欢迎关注”生信修炼手册”!

在之前meta分析的文章中我们介绍了森林图的画法，典型的森林图如下所示

每一行表示一个study，用errorbar展示log odds ratio值的分布，并将p值和m值标记在图中。森林图主要用于多个study的分析结果的汇总展示。

在构建预后模型时，通常会先对所有基因进行单变量cox回归，然后筛选其中显著的基因进行多变量cox回归来建模，对于cox回归的结果，每个基因也都会有一hazard ratio和对应的p值，也可以用森林图的形式来展现，比如NAD+的文献中就采用了这样的一张森林图

每一行表示一个变量，用errorbar展示该变量对应的风险值的大小和置信区间，并将风险值和p值标记在图上。

根据cox生存分析的结果绘制森林图有多种方式，使用survminer包的ggforest函数，是最简便的一种，代码如下

> library(survminer)
> require("survival")
> model <- coxph( Surv(time, status) ~ sex + rx + adhere,
+                 data = colon )
> model
Call:
coxph(formula = Surv(time, status) ~ sex + rx + adhere, data = colon)coef exp(coef) se(coef)      z        p
sex       -0.04615   0.95490  0.06609 -0.698 0.484994
rxLev     -0.02724   0.97313  0.07690 -0.354 0.723211
rxLev+5FU -0.43723   0.64582  0.08395 -5.208 1.91e-07
adhere     0.29355   1.34118  0.08696  3.376 0.000736Likelihood ratio test=46.51  on 4 df, p=1.925e-09
n= 1858, number of events= 920
> ggforest(model)

效果图如下

这种方式确实出图简单，一步到位，但是提供的参数却很少，灵活性很小，基本上没法修改图中的元素，另外一种方式，就是使用forest这个R包，这个R包灵活性很大，通过调参可以实现很多自定义效果，基本用法如下

> row_names <- list(list("test = 1", expression(test >= 2)))
> test_data <- data.frame(
+   coef = c(1.59, 1.24),
+   low = c(1.4, 0.78),
+   high = c(1.8, 1.55)
+ )
> forestplot(
+   labeltext = row_names,
+   mean = test_data$coef,
+   lower = test_data$low,
+   upper = test_data$high,
+   zero = 1,
+   cex  = 2,
+   lineheight = "auto",
+   xlab = "Lab axis txt"
+ )

效果图如下

虽然输出很简陋大，但是从基本用法可以看出，我们可以自定义变量名称，指定风险值的大小，这样我们只需要从cox回归的结果中提取我们需要绘图的元素进行绘制即可。

基本用法之外中添加的变量是单列注释，如果要实现文献中图片的多列注释效果，可以参考下面这个例子

> test_data <- data.frame(
+   coef1 = c(1, 1.59, 1.3, 1.24),
+   coef2 = c(1, 1.7, 1.4, 1.04),
+   low1 = c(1, 1.3, 1.1, 0.99),
+   low2 = c(1, 1.6, 1.2, 0.7),
+   high1 = c(1, 1.94, 1.6, 1.55),
+   high2 = c(1, 1.8, 1.55, 1.33)
+ )
>
> col_no <- grep("coef", colnames(test_data))
> row_names <- list(
+   list("Category 1", "Category 2", "Category 3", expression(Category >= 4)),
+   list(
+     "ref",
+     substitute(
+       expression(bar(x) == val),
+       list(val = round(rowMeans(test_data[2, col_no]), 2))
+     ),
+     substitute(
+       expression(bar(x) == val),
+       list(val = round(rowMeans(test_data[3, col_no]), 2))
+     ),
+     substitute(
+       expression(bar(x) == val),
+       list(val = round(rowMeans(test_data[4, col_no]), 2))
+     )
+   )
+ )
>
> coef <- with(test_data, cbind(coef1, coef2))
> low <- with(test_data, cbind(low1, low2))
> high <- with(test_data, cbind(high1, high2))
> forestplot(row_names, coef, low, high,
+   title = "Cool study",
+   zero = c(0.98, 1.02),
+   grid = structure(c(2^-.5, 2^.5),
+     gp = gpar(col = "steelblue", lty = 2)
+   ),
+   boxsize = 0.25,
+   col = fpColors(
+     box = c("royalblue", "gold"),
+     line = c("darkblue", "orange"),
+     summary = c("darkblue", "red")
+   ),
+   xlab = "The estimates",
+   new_page = TRUE,
+   legend = c("Treatment", "Placebo"),
+   legend_args = fpLegend(
+     pos = list("topright"),
+     title = "Group",
+     r = unit(.1, "snpc"),
+     gp = gpar(col = "#CCCCCC", lwd = 1.5)
+   )
+ )

效果图如下

基于上述知识储备和函数的帮助文档，我们就可以实现和文章中图片一致的效果图了，只需要仔细钻研函数的帮助文档即可。

·end·

—如果喜欢，快分享给你的朋友们吧—

原创不易，欢迎收藏，点赞，转发！生信知识浩瀚如海，在生信学习的道路上，让我们一起并肩作战！

本公众号深耕耘生信领域多年，具有丰富的数据分析经验，致力于提供真正有价值的数据分析服务，擅长个性化分析，欢迎有需要的老师和同学前来咨询。

更多精彩

• KEGG数据库，除了pathway你还知道哪些

• 全网最完整的circos中文教程

• DNA甲基化数据分析专题

• 突变检测数据分析专题

• mRNA数据分析专题

• lncRNA数据分析专题

• circRNA数据分析专题

• miRNA数据分析专题

• 单细胞转录组数据分析专题

• chip_seq数据分析专题

• Hi-C数据分析专题

• HLA数据分析专题

• TCGA肿瘤数据分析专题

• 基因组组装数据分析专题

• CNV数据分析专题

• GWAS数据分析专题

• 机器学习专题

• 2018年推文合集

• 2019年推文合集

• 2020推文合集

写在最后

转发本文至朋友圈，后台私信截图即可加入生信交流群，和小伙伴一起学习交流。

扫描下方二维码，关注我们，解锁更多精彩内容！

一个只分享干货的

生信公众号