延续上一章，本章接着介绍heatmaps、scatter、histogram数据作图。
Heatmaps
热图能够直观地显示不同样本、位点之间的差异及聚类情况，是一个展示基因组不同区域不同特性的有效手段，常用于基因表达差异、表观遗传修饰差异等多种分析中。Circos通过type = heatmap的<plot>子模块来实现热图，其基本数据格式除了要求染色体名称和起始终止位置外，还应有value一栏，以示数据值的大小。我们先看一下其参数设置：
show_heatmaps = yes
<plots>
<plot>
show = conf(show_heatmaps)
# 表示这是一个heatmap类型的plot
type = heatmap
file = data/heatmap1.txt
# 蓝色基调的9色面板
color = blues-9-seq
# Circos需要将数据文件中的数值进行映射进min和max区间，从而赋予不同颜色，这就需要考虑下面两个因素
# 一是不同颜色区间的分配，由参数color_mapping设置
# 二是线性/非线性映射，由参数scale_log_base设置，默认为线性映射，不需设置该值
# 这些不同可参见下图
min = 0
max = .20e6
# r0和r1为热图的显示半径
r0 = 0.765r
r1 = 0.785r
# 每个色块边缘颜色及宽度
stroke_color = white
stroke_thickness = 1p
</plot>
<plot>
show = conf(show_heatmaps)
type = heatmap
file = data/heatmap2.txt
color = reds-9-seq
min = 0
max = .20e6
r0 = 0.79r
r1 = 0.81r
stroke_color = white
stroke_thickness = 1p
</plot>
<plot>
show = conf(show_heatmaps)
type = heatmap
file = data/heatmap3.txt
color = blues-9-seq
min = 0
max = .10e6
r0 = 0.895r
r1 = 0.915r
stroke_color = white
stroke_thickness = 1p
</plot>
<plot>
show = conf(show_heatmaps)
type = heatmap
file = data/heatmap4.txt
color = reds-9-seq
min = 0
max = .10e6
r0 = 0.92r
r1 = 0.94r
stroke_color = white
stroke_thickness = 1p
</plot>
</plots>
这里可以看一下官网提供的关于颜色映射问题的示意图：
我们先来看上面设置的heatmaps效果：
但是会发现，上面4组heapmaps几乎用了一模一样的参数却设置了4遍，这样既麻烦又容易出错。Circos为这种情况提供了自动计数工具，下面举个例子。首先，我们新建立一个配置文件heatmap.chain.conf：
<plot>
# 设置变量chain，默认从0开始计数，这里的“:1”即累加1
pre_increment_counter = chain:1
# 用counter调用当前数值，输入不同数据文件
file = data/heatmap.counter(chain).txt
show = conf(show_heatmaps)
type = heatmap
min = 6000
max = 50000
# 同样利用counter设置颜色、位置半径等
color = eval(join(",",map { sprintf("chr%d_a%d",counter(chain),$_) } (5,4,3,2,1) ))
r0 = eval(sprintf("%fr",0.99-counter(chain)*.025-.02))
r1 = eval(sprintf("%fr",0.99-counter(chain)*.025))
stroke_thickness = 0
<rules>
<rule>
# 前章提到Circos中是按照从前至后的顺序进行rule判断的，而importance可用来改变该判断顺序
# 即importance值越高，顺序越靠前，未设置importance的则放在最后依序判断
importance = 100
condition = var(value) < 2000
show = no
</rule>
<rule>
importance = 95
condition = var(value) < 6000
color = vvlgrey
stroke_color = black
stroke_thickness = 1
</rule>
</rules>
</plot>
关于counter的详细信息可查看官网。接下来，我们在主配置文件circos.conf中进行多重include操作即可：
show_heatmaps = yes
<plots>
# 多重操作，具体看引入的数据情况，下图一共需22个
<<include heatmap.chain.conf>>
<<include heatmap.chain.conf>>
<<include heatmap.chain.conf>>
...
