每 5 或 10
- Y 轴标题：“Survival (%)“，范围 0–100，Major Ticks 每 20
- 图例：放图右侧或下方，文字清晰
第 5 步：Log-rank 检验（组间比较）
这是生存分析的核心统计：
- 点击左侧导航 Analyze → Survival → Compare curves (log-rank, Gehan-Breslow-Wilcoxon)
- 勾选你要比较的组（3 组就全勾选）
- 检验选项：
- Test for trend（for ordered groups）：如果分组是有序的（Control → Low → High，剂量递增），勾选这个（Tarone-Ware 趋势检验），检验效能更高
- 如果是普通无序分组（Control vs Drug vs 联合用药），不勾选
- OK，输出检验结果报告
第 6 步：结果报告解读
GraphPad 会输出一个完整报告，重点看以下几个数字：
1. 中位生存时间（Median Survival Time）
| Group | Median Survival (days) | 95% CI |
|---|---|---|
| Control | 20 | 17.5–22.5 |
| Drug Low | 27 | 23.5–30.5 |
| Drug High | 34 | 30.5–未达到 |
解释：Control 组一半小鼠在 Day 20 时死亡；Drug High 组超过实验末还没死完，中位生存时间**“未达到”（Not reached）**，95% CI 只有下限没有上限。
2. Log-rank 检验结果
| 比较对比 | Chi-square | P value |
|---|---|---|
| Overall（三组整体比较） | 13.8 | 0.0010 ✅ 有显著差异 |
| Control vs Drug Low | 4.5 | 0.033 ✅ |
| Control vs Drug High | 12.7 | 0.0004 ✅✅✅ |
| Drug Low vs Drug High | 3.3 | 0.069 NS |
解读逻辑：
- 先看 Overall P < 0.05，说明三组间至少有一组和其他组有差异 → 再看两两比较
- 如果 Overall P ≥ 0.05，两两比较一般也不会显著（GraphPad 会自动用 Bonferroni 校正多重比较）
3. 风险比 Hazard Ratio（HR，仅两组比较时输出）
两组之间的 GraphPad 额外给出 HR：
| 对比 | HR | 95% CI of HR |
|---|---|---|
| Drug High vs Control | 0.21 | 0.08–0.53 |
解释：
- HR < 1 = 处理组风险更低、存活更久（药物有效）
- HR = 0.21 意味着 Drug High 组在任何一个时间点的”瞬时死亡风险”只有 Control 组的 21%
- HR = 1 = 两组无差异；HR > 1 = 处理组更差
- 95% CI 不跨越 1，说明差异显著（与 Log-rank P 结果一致）
两种检验方法的选择
GraphPad 的 Compare 对话框中有三种检验：
| 检验方法 | 别名 | 适用场景 |
|---|---|---|
| Log-rank（Mantel-Cox） | Mantel-Haenszel | 默认推荐。给每个时间点等权重，对组间长期持续差异最敏感，论文最常用 |
| Gehan-Breslow-Wilcoxon | Wilcoxon-Breslow | 给早期时间点更大权重。如果药物前期效果明显、后期效果减弱，用这个更灵敏 |
| Tarone-Ware | — | 给中早期中等权重，折衷方案 |
一般情况用 Log-rank 就够了，90% 的论文都用这个。只有你确实关心早期差异（比如给药前 10 天效果强，后期耐药）才换 Wilcoxon。但不要挑最显著的那个报告（会被认为 P-hacking），在方法里说明你预设用哪种检验。
易错点合集
1. 截尾标反了（把活着的标成 1，死的标成 0）
GraphPad 默认为”时间 + 死亡指示（1=事件）“，但有时候会和其他软件（R、SPSS）的截尾约定（0=事件）搞混。标反了生存率会从 0 开始往上涨，结果完全颠倒。画完第一件事检查 Y 轴是不是从 100% 开始。
2. 同一时间点事件都算同一天，但生存曲线下降得不对
比如 Day 18 有 3 只小鼠死亡，GraphPad 应该一次性掉下 30%（如果 10 只），但发现只掉了 10% → 查数据里是否把三只都正确录入，而不是记了均值。
3. 没有用 Bonferroni 校正
3 组两两比较共 3 次比较，如果不校正 Family-wise error rate，假阳性会大大提高。GraphPad 做 3 组以上整体 Log-rank 时会自动校正，但手动拆成多次两两比较的话需要自己设。
4. 样本量太小（每组 <8 只）
生存分析对样本量敏感。每组 5 只的结果误差会非常大，Kaplan-Meier 阶梯跳得很猛，审稿人通常会要求每组至少 8–10 只动物。
5. 把”存活数”而不是”每只动物的时间和状态”录进去
很多同学把原始数据汇总成 Day 1 死几只、Day 2 死几只再录入。GraphPad 生存分析数据表是按个体，不是按时间点汇总。如果真的只有汇总数据，可以用 Prism 另一种”频次形式”录入（Advanced 选项中选择 number at risk）。
6. 统计显著性用错了指标
HR < 1 且 CI 不跨 1 → 显著，但有时候 HR 的显著和 Log-rank 的 P 会不一致（极端截尾模式下），论文中以 Log-rank P 为主要统计指标，HR 是解释效应量的辅助指标。
与其他实验的联动分析
动物生存实验通常和以下数据互相印证：
- 肿瘤生长曲线（每 2–3 天测量肿瘤体积）：体积翻倍时间 vs 生存时间的关系
- 体重变化：体重下降 >20% 是否对应死亡事件？是否动物安乐死的判断标准一致？
- 终点取材 / IHC / 血清细胞因子：不同结局的动物组织学 / 分子标记是否有差异
动物实验数据和统计学结合，可参考 GraphPad ANOVA 完整指南（多组比较）和 GraphPad t 检验指南（两组比较）处理其他定量指标。