上次我们进行了基因去重复，此时我们的数据里面就剩下自噬相关基因的表达数据了。这一节，我们将进行临床数据匹配，这样我们才能进行后续的批量单因素cox回归：
这个临床模型预测会针对一个案例进行讲解，目录如下：
1.下载数据
-
匹配基因
-
基因去重复
4.匹配临床数据
5.批量cox回归分析
6.差异表达基因筛选
7.取交集，选出预后相关的差异表达基因
8.森林图绘制
9.lasso回归进一步排除具有共线性的基因
10.验证集验证，数据合并验证
11.多因素cox回归建模
12.列线图
13.矫正曲线
14.ROC曲线分析
下面我们先看看文件：
这是上一期提取出来的自噬相关基因的表达数据，我们点击进去看一看：
但是这里有一个问题，就是我们的样本，并不是只有肿瘤数据，还有正常数据。
例如上面的01A，就是肿瘤数据，11A就是正常数据。
因此我们需要先把肿瘤数据提取出来。
提取的方法有很多，1：直接Excel筛选；2：正则表达式
先看第一种方法：Excel点击筛选——在样本这一列点击倒三角
然后输入01后点确认，就可以，但是这样的经常出错，因此我建议大家用正则表达式，不会的话，就套用下面代码就行：
setwd("D:\\自噬临床模型预测\\自噬相关基因临床模型预测\\2匹配自噬基因及临床数据")
dir()
data data[1:5,1:5]
X AMBRA1 APOL1 ARNT ARSA
1 TCGA.BP.4342.01A 4.506872 5.383224 5.570176 4.523195
2 TCGA.A3.3387.01A 4.679614 6.493254 5.107071 4.220274
3 TCGA.BP.4167.01A 4.599814 9.546216 5.194878 4.245679
4 TCGA.B8.4620.01A 4.288099 5.652480 5.290483 3.966170
5 TCGA.BP.4769.01A 4.665946 6.959901 5.696982 5.056403
然后使用正则表达式，将肿瘤组织提取出来：
grep grep
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
[31] 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
[61] 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
[91] 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120
[121] 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150
[151] 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180
[181] 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210
[211] 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240
[241] 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270
[271] 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300
[301] 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330
[331] 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360
[361] 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390
[391] 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420
[421] 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450
[451] 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480
[481] 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510
[511] 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535
> length(grep)
[1] 535
可以看到总共有535个肿瘤样本，然后我们提取肿瘤data。
data
这时候的数据就只剩下肿瘤数据了，因为我们要做单因素cox 回归，所以正常数据是必须要删掉的。
但是还有一个问题。
我们首先普及一下TCGA的样本命名：
TCGA样本命名前12位才代表患者的编号。
有些患者的编号是重复的，这属于重复测序。其中01A是样本切下来很快送的测序，测序结果是最好的，01B是切下来保留了一段时间，再送的测序，测序结果的质量我认为比较差。
因为是同一个人，所以我们建议将01B的这种给删掉。
怎么删掉呢？
首先我们对样本进行排序：
data
注意这里的decreseasing选择的F，也就是升序排序，而不是降序排序，这样01B的样本就会放在01A的后面。
然后我们检查重复值：
which which
[1] 366 459 480 490 521
我们首先使用substr提取前十二位，然后使用duplicated检查重复的样本所在的行数。因为是从前面向后面检查，因此后面的重复会被返回出来。所以这也是我们进行排序的原因。
然后我们将重复的删掉就行了。
data dim(data)
## [1] 530 216
可以看到最终的肿瘤样本只有530个。
为什么要删除重复样本？
因为一名患者对应一个临床数据，只有一种临床结局，但是测序数据可以重复测，那我们要做单因素cox回归，选择那个测序数据来分析呢，当然选择质量最好的，那就是TCGA命名中最后一位是A的数据，是测序质量最好的。
下面我们就可以将表达数据和临床数据合并在一起了。
注意：这里我们只将患者的总体生存率数据（即OS，和OS.time）与自噬基因的表达数据合并。
如果大家想做别的数据，那么可以自行合并。下面我们先读取临床数据。
dir()
clinical clinical[1:5,1:6]
# sampleID X_EVENT X_INTEGRATION OS.time OS OS.unit
#1 TCGA-3Z-A93Z-01 0 TCGA-3Z-A93Z-01 385 0 days
#2 TCGA-6D-AA2E-01 0 TCGA-6D-AA2E-01 362 0 days
#3 TCGA-A3-3306-01 0 TCGA-A3-3306-01 1120 0 days
#4 TCGA-A3-3306-11 0 TCGA-A3-3306-11 1120 0 days
#5 TCGA-A3-3307-01 0 TCGA-A3-3307-01 1436 0 days
再看看表达数据：
data[1:5,1:5]
> data[1:5,1:5]
X AMBRA1 APOL1 ARNT ARSA
#1 TCGA.BP.4342.01A 4.506872 5.383224 5.570176 4.523195
#2 TCGA.A3.3387.01A 4.679614 6.493254 5.107071 4.220274
#3 TCGA.BP.4167.01A 4.599814 9.546216 5.194878 4.245679
#4 TCGA.B8.4620.01A 4.288099 5.652480 5.290483 3.966170
#5 TCGA.BP.4769.01A 4.665946 6.959901 5.696982 5.056403
临床数据的样本命名是用”-“连接的，表达数据是”.”连接的。此外临床数据是前15位数，表达数据是16位，但是实际上有用的只有前十二位，只有前十二位代表患者的编号。
那么我们需要将临床数据的横杠换成点。然后将临床数据和表达数据的样本名变成前12位，然后再进行匹配：
首先临床数据的”-“替换成”.”
