• 主页
  • 课程

    关于课程

    • 课程归档
    • 成为一名讲师
    • 讲师信息
    同等学历教学

    同等学历教学

    免费
    阅读更多
  • 特色
    • 展示
    • 关于我们
    • 问答
  • 事件
  • 个性化
  • 博客
  • 联系
  • 站点资源
    有任何问题吗?
    (00) 123 456 789
    weinfoadmin@weinformatics.cn
    注册登录
    恒诺新知
    • 主页
    • 课程

      关于课程

      • 课程归档
      • 成为一名讲师
      • 讲师信息
      同等学历教学

      同等学历教学

      免费
      阅读更多
    • 特色
      • 展示
      • 关于我们
      • 问答
    • 事件
    • 个性化
    • 博客
    • 联系
    • 站点资源

      未分类

      • 首页
      • 博客
      • 未分类
      • circlize 之 High-level genomic functions

      circlize 之 High-level genomic functions

      • 发布者 weinfoadmin
      • 分类 未分类, 老俊俊的生信笔记
      • 日期 2021年9月10日
      • 评论 0评论

      感谢老俊俊的大力支持。我们会每日跟新,欢迎您关注老俊俊的生信笔记。








      这一节将结束 基因组的环形图可视化 了,下一节开启 circlize 绘制 和弦图 的章节。

      在本章中,我们将介绍一些创建轨道的 高级函数 。

      1、Ideograms(不知道咋翻译好)


      circos. initializewithidegram()初始化环形图,如果 cytoband 数据可用,则添加 Ideograms 轨道。实际上,这些 Ideograms 是由 circos.genomicIdeogram()绘制的。circos.genomicIdeogram()创建了一个 Ideograms 的小轨道,可以在环形图的任何地方使用。默认情况下,它为人类基因组 hg19:

      circos.initializeWithIdeogram(plotType = c("labels", "axis"))
      circos.track(ylim = c(0, 1))
      # 把 Ideograms 绘制在第3个轨道
      circos.genomicIdeogram()
      # 绘制高度0.2的 Ideograms 轨道
      circos.genomicIdeogram(track.height = 0.2)

      2、热图


      对应于基因组区域的矩阵可以用热图可视化。热图完全填满了轨道,并且有连接热图和基因组原始位置的连接线。circos.genomicHeatmap()将连线和热图绘制成两个轨道,并将它们组合成一个完整的轨道。

      一般情况下,输入数据框中的所有数值列(不包括前三列)都用于制作热图。列也可以用 numeric.column 指定,可以是数值向量或字符向量。颜色可以指定为颜色矩阵或由 colorRamp2()颜色函数生成的。

      连接线轨道和热图轨道的高度可以通过 connection_height 和 heatmap_height 参数来设置,另外,线条和矩形边框的样式参数也可以调整,请查看 circos.genomicHeatmap()的参考文档:

      circos.initializeWithIdeogram()
      bed = generateRandomBed(nr = 100, nc = 4)
      col_fun = colorRamp2(c(-1, 0, 1), c("green", "black", "red"))
      circos.genomicHeatmap(bed, col = col_fun, side = "inside", border = "white")
      circos.clear()

      设置 side = “outside”,把热图放置在外侧,调整热图和连接线的高度,热图单元格边框颜色:

      circos.initializeWithIdeogram(plotType = NULL)
      circos.genomicHeatmap(bed, col = col_fun, side = "outside",
                            line_col = as.numeric(factor(bed[[1]])),
                            connection_height = 0.3,
                            heatmap_height = 0.2,
                            border = 'white')
      circos.genomicIdeogram()
      circos.clear()

      3、标签


      circos.genomicLabels()为指定的区域添加文本标签。标签的位置会自动调整,使它们不会相互重叠。

      与 circos.genomicHeatmap()类似,circos.genomicLabels()也创建了两个轨道,其中一个是连接线,另一个是标签。可以通 labels_height = max(strwidth(labels))设置标签的高度为标签的最大宽度。padding 参数控制两个相邻标签之间的间隙:

      circos.initializeWithIdeogram()
      bed = generateRandomBed(nr = 50, fun = function(k) sample(letters, k, replace = TRUE))
      bed[1, 4] = "aaaaa"
      circos.genomicLabels(bed, labels.column = 4, side = "inside")
      circos.clear()

