![C语言中cube[0][2]|=Z,是什么意思？](/aiimages/C%E8%AF%AD%E8%A8%80%E4%B8%ADcube%5B0%5D%5B2%5D%7C%3DZ%2C%E6%98%AF%E4%BB%80%E4%B9%88%E6%84%8F%E6%80%9D%EF%BC%9F.png)
特别是R专统计方面。
数学建模就是通过计算得到的结果来解释实际问题，并接受实际的检验，来建立数学模型的全过程。当需要从定量的角度分析和研究一个实际问题时，人们就要在深入调查研究、了解对象信息、作出简化假设、分析内在规律等工作的基础上，用数学的符号和语言作表述来建立数学模型。
配对箱线图，常见于配对样本的数据分析中。
例如下图示例，为了研究某些基因在肿瘤组织和正常组织中是否具有表达量的显著不同，在取样时，往往会在同一患者个体中同时获取肿瘤和临近正常组织，两个组织样本就是配对关系。当然在这类研究中，往往需要调查很多的患者，因此会获得大量的配对样本。随后，通过qPCR或RNA-seq等方法定量基因表达后，以箱线图呈现特定基因在肿瘤组织和正常组织中的整体表达水平，并在箱线图中以散点表示具体的样本，此时对于具有配对关系的肿瘤组织和正常组织样本，就可以通过连线连接起来。
这种配对箱线图的好处是，除了能够表现两组的整体差异，还能够清晰地呈现单个样本的前后改变。
本篇教程，就让我们带大家学习如何使用R语言绘制这种配对箱线图。
类似地，假设我们也期望查看某基因（例如MAP2）在肿瘤组织和正常组织中的表达改变情况，在收集了配对样本并检测了这些样本中基因表达水平后，配置这样一张表。
samples是样本名称；MAP2是基因MAP2在各样本中的表达值；group1是样本分组，告知它们来源于肿瘤组织还是正常组织；group2是配对样本信息，配对的两样本设置为同一亚组。
备注： 该示例数据集可点击这里获取。
随后，将上述示例数据导入R中。
绘制箱线图表示两组基因的整体表达水平，并以散点表示样本，配对样本间以连线连接。
这样，配对箱线图就获得了。
箱线图描述了组间基因表达水平改变的趋势，在该图中可以看到MAP2基因的表达在肿瘤组织和正常组织中是不一致的。后续如有需要，不妨执行配对样本的t检验等，计算显著性p值，作为评判基因表达显著差异的指标。
原文: R语言之生信⑦Cox比例风险模型(单因素)
======================================
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。
