生存分析很重要，如何高效地对两万多个基因批量做生存分析？今天，猎豹师兄带领大家，正确姿势做生存分析，快速锁定目标基因。
生存分析（Survival Analysis）是研究生存现象和响应时间数据及其统计规律的一种统计学方法，是关联表型与患者预后的重要手段。大学本科的统计课上，老师就教我们用SPSS做生存分析，现在读到硕士&博士&博士后了，看了很多文献，是不是发现生存分析的出镜率确实挺高的呢。特别是一些队列庞大、随访数据完整的高IF文章，经常能看到下图所示的Kaplan-Meier图。
关于生存分析的重要性，这里就不多赘述了。在前面的教程中，给大家讲解了如何使用cBioportal就基因表达与患者预后进行生存分析（详细内容见：TCGA数据挖掘终结者：cBioPortal），同学们普遍反馈说get了新技能。
根据以往跟同学们的交流，大家一般都是这么操作的：（1）通过其他方法找到的目标基因，只要能验证与患者预后是相关的，那么文章就能锦上添花（个人经验：凡是能跟临床扯上关系，文章IF就能上个台阶）；（2）还没有找到目标基因，通过生存分析那么一筛，居然找到一个跟预后显著相关的基因，再往下做功能实验也信心倍增。不管是出于何种目的进行生存分析，找到一个合适的工具是非常重要的。
大家都知道，要比较不同分组患者的生存差异需要有三个数据：
（1）患者分组，比如高危组vs低危组；
（2）随访时间；
（3）随访结局，也就是随访结束时患者的结局
要知道，准备这几个数据还是有点烦的，如果再放到SPSS里面"捣鼓"一下，也要半个小时到一个小时的时间。很多同学会想，既然cBioportal能够做生存分析，而且界面简洁，操作简单，结果漂亮，省时省力，那我也没必要换其他工具了，就cBioportal挺好。其实不然~（此人包不同大叔）。
cBioportal有优势也有缺点，虽然它能够帮我们快速高效地实现生存分析，但是任何网页工具都存在一个非常严重的问题：每次只能做一个基因。如果我要对多个基因批量做生存分析呢？设想一下，我们经常碰到这样的问题：做了差异基因筛选出了上百个基因，但是哪个才更重要呢？如果有几个基因的话，我们可以用cBioportal等在线工具，一个一个分析，然后把结果一个一个存起来，但是如果有上百个上千个甚至上万个基因呢？就按一个3分钟，100个基因就是300分钟，5个小时！terrible吧？
今天，猎豹师兄就带大家开启高能模式，以如下方案为例，开讲！
【研究课题】筛选肺腺癌中和患者预后显著相关的基因
【研究对象】TCGA数据库中肺腺癌患者
【研究方法】通过cBioportal下载肺腺癌患者的转录组数据及临床信息，通过R语言分析全转录组中所有基因的表达与预后的相关性。
在完成这个课题之前，我们先以一个基因为例，给大家讲解一下使用TCGA数据进行生存分析的具体步骤，学会这个，我们再扩展到批量操作中去。结合前面我讲过的，做生存分析的时候用到的数据，我们可以把操作分为一下几个步骤：
1
下载原始数据
从哪里获取TCGA中肺癌样本的表达值呢？答案是cBioportal，具体链接如下： http://www.cbioportal.org/datasets
找到自己感兴趣的数据集（dataset），点击下载的箭头就能下载。下载下来是一个名叫 luad_tcga.tar.gz 的压缩包。
2
提取样本分组信息
为了能够对样本进行分组，我们首先要提取基因表达值，按照基因的表达值对样本进行分组（高表达组 vs 低表达组）。那么样本的表达值存储在什么地方呢？解压前面的压缩包，里面会出现密密麻麻的文件，这其中一个叫：data_RNS_Seq_v2_mRNA_median_Zscore.txt 的文件就是我们想要的。里面存储了所有基因的表达值，是不是很神奇呢？有了表达值就可以按照表达值的高低，对样本进行分组啦～想要哪个基因的表达值，直接查找即可。
3
提取生存数据
有了患者的分组信息，将overall survival date和overall survival status从表型信息中提取出来。那么患者的临床信息存储在哪个文件当中呢？就是压缩包中的data_bcr_clinical_data_patient.txt 文件。这个文件里面有两列：OS_STATUS 和OS_MONTHS 就是我们想要的数据。
4
整理数据，分析绘图
将患者分组、生存数据放到一个表格中，使用R语言的survival包就可以实现生存分析了。
想想也没几步，是不是很简单？这次的教程先到这里，下次我们一气呵成，再来跟大家讲讲如何在上述分析的基础上实现批量的操作，一下实现上千上万个基因的生存分析。
老规矩，为了方便大家上手，为大家录制了操作视频，快上车吧~
更多科研新鲜资讯、文献精度和生物信息技能，请关注科研猫公众号
