寫在前面
相信很多小夥伴在看文獻的時候總是能夠看到作者拿一張figure放置多個生存曲線圖，不知道大家想過沒有，如果作者一張小圖一張小圖的畫，那可能圖還沒有畫完就直接開始拍桌子了。肯定為了提公升科研的效率，我們還是希望把這些重複的工作都交給計算機不厭其煩地去做，然後留更多的時間給我們自己享受生活。好啦，言歸正傳，我們開始今天批量生存曲線繪製的講解。
**演示
經過前面兩期專欄的處理(沒有跟上的同學趕快去前兩期專欄看看，打牢基礎才能走得更遠)，我們現在已經得到了單因素cox回歸的結果。
接下來我們篩選p值小於0.05的基因進行保留，這裡我們使用dplyr包中的filter函式進行過濾：
接著我們把單因素cox回歸有意義的基因再提取出來，因為剛剛得到的是資料庫，我們把第一列取出來即可：
得到了單因素cox回歸有顯著統計學意義的基因之後，我們就要開始進行生存曲線繪製即k-m分析，關於k-m分析和cox回歸到底有啥區別，大家可以參考風師兄在生信下篇段位3有詳細的講解。如果用我自己的實用的理解那就是，cox分析篩選變數太多的話我們就再加上k-m分析再篩選一次，相當於雙重過濾標準；但是如果你cox回歸篩選之後就只有幾個基因了，那就沒有必要再用k-m分析去篩選了，因為篩選了完了你可能就沒有基因了。
接下來我們從單因素cox回歸的資料框中把pvalue小於0.05的基因提取出來，這裡我們使用dplyr包中的select函式，注意這裡要記得使用all_off函式把向量放在函式裡面，這樣才能提取對應的列：
接下來我們進行生存曲線的繪製，首先繪製生存曲線，我們首先需要解壓兩個強大的包，survival包和survminer包。
library(survival)library(survminer)然後我們構建乙個分組檔案，根據基因表達量的中位值進行高低兩組的劃分：
group median(single_gene[[4]]), "high", "low")diff=survdiff(surv(futime, fustat) ~ group2, data = gene_surv)pvalue=1-pchisq(diff$chisq,df=1)if(pvalue<0.001)else雖然一張繪製好了，但是我們本期的問題還沒有解決，我們不僅要一張，我們要很多張。套用一句經典的話就是，只要小孩子才做選擇，成年人是全部都要，而且越多越好，圖多了我們才有選擇的餘地。
接下來我們進行批量繪製，批量繪製的原理無非就是迴圈，而迴圈就是一列一列迴圈，然後每一列繪製乙個生存曲線。
寫在最後往期傳送門：
讓生信工作者失業的神器——drbioright，真捨不得告訴你！
高效資料清洗！這個r包太強大了！你一定要試試！(文末附贈小彩蛋)
一站式分析r包來了，承包了生信各種分析！太全能了！
別走，baby，cox森林需要你
撰文丨先鋒宇
排版丨四金兄
值班 | 弘 毅
主編丨小雪球
生存函式和生存曲線怎樣看？
前文我們詳解過線性回歸，也初步介紹了生存分析所涉及的生存資料，明白了 做生存分析最特殊的一點是分析時要納入研究物件的 生存時間 更一般的是指 出現某種特定結局的時間。今天的文章，我們更進一步地來學習如何看懂生存函式和生存曲線。生存概率和死亡概率 在進入正題之前，我們需要首先明確兩個概念 生存概率與死...
R語言 ROC曲線
setwd e rwork library rocr data rocr.pred rocr.predictions為 標籤，rocr.labels為真實標籤 做乙個logistic回歸，生成概率 值 pre 將 概率prob和實際結果y放在乙個資料框中 data 按 概率從低到高排序 0.9 1....
ks 曲線 R語言實現KS曲線
將 封裝在函式plotks n裡，pred var是 結果，可以是評分或概率形式 labels var是好壞標籤，取值為1或0，1代表壞客戶，0代表好客戶 descending用於控制資料按違約概率降序排列，如果pred var是評分，則descending 0，如果pred var是概率形式，則d...