这次我们来个GC含量的圈图，同样的，我在这里也会描绘出各种GC含量圈图的画法，开开眼界。GC含量图在基因组circos图中算是非常有分量的，各种GC含量圈图的表达形式6的飞起。下面开始画几种类型的GC圈图。
首先，加载circlize R包
library(circlize)
读入染色体数据和GC含量数据
data
circos.genomicInitialize(data,plotType="NULL")
circos.track(ylim = c(0, 1), panel.fun = function(x, y) {
chr = CELL_META$sector.index
xlim = CELL_META$xlim
ylim = CELL_META$ylim
circos.rect(xlim[1], 0, xlim[2], 1, col = rand_color(14))
circos.text(mean(xlim), mean(ylim), chr, cex = 1, col = "white",
facing = "inside", niceFacing = TRUE)
}, track.height = 0.1, bg.border = NA)
这些代码之前的一篇文章我已经提过代码了，所以如果不懂，请参考我前面写的文章
读入GC含量数据：
bed1
数据格式如下：
这里GC含量都是采用滑窗进行计算，可以自己写代码也可以用一行命令解决，或者用bedtools。
下面开始画图吧：
类型一：折线GC图
circos.genomicTrackPlotRegion(bed1,panel.fun = function(region, value, ...){
circos.genomicLines(region, value, type = "l",col='green',...)})
##这里面采用的线性类型是I，线的颜色的是绿色
折线图能看出来的是GC含量变化的高低，会有明显的高低峰的区别
类型二：GC含量圈图
前面步骤都一样，我就直接说点图画法：
circos.genomicTrackPlotRegion(bed1,
panel.fun = function(region, value, ...) {
cex = (value[[1]] - min(value[[1]]))/(max(value[[1]]) - min(value[[1]]))#
i = getI(...)
circos.genomicPoints(region, value, cex = cex, pch = 16, col = "red", ...)})
##这里面可以不用管fuction（）啥的，知道是个规定就好了，点的大小，我用cex代替，cex是一个变化值，pch选的16,颜色是红色
类型三：GC含量热图
f=colorRamp2(breaks=c(0.38,0.46,0.58),color=c("green","black","red"))
circos.genomicTrackPlotRegion(bed1, stack = TRUE,
panel.fun = function(region, value, ...) {
circos.genomicRect(region, value, col = f(value[[1]]), border = NA, ...)
},bg.border=NA)
##这里需要设置颜色棒，bg.border=NA,是将外围的框框去掉，不用框框
可能是我个人审美有问题，颜色配置的丑，别见怪哈，（内心独白就是：你行你上啊），今天就只介绍了这三种GC含量热图，还有好几种，你们可以关注我啊，然后问我，我就给你们代码啊，比如这种以基线为准的热图，大于多少标为正，小于多少向下：
今天还将会展示俩种共线图，觉得不错，可以转载啊。
载入R包
library(circlize)
准备数据
我自己造了4个数据，就是为了展示这些图
第一个数据，染色体长度，随机造了6条染色体：
第二个数据，共线性位置信息
第三个数据，对应的共线性位置信息
先画第一个共线性图，第四种数据，我待会说
circos.par(gap.degree=5,start.degree=80)
circos.genomicInitialize(bed1)
circos.genomicTrackPlotRegion(bed1,ylim=c(-1,1),track.height=0.05
,bg.col=rand_color(nrow(bed1)))
circos.genomicLink(bed2, bed3,col = rand_color(nrow(bed3)
,transparency = 0.1))
这种图比较适合共线块大，并且共线数据少的类型，但是往往我们利用共线软件获得的共线数据非常多，而且密集，对于这种，我推荐下面一种画法。
配置颜色，相邻位置，或者共线性多的数据的染色体最好配置同种颜色，这里我配置的第四种数据是相邻染色体的共线性多
col1 = c("seagreen","seagreen","salmon","salmon","skyblue","skyblue")
circos.genomicInitialize(bed1)
circos.genomicTrackPlotRegion(bed1,ylim=c(-1,1),track.height=0.05
,bg.col=col1)
names(col1) = unique(bed4[,1])
for(i in seq_len(nrow(bed4))) {
circos.link(bed4[i,1], c(bed4[i,2],bed4[i,3]),
bed4[i,4], c(bed4[i,5],bed4[i,6]),
col =col1[bed4[i,4]])}
鉴于我的审美有限，无法给你们描绘出五彩斑斓的黑色，只能到这样了，代码看不懂的可以看看我之前写的文章。开学了，加油咯！！
参考文献：
Zuguang Gu, Lei Gu, Roland Eils, Matthias Schlesner, Benedikt Brors, circlize Implements and enhances circular visualization in R. Bioinformatics
x下面算是circos图的续篇，属于circos的一部分，目前我还没想到这图可以用到哪些生物学数据，但是RNAseq的差异分析应该是可以的。
首先，载入circlize R包
library(circlize)
其次，构建数据，输入的数据为一个矩阵关系。假设我们有A,B,C，D,E 5个组织，分别在正常和干旱产生了若干差异基因，那我们可以构建个矩阵：
data
rownames(data) = c("A","B","C","D","E") ##构建行名
colnames(data) = c("A","B","C","D","E") ##列名
