1.探索临床因素对生存的影响
首先探索一下临床因素对生存的影响，选用的临床因素是性别
1.1 先下载临床数据，这里选用LIHC患者数据

library(TCGAbiolinks)
clin.LIHC <- GDCquery_clinic("TCGA-LIHC", "clinical")

得出的临床信息长这样

2S}FUSH%TRP3GHU{)0GNIOB.png

1.2 进行生存分析
这里用的是TCGAbiolinks包里的TCGAanalyze_survival函数

# 利用得到的临床数据探索性别对患者生存的影响
TCGAanalyze_survival(clin.LIHC,
                     clusterCol="gender",
                     risk.table = FALSE,
                     xlim = c(100,1000),
                     ylim = c(0.4,1), 
                     conf.int = FALSE,
                     color = c("Dark2"))

image.png

得出的图长这样，我寻思着p-value值、risk.table怎么没有呢?仔细一看代码，risk.table=FALSE,所以我把里面的代码稍微改了一下，再套一下里的参数。

TCGAanalyze_survival(clin.LIHC, clusterCol = "gender", legend = "Legend",
                     labels = NULL, risk.table = TRUE, xlim =c(100,1000),  main = "Kaplan-Meier Overall  Survival Curves", 
                     ylab = "Probability of survival",  
                     xlab = "Time since diagnosis (days)", filename = "survival_2.pdf", 
                     color = c("Dark2"), height = 8, width = 12, dpi = 300, pvalue = TRUE,  
                     conf.int = TRUE)

image.png

得出来的图确实不一样了，生存曲线有置信区间、p值，有risk.table。但是仔细一看，还是不够美观，risk.table的比例太大了。

2.探索基因表达对生存的影响
随机选取ABCB1基因为例探索单个基因表达的情况对患者生存的影响

探索的时候我失败了，提取出来的基因数据全是NA值，还有名字都是NA，我枯了