======================================
在前一章（TCGA生存分析）中，我们描述了生存分析的基本概念以及分析和总结生存数据的方法，包括：1.危险和生存功能的定义 2.为不同患者群构建Kaplan-Meier生存曲线用于比较两条或更多条生存曲线的logrank检验
但是上述方法--Kaplan-Meier曲线和logrank测试 - 是单变量分析的例子。他们根据调查中的一个因素来描述生存，但忽略了任何其他因素的影响。
此外，Kaplan-Meier曲线和logrank检验仅在预测变量是分类时才有用（例如：治疗A与治疗B男性与女性）。它们不适用于基因表达，体重或年龄等定量预测因子。
另一种方法是Cox比例风险回归分析，它适用于定量预测变量和分类变量。此外，Cox回归模型扩展了生存分析方法，以同时评估几种风险因素对生存时间的影响。
在临床研究中，存在许多情况，其中几个已知量（称为协变量）可能影响患者预后。
例如，假设比较两组患者：那些患者和没有特定基因型的患者。如果其中一组也包含较老的个体，则存活率的任何差异可归因于基因型或年龄或两者。因此，在研究与任何一个因素相关的生存时，通常需要调整其他因素的影响。
cox比例风险模型是用于对生存分析数据建模的最重要方法之一。该模型的目的是同时评估几个因素对生存的影响。换句话说，它允许我们检查特定因素如何影响特定时间点发生的特定事件（例如，感染，死亡）的发生率。该比率通常称为危险率。预测变量（或因子）通常在生存分析文献中称为协变量。
要一次将单变量coxph函数应用于多个协变量，请键入：
上面的输出显示了回归β系数，效应大小（作为风险比给出）和每个变量相对于总体生存的统计显着性。每个因素都通过单独的单变量Cox回归来评估。
比如GPL570的矩阵就是没有取过log2的。将原始表达矩阵eset （共24列）进行简单转换：
eset[,1:24]<-log2(eset[,1:24])
本系列课程要求大家有一定的R语言基础，对于完全零基础的同学，建议去听一下师兄的《生信必备技巧之——R语言基础教程》。本课程将从最基本的绘图开始讲解，深入浅出的带大家理解和运用强大而灵活的ggplot2包。内容包括如何利用ggplot2绘制散点图、线图、柱状图、添加注解、修改坐标轴和图例等。
本次课程所用的配套书籍是： 《R Graphic Cookbooks》
除了以上的基本图形外，师兄还会给大家讲解箱线图、提琴图、热图、火山图、气泡图、桑基图、PCA图等各种常用的生信图形的绘制，还不赶紧加入收藏夹，跟着师兄慢慢学起来吧！
柱状图可能是最常用的一种数据可视化。它们通常用于显示数值(在y轴上)，用于显示不同类别的数值(在x轴上)。例如，柱状图可以用来显示四种不同商品的价格。柱状图通常不适合显示一段时间内的价格，因为时间是一个连续的变量。
在制作柱状图时，您应该注意一个重要的区别:柱状图的高度有时表示数据集中的案例数，有时表示数据集中的值。记住这一区别——这可能会引起混淆，因为它们与数据的关系非常不同，但两者使用相同的术语。
拓展： position参数： 此处的position主要是指对图像的微调，最常见的应用是在分组的柱形图（bar）中，因为分组的柱形图会产生组内堆积和不堆积两种主要效果。
