表达谱分析中，经常会使用到相关性分析，探索一组基因间的共表达特征。例如，这些基因间的表达是否存在较强的协同性，一个基因表达值的改变是否与另一个基因表达值改变显著相关，它们之间是共激活还是抑制关系等。
对于相关性分析结果的可视化，通常有多种方法，例如相关性散点图、弦图、共表达网络图。本篇教程则主要带大家了解如何基于基因表达值的相关性，绘制弦图。
如下弦图来自文献“CUL4B promotes prostate cancer progression by forming positive feedback loop with SOX4”，共涉及了7个基因。图中的连线就代表了基因间表达值的相关性信息，红色代表正相关，绿色代表负相关，颜色越深或连线越粗代表相关强度越高。从图中可以看出，这几个基因间以较强的正相关关系占主导，暗示它们之间的共激活关系，或者在相似的生物学过程中发挥作用。
文献中的弦图，表示基因间表达值的相关性
接下来，就模仿该文献的样式，绘制基因表达相关性弦图。
计算基因表达值的相关性
为了绘制弦图，首先需要计算基因表达值的相关性。
来看提供的示例数据“gene_FPKM.txt”，记录了6个基因在30个样本中的表达值（FPKM值）信息。将该基因表达值矩阵读入到R中，计算基因表达值的Pearson相关性。
示例数据格式
#读取基因表达值数据
gene <- read.delim('gene_FPKM.txt', row.names = 1, sep = '\t')
gene <- t(gene) #转置数据，使行为样本，列为基因
#表达值进行log(1+)转化，使数据更服从正态分布，减少离散度极大值影响
gene <- log(gene+1)
#基因表达值的相关性分析，以Pearson相关系数为例
gene_cor <- cor(gene, method = 'pearson')
#去除基因的自相关，也就是对角线的值
diag(gene_cor) <- 0
gene_cor #最终的基因间表达值Pearson相关性矩阵
计算基因间表达值的相关性
初步计算了6个基因间表达值的Pearson相关系数，正值代表正相关，负值代表负相关，绝对值越大代表相关强度越高。
绘制相关性弦图
再对上述得到的相关性矩阵做个转换，得到一种两两对应的结构，如下示例。
#将获得的相关性矩阵转换为两两对应的数据框结构
gene_cor <- reshape2::melt(gene_cor)
gene_cor <- subset(gene_cor, value != 0) #去除0值的相关性
head(gene_cor) #前两列是两个基因名称，第三列为两个基因的相关性
基因间两两相关性
最后，可通过circlize包中的方法绘制弦图，circlize包是R语言中绘制弦图的一款非常优秀的R包。
#绘制弦图
library(circlize)
chordDiagram(gene_cor,
annotationTrack = c('grid', 'name', 'axis'), #绘制外周圆弧区，显示名称和刻度轴
grid.col = c(GABRD = 'green3', PLVAP = 'red', CDKN3 = 'orange', CDC25C = 'purple', UBE2T = 'skyblue', SKA1 = 'blue'), #定义基因颜色
col = colorRamp2(c(-1, 0, 1), c('green', 'white', 'red'), transparency = 0.5), #根据相关性大小展示连线的颜色范围
annotationTrackHeight = c(0.05, 0.05), #名称离圆弧的距离，以及圆弧的宽度
)
R包circlize绘制的弦图
这样弦图就得到了，连线表示了6个基因间表达值的Pearson相关性信息，红色代表正相关，绿色代表负相关，颜色越深或连线越粗代表相关强度越高。
