单基因TCGA的Cox森林图怎么画才好看

首先调取Xena网页的TCGA数据做Cox生存分析，数据可以通过hiplot官网自主研发的ucsc-xena-shiny直接在线获取
访问https://hiplot.com.cn/advance/ucsc-xena-shiny
然后全屏显示，点击Qucik PanCan Analysis下方的TCGA：Molcular Profile Cox Analysis

Molcular Profile Cox Analysis

输入一个你想要的基因，比如RAC3，Select Measure for plot可以设置OS，PFI，DSS和DFI，然后点上方的搜索，就可以看到出的图了

需要的结果

继续往下滚动鼠标，就可以看到数据了，而且还可以下载

数据在这

得到数据以后就可以用R画图了，注意，这里的HR和CI都是Log过的结果，跟别的地方计算的Cox结果有些不一样，可能是方法不一样吧，是因为网站计算的HR结果相差太大了吗？
由于是log过的结果，所以森林图的X轴不再是HR=1为分界线了，而是以log2HR=0为分界线。。。

unicox <- read_csv("~/Desktop/RAC3_mRNA_OS_pancan_unicox.csv") ##加载csv数据
library(ggplot2)
ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log, cancer, col=Type))+  ##定义X轴和Y轴，以类型分类
  geom_point(size=2.5)+  #固定点的大小
  geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+ ##设置95%CI区间，就是误差线
  scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+ ##设置X轴范围，分割点从-1到1，以1为分界，具体分界看数字分布
  geom_vline(aes(xintercept = 0))+ #以0为分界线
  xlab('HR(95%CI)') + ylab(' ')+  #定义标签
  theme_bw(base_size = 12)+ #主题和字体
  scale_color_manual(values = c("gray", "steelblue", "red")) #设置颜色

点的大小固定为2.5

ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log, cancer, col=Type,shape=Type))+ #设置不同的形状
  geom_point(size=3)+
  geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+
  scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+
  geom_vline(aes(xintercept = 0))+
  xlab('HR(95%CI)') + ylab(' ')+
  theme_bw(base_size = 12)+
  scale_color_manual(values = c("gray", "steelblue", "red"))

不同的形状

# 以-log10P值定义点的大小，点越大，P值越小，越有统计学意义
ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log, cancer, col=Type,shape=Type))+
  geom_point(aes(size=-log10(p.value)))+
  geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+
  scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+
  geom_vline(aes(xintercept = 0))+
  xlab('HR(95%CI)') + ylab(' ')+
  theme_bw(base_size = 12)+
  scale_color_manual(values = c("gray", "steelblue", "red"))

image.png

再加一个形状
ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log, cancer, col=Type,shape=Type))+
  geom_point(aes(size=-log10(p.value)))+
  geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+
  scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+
  geom_vline(aes(xintercept = 0))+
  xlab('HR(95%CI)') + ylab(' ')+
  theme_bw(base_size = 12)+
  scale_color_manual(values = c("gray", "steelblue", "red"))

image.png

#排个序可好
ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log,  reorder(cancer,HR_log),  col=Type,shape=Type))+
         geom_point(aes(size=-log10(p.value)))+
         geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+
         scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+
         geom_vline(aes(xintercept = 0))+
         xlab('HR(95%CI)') + ylab(' ')+
        theme_bw(base_size = 12)+
         scale_color_manual(values = c("gray", "steelblue", "red"))

image.png

##换个排序也行
ggplot(RAC3_mRNA_OS_pancan_unicox, aes(HR_log,  reorder(cancer,-HR_log),  col=Type,shape=Type))+
         geom_point(aes(size=-log10(p.value)))+
         geom_errorbarh(aes(xmax =upper_95_log, xmin = lower_95_log), height = 0.4)+
         scale_x_continuous(limits= c(-2, 2), breaks= seq(-1, 1, 1))+
         geom_vline(aes(xintercept = 0))+
         xlab('HR(95%CI)') + ylab(' ')+
        theme_bw(base_size = 12)+
         scale_color_manual(values = c("gray", "steelblue", "red"))

image.png

更多定制，等你发现。。。