附件提供了一些前列腺癌患者临床指标的数据。请使用前四个临床数据（即lcavol，lweight， lbph，svi）对前列腺特异抗原水平（lpsa）进行预测。在给出的prostate_train.tx

首先，我们需要导入所需的库，并加载训练数据。

```python
import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 加载训练数据
train_data = pd.read_csv('prostate_train.txt', sep='\t', header=None)
X_train = train_data.iloc[:, :4].values
y_train = train_data.iloc[:, 4].values
```

接下来，我们将使用线性回归模型对训练数据进行拟合。

```python
# 创建线性回归模型
model = LinearRegression()

# 拟合模型
model.fit(X_train, y_train)
```

现在，我们可以输出线性回归模型的系数和截距。

```python
# 输出线性回归模型的系数和截距
print("系数：", model.coef_)
print("截距：", model.intercept_)
```

最后，我们可以计算训练数据的预测值和均方误差。

```python
# 计算预测值
y_pred = model.predict(X_train)

# 计算均方误差
mse = mean_squared_error(y_train, y_pred)
print("均方误差：", mse)
```

以上代码将给出线性回归模型的系数、截距以及训练数据的均方误差。