      标签放置在外侧并设置标签和连线颜色:

      circos.initializeWithIdeogram(plotType = NULL)
      circos.genomicLabels(bed, labels.column = 4, side = "outside",
          col = as.numeric(factor(bed[[1]])), line_col = as.numeric(factor(bed[[1]])))
      circos.genomicIdeogram()
      circos.clear()

      4、基因组坐标


      对于 circos. initializewithidegram(),默认情况下,它绘制带有恰当格式的刻度标签的轴。轴是由 circos.genomicAxis()内部实现的,它可以用于在任何轨道上添加基因组坐标轴:

      circos.initializeWithIdeogram(plotType = NULL)
      circos.genomicIdeogram()
      # still work on the ideogram track
      # 绘制坐标轴在上边
      circos.track(track.index = get.current.track.index(), panel.fun = function(x, y) {
          circos.genomicAxis(h = "top")
      })
      # 设置轨道高度
      circos.track(ylim = c(0, 1), track.height = 0.1)
      # 绘制坐标轴朝里,在下边
      circos.track(track.index = get.current.track.index(), panel.fun = function(x, y) {
          circos.genomicAxis(h = "bottom", direction = "inside")
      })
      circos.clear()

      5、基因密度图和降雨图


      降雨分布图用于可视化基因组区域在基因组中的分布。雨量分布图对于识别 regions 的 cluster 特别有用。在降雨图中,每个点代表一个 region。x 轴对应于基因组坐标,y 轴对应于该区域与其相邻两个 region 的最小距离(log10 转换)。一个 cluster 的 region 将以降雨的形式展示在图中。

      circos.genomicRainfall()计算每个区域的邻近距离,并在图上绘制点。由于 circos.genomicRainfall()生成 y 方向的数据(log10(distance)),它实际上是一个创建新轨道的高级函数。

      输入数据可以是一个数据框,也可以是数据框的列表:

      circos.genoimcRainfall(bed)
      circos.genoimcRainfall(bed_list, col = c("red", "green"))

      然而,如果 cluster 中的 region 数量很高,点就会重叠,直接评估 cluster 中的 region 数量和密度是不可能的。为了克服这一限制,添加了其他轨道来可视化区域的基因组密度(定义为基因组区域覆盖的基因组窗口)。

      circos.genomicDensity()计算一个基因组窗口被 regions 覆盖了多少。它也是一个高级功能,创建一个新的轨道。输入数据可以是单个数据框,也可以是数据框列表:

      circos.genomicDensity(bed)
      circos.genomicDensity(bed, baseline = 0)
      circos.genomicDensity(bed, window.size = 1e6)
      circos.genomicDensity(bedlist, col = c("#FF000080", "#0000FF80"))

      下面的例子给出了差异甲基化区域(DMR)及其基因组密度的降雨图。在图中,红色对应着 DMRs 的高甲基化(甲基化增加),蓝色对应着 DMRs 的低甲基化(甲基化缺失):

      load(system.file(package = "circlize", "extdata", "DMR.RData"))
      circos.initializeWithIdeogram(chromosome.index = paste0("chr", 1:22))

      bed_list = list(DMR_hyper, DMR_hypo)
      circos.genomicRainfall(bed_list, pch = 16, cex = 0.4, col = c("#FF000080", "#0000FF80"))
      circos.genomicDensity(DMR_hyper, col = c("#FF000080"), track.height = 0.1)
      circos.genomicDensity(DMR_hypo, col = c("#0000FF80"), track.height = 0.1)
      circos.clear()

      circos.genomicDensity()还支持通过设置 count_by = "number"来计算每个窗口重叠区域的数量:

      circos.initializeWithIdeogram(chromosome.index = paste0("chr", 1:22))
      circos.genomicDensity(DMR_hyper, col = c("#FF000080"), track.height = 0.1)
      circos.genomicDensity(DMR_hyper, col = c("#FF000080"), count_by = "number", track.height = 0.1)
      circos.clear()

