TCGA数据库Cox比例风险回归模型单因素多因素生存分析

TCGA数据库挖掘，你做到了哪一步，如果还没入门，还应该先看看之前的关于TCGA数据库数据下载，矩阵提取，临床数据下载，miRNA矩阵提取，差异分析，生存分析……的帖子，也欢迎各位留言。

TCGA数据库

Cox比例风险回归模型临床应用非常广泛，Cox分析得到的结果是可以直接运用到临床应用的，所以这个分析对癌症临床诊断有非常关键的作用，检测高低风险的关键基因，就可以预测病人5年生存率。

Cox比例风险回归模型，简称Cox回归模型。该模型又英国统计学家D.R.Cox于1972年提出，主要用于肿瘤和其他慢性病的预后分析，也可用于队列研究的病因探索。Cox回归模型能处理多个因素对生存时间影响的问题。

这里用到的癌症是：宫颈鳞状细胞癌CESC（临床307个样本，基因表达有304个样本）

TCGA数据库下载宫颈鳞状细胞癌数据

一、首先需要合并差异基因得到的表达量和临床信息

这个步骤非常重要，也是让很多人感觉麻烦的地方，TCGA数据库样本量大，一个重要的癌症样本300-500个，临床信息又是独立存在，这里用到的是总生存时间和生存状态，得到一个行名是样本，列名包括总生存时间、生存状态、以及所有差异基因，对应的数据是差异基因的表达量，当然这个表达量是处理过的，不是TCGA下载下载下来的原始数据。

如果还没有得到生存时间、生存状态的文件，也没有得到差异基因的表达量，那就要先做差异分析，提取生存时间。简单回顾一下，提取生存时间会用到TCGA数据库下载的metadata.txt文件，这个文件大家很熟悉，可以直接在TCGA数据库下载的；差异分析涉及的内容就比较多，首先要从TCGA数据库下载基因表达数据，然后用perl脚本合并所有样本的表达矩阵，得到矩阵之后，要对ID进行转换，TCGA数据库用的是ensmbol ID，需要转换gene symobl，得到gene symobl的矩阵之后，就可以做差异分析，做了差异分析，就可以接着我们上面的合并工作了。

TCGA临床数据于表达数据合并

二、单因素Cox分析

有了生存时间和表达量合并的文件，就可以做单因素Cox分析，直接用我们的R做分析，得到这样一个表格文件。

单因素cox分析

三、提取单因素P

Cox单因素分析得到了单个基因的风险比和P值，可以筛选P值一个标准的基因，拿到这些基因，然后把这些基因的表达量筛选出来，还有样本的生存时间和生存状态，放在一个文件里面，用来做这些基因的多因素分析，当然了，筛选的基因不要多，控制在20个左右。简单点说，就是筛选这20个左右基因如同步骤一的文件。

提取单因素P

四、多因素Cox分析

利用上面得到的关键基因的表达量做多因素分析，方法和单因素的差不多，只是这时用到了所有基因，而单因素是对每个基因做分析，多因素是用这些关键基因一起分析。可以得到风险值和高低风险分类。

风险表格

五、绘制生存曲线、ROC曲线

用到的都是上面多因素分析得到的数据，用所有样本的风险比例，生存时间，就可以做生存曲线，ROC曲线。

风险生存曲线

ROC曲线

六、高低风险热图绘制

这里需要用到两个数据，一个是Cox多因素分析得到的基因，这个是根据Cox公式计算得到的，这里我们得到了7个，提取这7个基因的表达量，还有这7个基因在高低风险的分类，就可以绘制一张热图，热图从左到右的样本是风险分值以此从低到高的。

Cox公式

热图绘制

得到这么些重要的数据就可以发文了，这个大家都懂。