首先调取Xena网页的TCGA数据做Cox生存分析，数据可以通过hiplot官网自主研发的ucsc-xena-shiny直接在线获取
访问https://hiplot.com.cn/advance/ucsc-xena-shiny
然后全屏显示，点击Qucik PanCan Analysis下方的TCGA：Molcular Profile Cox Analysis
Molcular Profile Cox Analysis
输入一个你想要的基因，比如RAC3，Select Measure for plot可以设置OS，PFI，DSS和DFI，然后点上方的搜索🔍，就可以看到出的图了
需要的结果
继续往下滚动鼠标，就可以看到数据了，而且还可以下载
数据在这
得到数据以后就可以用R画图了，注意，这里的HR和CI都是Log过的结果，跟别的地方计算的Cox结果有些不一样，可能是方法不一样吧，是因为网站计算的HR结果相差太大了吗？
由于是log过的结果，所以森林图的X轴不再是HR=1为分界线了，而是以log2HR=
0为分界线。。。
unicox <- read_csv("~/Desktop/RAC3_mRNA_OS_pancan_unicox.csv") ##加载csv数据
library(ggplot2)
ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log, cancer, col=Type))+ ##定义X轴和Y轴，以类型分类
geom_point(size=2.5)+ #固定点的大小
geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+ ##设置95%CI区间，就是误差线
scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+ ##设置X轴范围，分割点从-1到1，以1为分界，具体分界看数字分布
geom_vline(aes(xintercept = 0))+ #以0为分界线
xlab('HR(95%CI)') + ylab(' ')+ #定义标签
theme_bw(base_size = 12)+ #主题和字体
scale_color_manual(values = c("gray", "steelblue", "red")) #设置颜色
点的大小固定为2.5
ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log, cancer, col=Type,shape=Type))+ #设置不同的形状
geom_point(size=3)+
geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+
scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+
geom_vline(aes(xintercept = 0))+
xlab('HR(95%CI)') + ylab(' ')+
theme_bw(base_size = 12)+
scale_color_manual(values = c("gray", "steelblue", "red"))
不同的形状
# 以-log10P值定义点的大小，点越大，P值越小，越有统计学意义
ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log, cancer, col=Type,shape=Type))+
geom_point(aes(size=-log10(p.value)))+
geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+
scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+
geom_vline(aes(xintercept = 0))+
xlab('HR(95%CI)') + ylab(' ')+
theme_bw(base_size = 12)+
scale_color_manual(values = c("gray", "steelblue", "red"))
image.png
再加一个形状
ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log, cancer, col=Type,shape=Type))+
geom_point(aes(size=-log10(p.value)))+
geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+
scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+
geom_vline(aes(xintercept = 0))+
xlab('HR(95%CI)') + ylab(' ')+
theme_bw(base_size = 12)+
scale_color_manual(values = c("gray", "steelblue", "red"))
image.png
#排个序可好
ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log, reorder(cancer,HR_log), col=Type,shape=Type))+
geom_point(aes(size=-log10(p.value)))+
geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+
scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+
geom_vline(aes(xintercept = 0))+
xlab('HR(95%CI)') + ylab(' ')+
theme_bw(base_size = 12)+
scale_color_manual(values = c("gray", "steelblue", "red"))
image.png
##换个排序也行
ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log, reorder(cancer,-HR_log), col=Type,shape=Type))+
geom_point(aes(size=-log10(p.value)))+
geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+
scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+
geom_vline(aes(xintercept = 0))+
xlab('HR(95%CI)') + ylab(' ')+
theme_bw(base_size = 12)+
scale_color_manual(values = c("gray", "steelblue", "red"))
image.png
更多定制，等你发现。。。
