数据库numeric_结合TCGA数据库进行生存分析

一、TCGA数据

TCGA (The Cancer Genome Atlas)是由National Cancer Institute(NCI,美国国家癌症研究所)和National  Human Genome Research Institute (NHGRI, 国家人类基因组研究所) 合作建立的癌症研究项目，通过收集整理癌症相关的各种组学数据，提供了一个大型的，免费的癌症研究参考数据库。 
目前共收录了33种癌症类型，超过了2个PB的数据。
官方网站: https://www.cancer.gov/about-nci/organization/ccg/research/structural-genomics/tcga

二、生存分析

生存分析是研究影响因素与生存时间和结局关系的方法，常用于癌症患者预后分析，TCGA数据库中患者的临床信息非常适合来做生存分析，分析众多因素对生存期的影响。生存分析使用的方法：

• Kaplan-Meier plots to visualize survival curves(根据生存时间分布，估计生存率以及中位生存时间，以生存曲线方式展示，从而分析生存特征，一般用Kaplan-Meier法，还有寿命法)

• Log-rank test to compare the survival curves of two or more groups(通过比较两组或者多组之间的的生存曲线，用log rank检验，判断单因素是否对生存期的有显著影响)

• Cox proportional hazards regression to describe the effect of variables on survival(用Cox风险比例模型来分析变量对生存的影响，既可以分析单个因素也能分析多因素对生存时间的影响)

基本术语

• Event(事件):包括起始事件和终止时间，起始事件反应研究对象开始生存过程的起始特征事件。如患者开始接受治疗。终止事件指出现研究者所关心的特定结局，如患者死亡等。

• Survival time(生存时间)：一般指某个事件的开始到终止这段事件。

• Censoring(删失)：一般指不是由死亡引起的的数据丢失，可能是失访，可能是非正常原因退出，可能是时间终止而事件未发生等等，一般在展示时以‘+’号显示。

三、R分析实战

1、数据下载与预处理

先从TCGA下载数据，这里使用R包TCGAbiolinks下载，它本质上也是从官网下载，大家也可以直接去官网下载对应的数据。

 1library("TCGAbiolinks")
 2library("tidyverse")
 3
 4project = "TCGA-LIHC"  #以肝癌类型举例，下载转录组的表达数据
 5experimental = "RNA-Seq"
 6category = "Transcriptome Profiling"
 7datatype = "Gene Expression Quantification"
 8workflowtype = "HTSeq - FPKM"
 9
10query = GDCquery(project = project,
11                     legacy = FALSE,  # Legacy 代表的hg19的版本，这里我们选择hg38，填FALSE
12                     experimental.strategy = experimental ,
13                     data.category = category,
14                     data.type = datatype,
15                     workflow.type = workflowtype)
16GDCdownload(query) #此命令会在当前目录下生成GDCdata文件夹，里面存放下载的数据
17clinical "clinical")  #下载对应的临床数