生存分析就是一个任人打扮的小姑凉

最近接到TCGA分析需求，想看看指定基因在指定癌症是否具有临床意义（也就是生存分析是否有统计学显著效果咯！）其实很早以前我在生信技能树就号召粉丝讨论过这个问题：集思广益-生存分析可以随心所欲根据表达量分组吗 这里我做实力演绎一下。

我这里选择最方便的 网页工具：https://xenabrowser.net/heatmap/ 选择合适的数据集及样本信息还有基因来演示一下，随便选择一个基因一个癌症吧，如下：

这个时候，我草率的制作了生存分析图如下：

(@ο@) 哇～非常显著，差点准备交差了，然后下意识的看了看病人数量，TCGA数据库的BRCA病人没道理居然快1200个了，肯定是有什么地方错误了，重新看了看，的确是因为没有顾虑到里面有正常组织测序的那些病人，怎么说呢，相当于把有正常组织测序的那一百多个病人，在我这个生存分析里面计算了两次，他们的生存时间信息，生存状态都重复计算了，所以实际上这个生存分析是错误的。

过滤一下，仅仅是保留tumor的表达量信息和病人临床信息，再次制作生存分析曲线，如下所示：

可以看到，之前明明是显著的结果消失了，而且不管是使用哪种表达量划分方式，都达不到统计学显著阈值。

是不是就没有办法了呢？

当然不是，还可以使用R包，一个非常棒的外国小哥博客写的很清楚：http://r-addict.com/2016/11/21/Optimal-Cutpoint-maxstat.html

还有专门的文章，这里就不细心讲解啦。

使用survminer包的surv_cutpoint函数找寻最近生存分析阈值

外国小哥博客写的很清楚：http://r-addict.com/2016/11/21/Optimal-Cutpoint-maxstat.html 我们现在就测试一下这个流程。

首先下载我们前面的数据文件：'PLEKHA5-BRCA.tsv' 内容如下：

总共6列，在前面的 网页工具：https://xenabrowser.net/heatmap/ 选择对应的信息下载即可：

然后是R代码读入上面的文件，主要是列名需要保证正确无误！！！

rm(list=ls())
options(stringsAsFactors = F)
# install.packages("survminer")
library(survminer)
a=read.table('PLEKHA5-BRCA.tsv',header = T,sep = '\t')
head(a)
dat=a[a$sample_type.samples=='Primary Tumor',4:6]
head(dat)
dat$vital_status.demographic=ifelse(dat$vital_status.demographic=='Alive',0,1)
# 这里需要注意看文档，生存状态里面的Alive通常标记为0
surv_rnaseq.cut <- surv_cutpoint(
  dat,
  time = "OS.time",
  event = "vital_status.demographic",
  variables = c("ENSG00000052126.13")
)
summary(surv_rnaseq.cut)
plot(surv_rnaseq.cut, "ENSG00000052126.13", palette = "npg")

surv_rnaseq.cat <- surv_categorize(surv_rnaseq.cut) 

library(survival)
fit <- survfit(Surv(OS.time, vital_status.demographic) ~ ENSG00000052126.13,
               data = surv_rnaseq.cat)
ggsurvplot(
  fit,                     # survfit object with calculated statistics.
  risk.table = TRUE,       # show risk table.
  pval = TRUE,             # show p-value of log-rank test.
  conf.int = TRUE,         # show confidence intervals for 
  # point estimaes of survival curves.
  xlim = c(0,3000),        # present narrower X axis, but not affect
  # survival estimates.
  break.time.by = 1000,    # break X axis in time intervals by 500. 
  risk.table.y.text.col = T, # colour risk table text annotations.
  risk.table.y.text = FALSE # show bars instead of names in text annotations
  # in legend of risk table
)

重要的的列名是：

  time = "OS.time",
  event = "vital_status.demographic",
  variables = c("ENSG00000052126.13")

如果是你自己的数据集，需要稍微修改哦。

见证奇迹的时刻：

是不是统计学显著啦！！！

函数帮我们选择的分组；

可以看到这个函数，为了统计学显著，可以说是无所不用其极！

更多TCGA教程见；

• 使用R语言的cgdsr包获取TCGA数据（cBioPortal）
• TCGA的28篇教程- 使用R语言的RTCGA包获取TCGA数据 （离线打包版本）
• TCGA的28篇教程- 使用R语言的RTCGAToolbox包获取TCGA数据 （FireBrowse portal）
• TCGA的28篇教程- 批量下载TCGA所有数据 （ UCSC的 XENA）
• TCGA的28篇教程- 数据下载就到此为止吧
• TCGA的28篇教程- 指定癌症查看感兴趣基因的表达量
• TCGA的28篇教程- 对TCGA数据库的任意癌症中任意基因做生存分析
• TCGA的28篇教程-整理GDC下载的xml格式的临床资料
• TCGA的28篇教程-风险因子关联图-一个价值1000但是迟到的答案
• TCGA的28篇教程-数据挖掘三板斧之ceRNA
• TCGA的28篇教程-所有癌症的突变全景图
• TCGA的28篇教程-早期泛癌研究
• TCGA的28篇教程-CNV全攻略