</plots>
这样设置简明清晰、易于管理，来看一下效果：
Scatter
散点图恐怕是工作中最常用的数据图之一了，而在Circos中我们需要重新理解其坐标轴，x轴可看作是染色体，y轴则是设置显示的径向区域，这样一来，我们就可以利用type = scatter的<plot>子模块方便地显示不同数值点。下面举个例子：
show_scatter = yes
<plots>
# scatter1
<plot>
show = conf(show_scatter)
# 表示这是一个scatter类型的plot
type = scatter
file = data/scatter1.txt
# r0和r1为散点图的显示半径
r0 = 1r
r1 = 1r+180p
# 显示的数据值范围
max = .5e6
min = 0
# 点的形状
glyph = square
glyph_size = 6
# 不设置color则点为空心
color = undef
# glyph边缘的颜色和粗细
stroke_color = blues-5-seq-5
stroke_thickness = 1
</plot>
# scatter2
<plot>
show = conf(show_scatter)
type = scatter
file = data/scatter2.txt
r0 = 1r
r1 = 1r+180p
max = .5e6
min = 0
glyph = triangle
glyph_size = 8
color = reds-5-seq-5
# 表示数据展示方向，默认为out即由里向外
orientation = in
</plot>
</plots>
看一下效果：
接下来我们考虑这样一件事，既然Circos中散点图的y轴是其显示区域的径向范围，那么令r0 = r1就可以产生不一样的显示效果，同时我们借助上面counter的用法，绘制另一种scatter图。首先新建立两个配置文件，scatter.chain.mm.conf：
<plot>
show = conf(show_scatter)
# 设置变量mmchainscatter，从0开始计数，累加1
pre_increment_counter = mmchainscatter:1
type = scatter
glyph = circle
glyph_size = 5
min = 0
max = 1e6
# 可以看到，这里实际r0 = r1，且所有的配置中该值均未变
r0 = eval(sprintf("1r+%dp",90-0*counter(mmchainscatter)))
r1 = eval(sprintf("1r+%dp",90-0*counter(mmchainscatter)))
file = data/scatter.mm.counter(mmchainscatter).txt
# 不设置颜色使其为空心
color = undef
<rules>
<rule>
condition = 1
# 注意这里的id实际是数据文件第5列里自定义的变量
stroke_color = eval(sprintf("%s",var(id)))
stroke_thickness = 3
glyph_size = eval(remap_int(var(value),0,1e5,15,180))
</rule>
</rules>
</plot>
以及scatter.chain.rn.conf：
<plot>
show = conf(show_scatter)
pre_increment_counter = rnchainscatter:1
type = scatter
glyph = circle
glyph_size = 15
min = 0
max = 1e6
# 与上面不同，这里虽然r0 = r1，但该值随着rnchainscatter而变
r0 = eval(sprintf("1r+%dp",180-30*counter(rnchainscatter)))
r1 = eval(sprintf("1r+%dp",180-30*counter(rnchainscatter)))
file = data/scatter.rn.counter(rnchainscatter).txt
color = black
<rules>
<rule>
condition = 1
# 注意这里的id实际是数据文件第5列里自定义的变量
color = eval(sprintf("%s",var(id)))
glyph_size = eval(remap_int(var(value),0,1e5,5,45))
</rule>
</rules>
</plot>
然后在主配置文件circos.conf中进行多重include操作：
show_scatter = yes
<plots>
# 多重操作，下图一共需22个
<<scatter.chain.mm.conf>>
<<scatter.chain.mm.conf>>
...
# 多重操作，下图一共需5个
<<scatter.chain.rn.conf>>
<<scatter.chain.rn.conf>>
...
</plots>
效果如下：
可见对于数据可视化来说，想象力很重要。
Histogram
直方图常用来显示数据的分布、累积等差异。在某些时候，直方图与散点图存在共同之处（因为可以把点看作是直方的顶部），因而对histogram的设置来说，可以参考scatter：
show_histogram = yes
<plots>
# histogram1
<plot>
show = conf(show_histogram)
# 表示这是一个histogram类型的plot
type = histogram
file = data/histogram1.txt
# 显示的数据值范围，范围之外的不显示
min = 0
max = .5e6
# 是否设置histogram的底色
fill_under = yes
# 蓝色基调的5色面板中的第4个色，aN表示透明度为N/6，这里即5/6 = 83%
fill_color = blues-5-seq-4_a5
# 显示区域
r0 = 1r
r1 = 1r+180p
# 设置方向为由内之外
orientation = out
# 背景设置可用于任意plot模块，既可以与其它图形并用，也可以单独存在
<backgrounds>
# 表示只在有数据的部分显示
show = data
#background1
<background>
# 颜色设置
color = vvlgrey
# 注意在background中，范围设置使用y0和y1
y0 = 0.4r
y1 = 0.6r
</background>
</backgrounds>
# 坐标轴的设置指y轴，径向
# 可用于任意plot模块，既可以与其它图形并用，也可以单独存在
<axes>
# 表示只在有数据的部分显示
show = data
thickness = 1
# axis1
<axis>
# 尺度
spacing = 0.05r
color = vlgrey
# 在特定位置上不显示
position_skip = 0.25r,0.35r
</axis>
# axis2
<axis>
spacing = 0.1r
# 注意在axis中，范围设置使用y0和y1
y0 = 0.3r
y1 = 0.7r
color = grey
</axis>
# axis3
<axis>
# 在特定位置上显示，这里一个是数据值，一个是histogram图的径向范围的相对值
position = .3e6,0.55r
color = red
thickness = 2
</axis>
</axes>
</plot>
# histogram2
<plot>
show = conf(show_histogram)
type = histogram
file = data/histogram2.txt
r1 = 1r+180p
r0 = 1r
max = .5e6
min = 0
fill_under = yes
fill_color = reds-5-seq-4_a5
orientation = in
</plot>
</plots>
最后，我们看一下显示效果：
经过这四章，我们大概能够应付基本的Circos作图了（plot中还有tile、line、connector等就不一一介绍了），然而唯有熟能生巧，只有不断地尝试再尝试，才能发现更多有意思的高阶用法。在这个数据为大，展示为先的时代，望Circos的使用能给我们的工作添光增色。
