生存分析时间点问题

以前下载TCGA数据，喜欢用使用UCSC的XENA数据库， 全部数据在：https://xenabrowser.net/datapages/ 这个时候有两个数据源，需要区分开来;

• GDC TCGA Breast Cancer (BRCA) (18 datasets) 09-15-2017
• TCGA Breast Cancer (BRCA) (30 datasets) 2016-04-27

前者数据是 IlluminaHiSeq TCGA hub表达矩阵，基因SYMBOL的表达矩阵，基因的表达信息，通常是用来把病人进行分组，然后还是需要下载临床信息，才能做生存分析。

分分钟对TCGA数据库的任意癌症种类做生存分析，并校验

发现TCGA数据库记录病人的生存事件的时候，区分Alive和Dead，但是呢，不同的事件本来是应该对应不同的时间记录字段，但是突然就发现了一个特例，虽然不清楚为什么，但是毫无疑问我们的代码需要注意这一点了。

推测可能是因为一个病人有多个样本，不同样本记混了。

现在我喜欢使用TCGAmutations下载突变数据和临床信息，代码如下：

library(TCGAmutations)
tcga_available() #查看可用的数据
tcga_load(study = "LGG") # 默认加载经过校正后的MC3 maf文件
tcga_mc3=tcga_lgg_mc3
laml <- tcga_mc3
phe=as.data.frame(laml@clinical.data)

初步下载得到的phe，就是上面那样的不合理数据，需要进行校正，更有趣的是这个信息其实要比XENA来说，过时一点，大家可以自行去比较。

构建生存分析需要的时间

我这里使用的代码好像很复杂：

table(phe$vital_status)
phe=phe[phe$vital_status %in% c('Alive' , 'Dead'),]
phe$time=0 
pos=which(phe$vital_status=='Dead')
phe$time[pos]=phe$days_to_death[pos]
pos=which(phe$vital_status=='Alive')
phe$time[pos]=phe$days_to_last_followup[pos]
phe=phe[,c("Tumor_Sample_Barcode","gender","vital_status",'time')]
phe$vital_status=ifelse(phe$vital_status=='Alive',0,1)

最后得到的phe如下所示：

需要留意的是，同一个病人因为有多个测序样品，如果不是12位的ID，比如15位的ID，就需要去冗余：

上面的例子就是一个病人被记录了两次临床信息，仅仅是因为他有两个转录组测序而已，这个时候一个病人的两个样本都被记录临床信息，好的情况是记录的都是一致的，因为大家共享一个病人ID。但是也有情况出现就是他们不一致，所以就出现了bugs

生存分析代码是

有了上面的数据， 就可以做生存分析并且绘制代码了。

library(survival)
library(survminer)
mySurv_OS=with(phe,Surv(time, vital_status))
sfit=survfit(mySurv_OS~gender,data=phe)
p=ggsurvplot(sfit,data = phe,
             pval =TRUE,
             xlab ="Time in days", 
             ggtheme =theme_light())
print(p)

可以看到，性别的生存差异不显著：

但是，其实是有些癌症的性别生存差异是显著的，大家猜猜看是哪一个呢？