clinical$sampleID clinical[1:5,1:5]
sampleID X_EVENT X_INTEGRATION OS.time OS
#1 TCGA.3Z.A93Z.01 0 TCGA-3Z-A93Z-01 385 0
#2 TCGA.6D.AA2E.01 0 TCGA-6D-AA2E-01 362 0
#3 TCGA.A3.3306.01 0 TCGA-A3-3306-01 1120 0
#4 TCGA.A3.3306.11 0 TCGA-A3-3306-11 1120 0
#5 TCGA.A3.3307.01 0 TCGA-A3-3307-01 1436 0
然后都提取前12位数：
data$X data[1:5,1:5]
X AMBRA1 APOL1 ARNT ARSA
#1 TCGA.BP.4342 4.506872 5.383224 5.570176 4.523195
#2 TCGA.A3.3387 4.679614 6.493254 5.107071 4.220274
#3 TCGA.BP.4167 4.599814 9.546216 5.194878 4.245679
#4 TCGA.B8.4620 4.288099 5.652480 5.290483 3.966170
#5 TCGA.BP.4769 4.665946 6.959901 5.696982 5.056403
#> clinical[1:5,1:5]
sampleID X_EVENT X_INTEGRATION OS.time OS
#1 TCGA.3Z.A93Z 0 TCGA-3Z-A93Z-01 385 0
#2 TCGA.6D.AA2E 0 TCGA-6D-AA2E-01 362 0
#3 TCGA.A3.3306 0 TCGA-A3-3306-01 1120 0
#4 TCGA.A3.3306 0 TCGA-A3-3306-11 1120 0
#5 TCGA.A3.3307 0 TCGA-A3-3307-01 1436 0
可以看到样本名字都只有前十二位了，下面进行匹配，用表达数据的样本去和临床数据匹配，因为表达数据的样本是不重复的样本，临床数据里面是有重复的：
match length(match)
## [1] 530
匹配完了以后对样本进行重排：
clinical clinical[1:5,1:5]
sampleID X_EVENT X_INTEGRATION OS.time OS
#455 TCGA.BP.4342 1 TCGA-BP-4342-01 2256 1
#86 TCGA.A3.3387 0 TCGA-A3-3387-01 617 0
#415 TCGA.BP.4167 0 TCGA-BP-4167-01 2718 0
#367 TCGA.B8.4620 0 TCGA-B8-4620-01 777 0
#499 TCGA.BP.4769 0 TCGA-BP-4769-01 1876 0
然后我们只要临床数据的三列：
执行下面代码：
clinical head(clinical)
sampleID OS.time OS
#455 TCGA.BP.4342 2256 1
#86 TCGA.A3.3387 617 0
#415 TCGA.BP.4167 2718 0
#367 TCGA.B8.4620 777 0
#499 TCGA.BP.4769 1876 0
#767 TCGA.CJ.4907 1499 0
然后呢我们将表达数据和临床数据的样本名这一列变成行名：
rownames(data) data[1:5,1:5]
AMBRA1 APOL1 ARNT ARSA ARSB
#TCGA.BP.4342 4.506872 5.383224 5.570176 4.523195 4.110176
#TCGA.A3.3387 4.679614 6.493254 5.107071 4.220274 5.627957
#TCGA.BP.4167 4.599814 9.546216 5.194878 4.245679 5.654773
#TCGA.B8.4620 4.288099 5.652480 5.290483 3.966170 4.632897
#TCGA.BP.4769 4.665946 6.959901 5.696982 5.056403 3.868812
#> head(clinical)
OS.time OS
#TCGA.BP.4342 2256 1
#TCGA.A3.3387 617 0
#TCGA.BP.4167 2718 0
#TCGA.B8.4620 777 0
#TCGA.BP.4769 1876 0
#TCGA.CJ.4907 1499 0
然后我们检查一下两个数据的行名是否一样：
identical(rownames(data),rownames(clinical))
> identical(rownames(data),rownames(clinical))
[1] TRUE
结果返回是一样的，因此我们就可以将它们合并在一起了：
data data[1:5,1:6]
OS.time OS AMBRA1 APOL1 ARNT ARSA
#TCGA.BP.4342 2256 1 4.506872 5.383224 5.570176 4.523195
#TCGA.A3.3387 617 0 4.679614 6.493254 5.107071 4.220274
#TCGA.BP.4167 2718 0 4.599814 9.546216 5.194878 4.245679
#TCGA.B8.4620 777 0 4.288099 5.652480 5.290483 3.966170
#TCGA.BP.4769 1876 0 4.665946 6.959901 5.696982 5.056403
此时的数据，带有临床生存数据和自噬基因表达数据，这样就可以进行批量cox回归分析了。
下面我们将它们读出来：
write.csv(data,"Cox_data.csv")
这就是一个cox回归的输入文件。
下期我们就讲一下如何批量做单因素cox回归分析。
其实这里讲的内容并不难，只不过是希望大家知道里面的原理，免得犯错误，如果大家没有选择A的样本做研究，而选择了B的，有的时候结果会出现差异，那么容易受到质疑。
Original: https://blog.csdn.net/weixin_46500027/article/details/124334242
Author: 楷然教你学生信
Title: R语言与临床模型预测——LASSO回归，单因素多因素cox，差异表达分析，Venn图，森林图，列线图，矫正曲线，ROC全套代码及解析——第四部分 匹配临床数据 本专栏可免费答疑
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/696909/
转载文章受原作者版权保护。转载请注明原作者出处！