【科研猫】基因表达与肿瘤预后：生存分析（1）代码+视频分享
生存分析（Survival Analysis）是研究生存现象和响应时间数据及其统计规律的一种统计学方法，是关联表型与患者预后的重要手段。今天，我们带领大家，看看如何用R语言做生存分析，快速锁定目标基因。
大学本科的统计课上，老师就教我们用SPSS做生存分析，现在看了这么多文献，是不是发现生存分析的出镜率确实挺高的呢。特别是一些队列庞大、随访数据完整的高IF文章，经常能看到下图所示的Kaplan-Meier图。
关于生存分析的重要性，这里就不多赘述了。大家都知道，要比较不同分组患者的生存差异需要有三个数据：
- 患者分组，比如高危组vs低危组；
- 随访时间；
- 随访结局，也就是随访结束时患者的结局
要知道，准备这几个数据还是有点烦的，如果再放到SPSS里面"捣鼓"一下，也要半个小时到一个小时的时间。很多同学会想，SPSS不行，那GraphPad也能够做生存分析，而且界面简洁，操作简单，那我也没必要换其他工具了，其实不然~。
不管SPSS或者GraphPad，虽然它能够帮我们快速高效地实现生存分析，但是这些现有的工具都存在一个非常严重的问题：每次只能做一组样本。如果我要对多个组别批量做生存分析呢？设想一下，我们经常碰到这样的问题：做了差异基因筛选出了上百个基因，但是哪个才更重要呢，我们这个时候可以将基因表达和患者预后进行生存分析，当然预后有差异的基因更为重要。如果有几个基因的话，我们可以用现成工具，一个一个分析，然后把结果一个一个存起来，但是如果有上百个上千个甚至上万个基因呢？就按一个3分钟，100个基因就是300分钟，5个小时！
这个时候，我们就要求助于一种更为高级的方式，那就是R语言。前面我们就说过，R语言可以帮我们实现任何一种统计分析，这其中当然也包括Survival Analysis.
我们先以“NRAS表达与肺癌患者预后”为例，给大家讲解一下使用R语言进行生存分析的具体步骤，学会这个，我们再举一反三，扩展到批量操作中去。
1
下载原始数据
从哪里获取TCGA中肺癌样本的表达值呢？答案是cBioportal，具体链接如下：
- http://www.cbioportal.org/datasets
找到自己感兴趣的数据集（dataset），点击下载的箭头就能下载。下载下来是一个名叫luad_tcga.tar.gz 的压缩包。
2
提取样本分组信息
为了能够对样本进行分组，我们首先要提取基因表达值，按照基因的表达值对样本进行分组（高表达组 vs 低表达组）。那么样本的表达值存储在什么地方呢？解压前面的压缩包，里面会出现密密麻麻的文件，这其中一个有个文件是我们想要的：
data_RNS_Seq_v2_mRNA_median_Zscore.txt
里面存储了所有基因的表达值，有了表达值就可以按照表达值的高低，对样本进行分组啦～想要哪个基因的表达值，直接查找即可。
3
提取生存数据
有了患者的分组信息，将overall survival date和overall survival status从表型信息中提取出来。那么患者的临床信息存储在哪个文件当中呢？就是压缩包中的data_bcr_clinical_data_patient.txt 文件。这个文件里面有两列：OS_STATUS 和OS_MONTHS 就是我们想要的数据。
4
整理数据，分析绘图
将患者分组、生存数据放到一个表格中，使用R语言的survival包就可以实现生存分析了。
想想也没几步，是不是很简单？这次的教程先到这里，本期第二我们一气呵成，再来跟大家讲讲如何在上述分析的基础上实现批量的操作，一下实现上千上万个基因的生存分析。
未经许可请勿随意转载，
版权事宜由上海辰明律师事务所提供法务支持