【警告⚠ 这两天笔记乱糟糟的，还没来的及好好整理，不要看不要看没啥好看的】

写在前面：本文为微信公众号:生信星球的数据挖掘线上班的随堂笔记，感谢小洁老师的付出！

• 样本ID长，病人ID短
  前12位为病人ID
• 根据表达矩阵，差异基因能做的：PCA/热图/韦恩图

1. 数据下载：TCGAbiolinks。

• 非官方，较便捷。
• all()#全为T则为T，否则为F any()#有一个为T则为T，全为F才为F

模型评估

• C-index和ROC取值【0.5-1】，越大越好
  -KM对数据更宽容

  
  
  KM生存分析公式
  
  
  COX回归分析风险比率
• 注意meta矩阵的数值内容可能是character，需要去除NA并转换。

lasson回归

-找到关键基因用于建模
-需要表达矩阵【仅含有tumor样本】和meta信息【包含生死信息】，并确保顺序一致identical(str_sub(colnames(exprSet),1,12),meta$ID) == TRUE

• 输入数据是x=表达矩阵取log，y=mata$event（生死）
• 结果：Df为自由度，%Dev解释残差的百分比（越大越好，但多意味着基因数目多），Lambda是建模参数
• 算出lambda.min（取值最小）和lambda.1se(取用基因最少)，分别预测
• 越接近0的预测值为认为倾向于存活，接近于1的预测值认为倾向于死亡。

ROC曲线

• 需计算AUC值，0.5-1，越接近于1越好

取小数函数：round(小数，几)#取几位小数

切割数据模型

• 适用于只有一组数据的情况，把数据分成两份。需要用到专门的函数caret

随机森林

• 找到对生存影响最大的基因？
  -取名时不能用-，会被识别为减号，可以用_替代。
• 变异数据mutect软件 /瀑布图（检测）
• 通过gdc下载下来是一个.maf.gz文件，解压后是一个文件夹，读入时需要完整路径。/还需要下载临床数据
• 载入tsv文件可以用read.delim/read.table(路径)

signature

• B = B[,match（A列）)#把B的列按照A的列排序
• A = A[Ab]#提取A的a列中在B的b列中存在的所有行

魅力ggbetweenstats

• 任意基因（mRNA）在任意分组中的表达量对比
• 输入表达矩阵
• 任意两个基因的相关性（两个基因的表达量）