如何用Python绘制Circos图

用Python实现Circos图的绘制在线绘制的Circos有一定局限性，如对数据的要求、个性化的局限和处理速度等的问题，但如果你是一个Pythoneer或者喜欢用更加Pythonic的方式来个性化地绘制Circos图，那么今天就跟随我一起用代码实现这一目标吧！

安装Circos包

首先，登录Python的包索引网站Python Package Index（PyPI，正确读音是：Pie Pee Ai），找到Circos包的下载页：

https://pypi.python.org/pypi/Circos/1.3.5

该包/模块的作者是我的好友Eric Ma。你可以选择下载wheeler文件，然后本地安装。也可以在shell下直接通过pip进行安装：

pipinstallcircos

注意，所支持的Python版本必须是3.x，对2不支持。

选择数据

当安装了circos包后，我们就可以直接应用这个包来写代码了。为了演示方便，我需要应用一些数据。作为内科医师，就让我来展示一下老本行：处理药物与肝酶细胞色素P450的相互关系的可视化。由于是为了抛大销缺砖引玉，所以绘制出的Circos图相对简单。

我们先从美国FDA官网下载不同细胞色素相关的各种口服药物表。共202种常用的口服药物，涵盖内科学、肿瘤学、神经科和心理学等学科。数据文件如下：

可以看到这个数据的结构：是按肝细胞色素酶进行分类，共斗模分8个列。这8个细胞色素酶分别是：CYP1A2,CYP2B6, CYP2C8, CYP2C9, CYP2C19, CYP2D6, CYP2E1和CYP3A4。我们将要建立各个口服药与这些肝酶之间关系的Circos图，从而了解通过相同肝酶代谢或转化的药物之间是否存在相互作用。

导入各个模块和读入数据

导入各个模块：

fromcircosimportCircosPlot

importxlrd

importpandasaspd

importnumpyasnp

读入文件：

filename='.\\MedicationInteraction.xlsx'

book=xlrd.open_workbook(filename)

print('File loaded!')

提取数据：

nrows=book.sheet_by_name('Sheet1').nrows

header=book.sheet_by_name('Sheet1').row_values(0)

data=[book.sheet_by_name('Sheet1').row_values(i) fori inrange(1, nrows)]

df=pd.DataFrame(data, columns =header)

df[df==''] = np.nan

读取后，药物和酶的数据为pandas的DataFrame数据结构，细胞色素P450酶的名字为columns的名字。我们可以检查一下数据：

修数据，尤其是处理NA数据

df_dict={}

foriinrange(len(df.columns)):

df_dict[df.icol(i).name] =list(df.icol(i).dropna())

节点和连线

创建节点（nodes）数据，在我这个例子里就是各个药物和肝酶：

nodes=[]

forkeyindf_dict.keys():

nodes.extend(df_dict[key])

nodes=list(nodes)

headers=list(df.columns)

enzymes=['0'] * 5

forheaderinheaders:

enzymes.append(header)

enzymes.extend(['0']*5)

nodes.extend(enzymes)

创建连线（edges）数据，我们应用tuple（元组）这个数据结构来表示药物与特定肝酶之间的关系：

edges_origin=[]

forkeyindf_dict.keys():

forvalue indf_dict[key]:

edges_origin.append((key, value))

绘图

绘制Circos图：

c=CircosPlot(nodes, edges_origin, radius =10,

nodecolor="blue",

edgecolor="red",

)

c.draw()

得到了下面这张所滚辩有药物与肝酶之间的图：

左上方是8个肝脏细胞色素P450酶（CYP1A2、CYP2B6、CYP2C8、CYP2C9、CYP2C19、CYP2D6、CYP2E1和CYP3A4）。其它点即为202种口服药物。每种药物都与参与代谢和转化它的P450酶相连。与相同酶连接的不同药物，理论上应该都存在相互作用，但具体如何还要看与酶的作用机理。

个性化绘图

如果我们打算分别可视化出不同肝酶的关系图形，我们只需改变连线信息，即edges信息：

edges=[]

&#8205forvalueindf_dict['CYP2B6']:

edges.append(('CYP2B6', value))

c=CircosPlot(nodes, edges, radius =10,

nodecolor="orange",

edgecolor="orange",

)

c.draw()

从而我们得到了各种肝酶所代谢和转化药物的图形

用PS将它们合并：

相同肝酶所代谢和转化的药物用相同颜色的edges表示。

显示特定药物

最后，我们可以挑选其中一些感兴趣的药物来进行观察，例如，我从这202个药物中指定几个我感兴趣的药物：

propafenone（心律平）, acetaminophen（对乙酰氨基酚）, paclitaxel（紫杉醇）, ibuprofen（布洛芬）, losartan（洛沙坦）, omeprazole（奥美拉唑）, carvediolo（卡维地洛）, codeine（可待因）, theophylline（茶碱）, quinidine（奎尼丁）, verapamil（异搏定）, lovastatin（洛伐他汀）, nitrendipine（尼群地平）

然后重新建立edges：

medications=['propafenone', 'acetaminophen', 'paclitaxel', 'ibuprofen', 'losartan', 'omeprazole', 'carvedilol', 'codeine', 'theophylline', 'quinidine', 'verapamil', 'lovastatin', 'nitrendipine']

edges_candidate=set()

formedicationinmedications:

foredge inedges_origin:

if medication==edge[1]:

edges_candidate.add(edge)

edges_candidate=list(edges_candidate)

然后再绘图：

c=CircosPlot(nodes, edges_candidate, radius =10,

nodecolor="black",

edgecolor="black",

)

c.draw()

