多组学数据整合已成为解析复杂生物系统的核心策略。面对高维、异构且充满噪声的组学数据，如何有效揭示变量间的相关性结构，并从全局视角呈现模块化模式，是数据挖掘的关键挑战。本文聚焦于高级2组学相关性分析中的四类可视化方法——聚类热图、和弦图、网络图与聚类网络，系统阐述其原理、关联及在生物信息学中的整合应用路径。

一、数据准备与相关性度量

2组学相关性分析通常涉及两个数据矩阵：X（n个样本×p个特征，如转录组）与Y（n个样本×q个特征，如代谢组）。首先需对各自特征进行标准化（如Z-score），并计算特征间的相关矩阵。常用度量包括Pearson相关系数（线性）、Spearman秩相关（单调）以及互信息（非线性）。为控制假阳性，需采用FDR校正（Benjamini-Hochberg法）或置换检验筛选显著相关对（|r|>阈值且q值<0.05）。值得注意的是，样本量较小时应优先选用稳健相关估计（如bicor）或引入先验知识约束。

二、聚类热图：模块化模式的直观呈现

聚类热图将相关矩阵用颜色编码（如红正蓝负），并对行和列同时进行层次聚类（常用欧氏距离与Ward.D2连接）。其优势在于直观展示组学特征形成的相关块（correlation blocks），这些块对应协同变化的特征模块。例如，在转录组-代谢组整合中，热图可揭示某类转录因子与特定代谢物群的强正相关块，提示潜在调控关系。解读时需关注：聚类树切割高度（决定模块数量，可结合动态树切割算法）、模块内平均相关系数及模块间的交叉相关模式。为增强可读性，可对热图行/列进行注释条（如通路归属、差异表达方向）叠加。

三、和弦图：模块间相关性的全景映射

和弦图以环形布局展示实体间的相互作用，弦的宽度与颜色映射相关强度与方向，特别适合呈现两个组学模块间的全局连接模式。构建时，通常预先对X和Y分别聚类获得模块（如WGCNA的动态混合切割），然后计算模块特征基因（module eigengene）间的相关，或计算模块内所有特征对跨组学相关的汇总统计（如平均相关、最大相关、相关对数）。和弦图的弦连接两个模块，弦的粗细表示相关强度，颜色区分正负或来源组学。例如，可清晰展示“模块X1与Y2强正相关（富集于脂代谢），而X3与Y2负相关”。其局限在于难以展示单个特征级别的细节，故常与热图或网络图互补。

四、网络图：特征级相关性的拓扑解析

网络图将每个组学特征视为节点，显著相关对视为边，边权重为相关系数（或−log10(q值)）。为降低视觉复杂度，仅保留强相关（如|r|≥0.8）或经拓扑过滤（如基于随机矩阵理论去噪）。节点布局可采用力导向算法（Fruchterman-Reingold）使高度连接节点聚集。网络拓扑指标（度、介数中心性、聚类系数）可识别枢纽特征（hub features），这些特征通常具有重要生物学调控作用。例如，在转录组-蛋白组网络中，高连接度的转录因子可能为关键调控枢纽。需注意，网络图在特征数过多时易产生“毛球”效应，故常结合模块检测（如Louvain社区发现）将节点划分为社区，再以社区汇总网络展示。

五、聚类网络（Clustered Network）：模块化与拓扑的融合

聚类网络是网络图与聚类热图的结合体：先对节点进行聚类（基于相关矩阵或网络拓扑相似性），再将同一聚类内的节点收起或折叠，仅展示聚类间的关系，从而在保留网络拓扑直觉的同时突出模块级结构。其构建流程为：①计算特征相关性矩阵并聚类（如层次聚类切割为k个模块）；②计算模块间连接强度（如模块内边数汇总、平均相关）；③以模块为节点、模块间强度为边绘制加权网络；④可同时展示模块内重要节点的代表（如枢纽节点）。聚类网络尤其适用于多组学数据的宏观解读——它回答了“哪些组学模块相互关联，其连接的紧密程度如何”，例如揭示“转录模块M1与代谢模块M3通过少数枢纽基因-代谢物强连接，且M3与M5共享代谢通路交叉”。在方法上，WGCNA的模块-性状关系图（module-trait relationship）可视为其特例，但聚类网络更强调双向组学特征模块间的对称关系。

六、方法整合与分析流程建议

实际分析中，建议采用“由粗到细”的整合策略：以聚类热图快速概览相关结构，识别主要模块；用和弦图综合展示两个组学模块间的整体相关趋势；然后，选取关键模块对（如高相关模块）构建特征级网络图，定位枢纽特征与关键边；以聚类网络宏观整合所有模块间拓扑，并可就特定模块对进行细粒度解读。工具方面，R语言提供丰富资源：pheatmap/ComplexHeatmap（热图）、circlize（和弦图）、igraph/ggraph（网络图）、WGCNA（共表达网络，也适用于双组学部分流程）。多组图绘制库如cowplot可拼接多视图实现统一解读。

七、注意事项与 pitfalls

1. 数据标准化宜对每个组学块独立处理（如z-score），但不推荐跨组学对齐后再推荐相关性计算。
2整合表征中需评估噪声水平，推荐采用稀疏相关或数据驱动去噪（如基于惩罚的典型相关分析）以提升稳定性。3适用于构成性等高维数据的特殊预占处理方法。其构建流程为：基于二变量相关重新划分网络为高度密集的各分区，按边增广为各区部件的元素、按模型能大量元素使与群体强连同据类型解释以洞幽把握了可行方向，能或算局手段最优控制精度具有支文施示群聚每道源模型。因此群验同数（例如其块丰项标记学聚建为代某置非衡略策频算造走流优期聚纲功同特策微项间性单况应用实展台能重操数元重程项方法论和融系置调结属对带扩展广质解征涵领艺输泛考理。学才理文献。分学树联局拓有复电。现应心采随适践选用固百目预配于装变其线电含当统分取办不控加通设程标照配优特须际操技电了能还法多维）。形成一含并工具更显著领域等措理态数学生训假炼或微且版模块降户归般处理构置对运织滤波与处据经革研举程革各进业具调数自实测约程球获重渠景大处理术周运用“用报”，该强调凡量降提高相应对分析分内应选在保证结果可重旨。