有时候你通过各种挖掘，筛选出了一些基因，你可能需要对这些基因进行生存分析，常规的办法可能要去下载所有的基因表达量和临床表型，然后再去一个个分析。说真的，这样很低效，我们可以利用survminer包的ggsurvplot_facet()函数进行分面绘制，类似于ggolot2的facet。
多基因生存分析数据的获得
我建议去xena浏览器的可视化卡片去直接筛选数据，这样可以节省很多很多时间，而且我建议你使用TPM的基因表达定量，在xena上有TCGA和GDC的hub，但是单位都不是TPM，而含有TPM的基因单位和生存数据保存在Pan-Cancer Atlas Hub里面。
我们使用xena的中国镜像站登录网址:
第一列输入：TCGA Pan-Cancer
第二列在Phenotypic，勾选cancer type abbreviation、sample_type、OS和OS.time（当然还有别的生存时间和状态，按需下载）
后续列在Genomic里输入需要的基因名，gene expression RNAseq勾选TOIL RSEM tpm
可以在上方的文本框内输入所要的肿瘤缩写（如BLCA）后点击Filter筛选当前肿瘤，继续输入Primary Tumor提取肿瘤样本
点击下载，保存为“data.tsv”
这里需要解释一下，由于肿瘤的生存分析不应该设计正常样本，最好也不设计转移样本，所以我们要将“Primary Tumor”单独过滤除了。比如我随便输入了（RFC1、RFC2、RFC3、RCF4、RFC5、BEST1、BEST、BEST3和BEST4）九个基因，想看看这九个基因在BLCA中的OS生存曲线，示例数据见data.tsv。
数据的处理
我们首先读取这个tsv表格，看看前几列的数据，其中表中部分基因的表达量是NA，我们需要去除NA值，然后把不需要的sample列去除
data<-read.csv("/data.tsv",sep="\t",row.names = 1,header = T)
data[1:10,1:10]
data<-na.omit(data)
data<-data[,-1]我们一般按基因表达定位的中位数进行分组，这里有九个基因，我们可以设置一个函数，然后合并。
## 设置批量函数
keep<-function(x){
ifelse(x>median(x),"High","Low")
}
data2<-apply(data[5:ncol(data)], 2, keep) #从6列开始批量运行
#将生存信息(Time，Status)与High/Low分类好的矩阵合并
survival<-cbind(data[,1:2],data2)
colnames(survival)<-c('status','time','RFC1','RFC2','RCF3','RFC4','RFC5','BEST1','BEST2','BEST3','BEST4') #重命名一下表格接下来，我们需要将短数据，转换为长数据。
library(reshape)
survival2<-melt(survival,id.vars=c("status","time"))多基因生存曲线分面绘制
进行一步批量生存分析，最终结果见图1所示
library(survival)
library(survminer)fit<- survfit(Surv(time, status) ~ value, data = survival2)
ggsurvplot_facet(fit,survival2,
palette = "lancet",
linetype=3,
pval = T,pval.method = T,
conf.int = T,conf.int.style='step',
surv.median.line = "hv",
scales = "free",
short.panel.labs = T,
facet.by = "variable",
ggtheme=theme_linedraw(),legend.title="Group")## Warning: `as.tibble()` was deprecated in tibble 2.0.0.
## Please use `as_tibble()` instead.
## The signature and semantics have changed, see `?as_tibble`.## Warning: `select_()` was deprecated in dplyr 0.7.0.
## Please use `select()` instead.## New names:
## * variable -> variable...1
## * variable -> variable...2
Figure 1: 多基因生存曲线分面绘制
结果显示好像我随机挑的这个基因在膀胱癌中都不咋的，没一个有意义，但我们可以换换配色和主题
ggsurvplot_facet(fit,survival2,
palette = "jco",
linetype=3,
pval = T,pval.method = T,
conf.int = T,conf.int.style='step',
surv.median.line = "hv",
scales = "free",
short.panel.labs = T,
facet.by = "variable",
ggtheme=theme_pubclean(),legend.title="Group")## New names:
## * variable -> variable...1
## * variable -> variable...2
—更多细节需要多练习