从而得到这张图。

相信大家都听说过circos图，但是亲自画过的人可能就很少，这主要因为软件的安装和使用稍微有一点麻烦。其实，circos图也是可以在线绘制的，这样就简单多了！一起来了解一下吧！

在circos官网（http://circos.ca/）的最右方有个“CIRCOS ONLINE”选项，这里可以实现在线绘制部分circos图。

打开后界面如下：

以没兄微生物多样性分析中样品与物种丰度circos图绘制为例，给大家讲解circos图的绘制功能。该图能够很枯慧袭直观的反映各样品中不同物种所占的比例，以及物种在不同分组或者样品中的分布关系。

绘制circos图

1.数据准备

首先我们要做的就是准备画图所用到的数据，所用数据为物种在各样品中的相对丰度，这里只选用丰度大于0.01的物种用于绘图，数据如下（列名A、B、C为样品，行名Acetobacteraceae等是科一水平的物种分类）：

OTUABC

Acetobacteraceae0.5063653216696110.5968872412369940.457528142134733

Arcobacteraceae0.0003294904846044670.0179133872520980.000426249200782749

Bacteroidaceae0.01752092807693420.04558718113953470.352221339584988

Dysgonomonadaceae0.001842974249051360.02565003004872960.0330226880824598

Lachnospiraceae0.005691857602178260.01390206286339050.0173870923992018

Lactobacillaceae0.174952205775860.2379461150250890.0588340146862225

Pseudomonadaceae0.00213263621353880.02862956070929480.0127991010016856

Ruminococcaceae0.003124728441908290.005061219761203110.0274388235522058

Sphingomonadaceae0.2578607015612780.007113946230875610.00898610815104722

由于网站要求的数据格式为非负整数，故将所有的数据乘1000（系统会自动截掉小数点后的数据），输入数据则变为：

OTUABC

Acetobacteraceae506.365321669611596.887241236994457.528142134733

Arcobacteraceae0.32949048460446717.9133872520980.426249200782749

Bacteroidaceae17.520928076934245.5871811395347352.221339584988

Dysgonomonadaceae1.8429742490513625.650030048729633.0226880824598

Lachnospiraceae5.6918576021782613.902062863390517.3870923992018

Lactobacillaceae174.95220577586237.94611502508958.8340146862225

Pseudomonadaceae2.132636213538828.629560709294812.7991010016856

Ruminococcaceae3.124728441908295.0612197612031127.4388235522058

Sphingomonadaceae257.8607015612787.113946230875618.98610815104722

2.绘图

数碧散据准备好就可以来绘制circos图了，只需要导入数据就可以。

生成的图片如下：

可以看到，图中的物种和样品完全是按照字母顺序排列的，我们希望物种和样品分别位列两边，这里可以人为的对其指定顺序。方法也很简单，就是在数据的第一行和第一列用数字来指定顺序。如下：

OTUOTU1   2   3

OTUOTUABC

12Acetobacteraceae506.365321669611596.887241236994457.528142134733

10Bacteroidaceae17.520928076934245.5871811395347352.221339584988

8Dysgonomonadaceae1.8429742490513625.650030048729633.0226880824598

6Lachnospiraceae5.6918576021782613.902062863390517.3870923992018

11Lactobacillaceae174.95220577586237.94611502508958.8340146862225

7Pseudomonadaceae2.132636213538828.629560709294812.7991010016856

5Ruminococcaceae3.124728441908295.0612197612031127.4388235522058

9Sphingomonadaceae257.8607015612787.113946230875618.98610815104722

4Arcobacteraceae0.32949048460446717.9133872520980.426249200782749

第一行指定了样品的顺序，而第一列按丰度指定物种的顺序。生成图片时要勾选下图红框中的选项（排序所用），不然会报错哦！

新图如下：

图中由于部分物种丰度较低，导致物种名重叠，解决这个问题可以改变文字的布局。这时就需要进行设置了。

3.图片设置

点击"settings"进入设置界面，会有很多的设置选项，可以对图片进行细调。

这里只需要修改两个地方即可，将下图第一个红框改为“no”，可以调整文字为垂直布局，避免重叠；但是如果物种名太长，又可能会超出图片范围，所以要缩小圆圈的半径，即将第二个红框改为small。

修改并保存设置后，重新生成图片：

好了，今天我就先给大家介绍到这里，希望对您的科研能有所帮助！祝您工作生活顺心快乐！

更多生物信息课程：

1. 文章越来越难发？是你没发现新思路，基因家族分析发2-4分文章简单快速，学习链接： 基因家族分析实 *** 课程 、 基因家族文献思路解读

2. 转录组数据理解不深入？图表看不懂？点击链接学习深入解读数据结果文件，学习链接： 转录组（有参）结果解读 ； 转录组（无参）结果解读

3. 转录组数据深入挖掘技能-WGCNA，提升你的文章档次，学习链接： WGCNA-加权基因共表达网络分析

4. 转录组数据怎么挖掘？学习链接： 转录组标准分析后的数据挖掘 、 转录组文献解读

5.  微生物16S/ITS/18S分析原理及结果解读 、 OTU网络图绘制 、 cytoscape与网络图绘制课程

6. 生物信息入门到精通必修基础课，学习链接： linux系统使用 、 perl入门到精通 、 perl语言高级 、 R语言画图

7. 医学相关数据挖掘课程，不用做实验也能发文章，学习链接： TCGA-差异基因分析 、 GEO芯片数据挖掘 、 GSEA富集分析课程 、 TCGA临床数据生存分析 、 TCGA-转录因子分析 、 TCGA-ceRNA调控网络分析

8.其他课程链接： 二代测序转录组数据自主分析 、 NCBI数据上传 、 二代测序数据解读 。

---