生信人之前推过很多的课程，但是课程都侧重于套路的复现和思路的复现，或者就是过于基础的课程。这次我们推出的课程更加侧重于分析技能和技巧的讲解，相信客户能够更好的进行复现和重复。2、所涉及的代码操作，参数全部外置，客户可以不用读懂代码也可以操作。4、所有的课程都提供demo数据测试，并经过了内部审核。
以下是视频的word版本
生存分析( Survival analysis )是研究影响因素与生存时间和结局关系的方法。简单的说就是要分析影响因素是否与结局相关，还要分析影响因素与结局出现时间关系。生存时间( Survival time )是指从某起点事件开始到被观测对象出现终点事件所经历的时间，如从疾病确诊到进展/死亡的时间;生存时间有两种类型:第一种是完全数据( Complete data ) ， 指被观测对象从观察起点到出现终点事件所经历的时间;第二种是截尾数据( Consored data) ， 截尾数据的产生主要有三个原因，失访( Loss of follow-up )、退出和终止。失访和退出都是在试验还没有结束时， 研究者就已经追踪不到数据了，而终止是研究已经结束仍未观察到患者结局。截尾数据过多会影响生存分析的效果。死亡概率( Mortality probability )是指某段时间开始时生存的个体在该段时间内死亡的可能性大小;生存概率( Survival probability )是指某段时间开始时存活的个人至该时间结束时仍然存活的可能性大小;1.Kaplan-Meier plots to visualize survival curves（根据生存时间分布，估计生存率以及中位生存时间，以生存曲线方式展示，从而分析生存特征，一般用Kaplan-Meier法，还有寿命法）2.Log-rank test to compare the survival curves of two or more groups（通过比较两组或者多组之间的的生存曲线，一般是生存率及其标准误，从而研究之间的差异，一般用log rank检验）3.Cox proportional hazards regression to describe the effect of variables on survival（用Cox风险比例模型来分析变量对生存的影响，可以两个及两个以上的因素，很常用）在R语言中我们主要用survival和survminer。对于Kaplan—Meier检验一般用survfit()函数，Log-rank检验一般用survdiff()，Cox回归coxph()。单cox生存分析图：有了生存时间和表达量合并的文件,就可以做单因素Cox分析。KM生存分析示例，以生存时间为横轴，将各个时间点的生存率连在一起的曲线图。
森林图：森林图进行可视化展示很常见,其实COX生存分析也能用森林图展示。主要展示HR结果。cox森林图：ggforest绘制基础森林图
风险评分(risk score)图：绘制riskScore的高低风险分组显示点图。
cox模型ROC图：多因素分析得到的数据，用所有样本的风险比例，生存时间，就可以做生存曲线ROC曲线。
列线图是一种直观有效地展示Cox回归结果的一 -种方法。最有价值的是进行结局的预测,同时可以通过直线的长度来表示不同变量对结局的影响,以及变的不同取值对结局的影响。 
一般在建立好Cox模型之后，需要对模型进行诊断。诊断内容包括模型的前提条件，诸如Cox模型的PH假定（比例风险假定），共线性假定等PH检验：PH假定可通过假设检验和残差图检验。正常情况下，Schoenfeld残差应该与时间无关，如果残差与时间有相关趋势，则违反PH假设的证据。残差图上，横轴代表时间，如果残差均匀的分布则，表示残差与时间相互独立。
非线性检验：通过绘制Martingale残差图可以实现模型协变量的非线性诊断。非线性诊断一般是针对模型中的连续型变量。
异常值检验：可以通过绘制Deviance残差图。残差值均匀的分布在0上下，表明满足上述假定。
1.PROGgeneV2：http://genomics.jefferson.edu/proggene/results.php
2. MethSurv：https://biit.cs.ut.ee/methsurv/ 甲基化相关生存
这里就是常用的预后可视化相关内容,大家可以多多了解,丰富自己的展示结果~欢迎关注生信人
TCGA | 小工具 | 数据库 |组装| 注释 | 基因家族 | Pvalue
基因预测 |bestorf | sci | NAR | 在线工具 | 生存分析 | 热图
生信不死 | 初学者 | circRNA | 一箭画心| 十二生肖 | circos
舞台|基因组 | 黄金测序 | 套路 | 杂谈组装 | 进化 | 测序简史