      在内部,rainfallTransform()和 genomicDensity()用于计算邻近距离和基因组密度值:

      head(rainfallTransform(DMR_hyper))
      ##      chr   start     end  dist
      ## 70  chr1  933445  934443 35323
      ## 104 chr1  969766  970362  4909
      ## 105 chr1  975271  976767  4909
      ## 154 chr1 1108819 1109923 31522
      ## 155 chr1 1141445 1142405 31522
      ## 157 chr1 1181550 1182782 39145
      head(genomicDensity(DMR_hyper, window.size = 1e6))
      ##    chr   start     end    value
      ## 1 chr1       1 1000000 0.003093
      ## 2 chr1  500001 1500000 0.007592
      ## 3 chr1 1000001 2000000 0.008848
      ## 4 chr1 1500001 2500000 0.010155
      ## 5 chr1 2000001 3000000 0.011674
      ## 6 chr1 2500001 3500000 0.007783

      嵌套缩放

      1、基本思想


      在之前文章中,我们介绍了如何将扇区放大到同一轨道上的同一圆中。如果只需要缩放少数区域,这种方法就可以很好地工作。然而,当需要缩放的区域过多时,该方法将无法有效地工作。接下来,介绍另一种缩放方法,将缩放区域放在不同的圆形图中。

      为了说明基本思想,我们首先生成一个随机数据集:

      set.seed(123)
      df = data.frame(cate = sample(letters[1:8], 400, replace = TRUE),
                      x = runif(400),
                      y = runif(400),
                      stringsAsFactors = FALSE)
      df = df[order(df[[1]], df[[2]]), ]
      rownames(df) = NULL
      df$interval_x = as.character(cut(df$x, c(0, 0.2, 0.4, 0.6, 0.8, 1.0)))
      df$name = paste(df$cate, df$interval_x, sep = ":")
      df$start = as.numeric(gsub("^((d(.d)?).*(d(.d)?)]", "1", df$interval_x))
      df$end = as.numeric(gsub("^((d(.d)?),(d(.d)?)]$", "3", df$interval_x))
      nm = sample(unique(df$name), 20)
      df2 = df[df$name %in% nm, ]

      correspondance = unique(df2[, c("cate", "start", "end", "name", "start", "end")])
      zoom_sector = unique(df2[, c("name", "start", "end", "cate")])
      zoom_data = df2[, c("name", "x", "y")]

      data = df[, 1:3]
      sector = data.frame(cate = letters[1:8], start = 0, end = 1, stringsAsFactors = FALSE)

      sector_col = structure(rand_color(8, transparency = 0.5), names = letters[1:8])

      下面的变量用于下游可视化。扇区包含扇区名称和 x 方向坐标:

      head(sector, n = 4)
      ##   cate start end
      ## 1    a     0   1
      ## 2    b     0   1
      ## 3    c     0   1
      ## 4    d     0   1

      data 包含一个轨道的点:

      head(data, n = 4)
      ##   cate          x         y
      ## 1    a 0.02314449 0.2170480
      ## 2    a 0.03978064 0.8062479
      ## 3    a 0.06893260 0.6284048
      ## 4    a 0.07997291 0.5835629

      在扇区中,我们随机抽样几个区间,这些区间将用于缩放。缩放间隔区存储在 zoom_sector 中。在缩放轨道中,每个间隔被视为一个独立的扇区,因此,每个缩放间隔的名称使用了原始扇区名称和间隔本身的组合,便于理解:

      head(zoom_sector, n = 4)
      ##           name start end cate
      ## 17 a:(0.4,0.6]   0.4 0.6    a
      ## 48   a:(0.8,1]   0.8 1.0    a
      ## 57   b:(0,0.2]   0.0 0.2    b
      ## 76 b:(0.4,0.6]   0.4 0.6    b

      缩放间隔区数据:

      head(zoom_data, n = 4)
      ##           name         x         y
      ## 17 a:(0.4,0.6] 0.4072693 0.3972460
      ## 18 a:(0.4,0.6] 0.4186692 0.2021846
      ## 19 a:(0.4,0.6] 0.4481431 0.3554347
      ## 20 a:(0.4,0.6] 0.4597852 0.6696035

