上次介绍了如何绘制一个好看的生存曲线：。
但有的时候我们会发现，单因素cox回归某个自变量对生存有意义，当绘制生存曲线的时候，确变得没意义了，比如下面这一组数据：
我们先进行一下单因素cox回归，代码如下：
setwd("C:\\Users\\ASUS\\Desktop\\KIRP与坏死性凋亡")
dir()
data <- read.csv("survival.csv",header = T,sep = ",")
head(data)
library(coin)
cox <- coxph(Surv(OS.time, OS) ~ RBCK1, data)
summary(cox)
可以看到P值是有意义的，但是当我们以中位值做生存曲线时，算出来P值就没意义了：
data$RBCK1 <- ifelse(data$RBCK1>median(data$RBCK1),"High RBCK1 expression","Low RBCK1 expression")
cox <- coxph(Surv(OS.time, OS) ~ RBCK1, data)
summary(cox)
生存曲线也是看不出差异：
这是因为中位值并不是这个基因最合适的截断值，因此，我们需要选择最合适的截断值。
选择截断值的软件目前比较火比较方便的便是x-tile软件，pubmed上也有类似的文章介绍：https://pubmed.ncbi.nlm.nih.gov/15534099/
下一期我们将详细介绍此软件如何使用。
我们使用此软件确定了基因RBCK1的最适cut-off值为7.0，根据7.0，我们将数据分为高地表达组，再次使用单因素cox回归分析，代码如下：
data$RBCK1 <- ifelse(data$RBCK1>7.0,"High RBCK1 expression","Low RBCK1 expression")
cox <- coxph(Surv(OS.time, OS) ~ RBCK1, data)
summary(cox)
可以看到，单因素cox回归有意义了，这也就意味着生存曲线也有意义：
因此，选择最适的cutoff值是很有必要的。关于生存曲线如何绘制，可以查看我们的另一期教程：
下面介绍x-tile的使用！！
数据格式如下：
将此数据存成txt（文本文件，制表符分隔）。
打开x-tile并点击分析：
然后File-open-选择数据导入。
Censor对应OS即生存状态，Survivaltime对应OS.time生存时间，marker1就是要研究的变量（基因表达，患者年龄，性别，分期等都可以）。
此处注意，如果随访的数据是天，就都改成Days，然后随访天数最长的加入是五千天，cutoff at写5000（加入4999天，也写5000）
点击左上角Do-kaplan-Maier-maker1，出现如下界面：
点击红框的倒三角，能够确认最适的两个cut-off值，下面的长方形能确定最适的一个cut-off值。
点击倒三角的结果如下：
点击长方形的结果如下：
把cut-off值记下来，然后用R语言做生存曲线。
生存曲线的代码参考之前的博客：绘制一张好看的生存曲线_李京弦的博客-CSDN博客首先准备数据，数据格式如下：这是来自TCGA—BLCA的数据，OS.time生存时间，OS生存状态：1表示死亡，0表示存活，NSUN6是随意筛选的某个基因的表达量。下面开始测试代码：1.设置工作路径，读取数据setwd("D:\\data")dir()data <- read.csv("survival.csv",header = T,sep = ",")head(data)##查看数据> head(data) Sample OS.time OS
需要改动的代码是ifelse函数，改为最适的cut-off值。
另外，TCGA的数据已经上传到资源，已经进行id转换，标准化及logCPM，logTPM等处理，包含已经整理好的完整临床资料，大家要做生信分析可以直接到我的资源下载，直接可以进行后续生信分析，免除数据准备的各种麻烦。
注：x-tile软件已上传到我的资源！