      原始扇区和缩放间隔区之间的对应是对应的。该值是一个有六列的数据框:

      head(correspondance, n = 4)
      ##    cate start end        name start.1 end.1
      ## 17    a   0.4 0.6 a:(0.4,0.6]     0.4   0.6
      ## 48    a   0.8 1.0   a:(0.8,1]     0.8   1.0
      ## 57    b   0.0 0.2   b:(0,0.2]     0.0   0.2
      ## 76    b   0.4 0.6 b:(0.4,0.6]     0.4   0.6

      缩放实际上是由两个环形图组成,其中一个是原始轨道,另一个是缩放间隔图。还有一个附加的连接轨道,用于标识缩放的间隔属于哪个扇区。circlize 中的 circos.nested()函数将两个环形图放在一起,排列它们,并自动绘制连接线。

      要生成嵌套循环图,需要将生成图的代码包装到一个函数中:

      f1 = function() {
          circos.par(gap.degree = 10)
          circos.initialize(sector[, 1], xlim = sector[, 2:3])
          circos.track(data[[1]], x = data[[2]], y = data[[3]], ylim = c(0, 1),
              panel.fun = function(x, y) {
                  circos.points(x, y, pch = 16, cex = 0.5, col = "red")
          })
      }

      f2 = function() {
          circos.par(gap.degree = 2, cell.padding = c(0, 0, 0, 0))
          circos.initialize(zoom_sector[[1]], xlim = as.matrix(zoom_sector[, 2:3]))
          circos.track(zoom_data[[1]], x = zoom_data[[2]], y = zoom_data[[3]],
              panel.fun = function(x, y) {
                  circos.points(x, y, pch = 16, cex = 0.5)
              })
      }

      在上面,f1()是生成原始图的代码,f2()是生成缩放图的代码。它们可以独立执行。

      要绘制嵌套缩放环形图,只需要把 f1()、f2()、corresponance 放到 circos.nested()函数里即可:

      circos.nested(f1, f2, correspondance)

      在上图中,放大的圆被放在原来的圆内部,第二个圆的起始度被自动调整。

      通过切换 f1()和 f2()也可以将放大的圆放在外面。实际上,对于 circos.nested(),它并不关心哪一个被缩放了,它们只是两个圆形图和一个 correspondance 数据而已:

      circos.nested(f2, f1, correspondance[, c(4:6, 1:3)])
      注意事项:
      • 只能应用整个环形图。
      • 如果 canvas.xlim 和 canvas.ylim 在第一个图设置了,应该在绘制第二个图同样再次设置。
      • 默认情况下,第二个 plot 的起始角度会自动调整,以使原始位置和缩放扇区之间的差异最小。但是,用户也可以通过设置 circos.par(“start.degree” =…)手动调整第二个 plot 的起始角度,并且在 circos.nested()中必须将起始度设置为 TRUE。
      • 由于函数需要知道两个环形图的信息,所以不要将 circos.clear()放在每个图的末尾。它们在内部会自动添加。

      f1()和 f2()只是实现循环绘图的普通代码。还可以添加代码让它更复杂:

      sector_col = structure(rand_color(8, transparency = 0.5), names = letters[1:8])

      f1 = function() {
          circos.par(gap.degree = 10)
          circos.initialize(sector[, 1], xlim = sector[, 2:3])
          circos.track(data[[1]], x = data[[2]], y = data[[3]], ylim = c(0, 1),
              panel.fun = function(x, y) {
                  l = correspondance[[1]] == CELL_META$sector.index
                  if(sum(l)) {
                      for(i in which(l)) {
                          circos.rect(correspondance[i, 2], CELL_META$cell.ylim[1],
                                      correspondance[i, 3], CELL_META$cell.ylim[2],
                                      col = sector_col[CELL_META$sector.index],
                                      border = sector_col[CELL_META$sector.index])
                      }
                  }
                  circos.points(x, y, pch = 16, cex = 0.5)
                  circos.text(CELL_META$xcenter, CELL_META$ylim[2] + mm_y(2),
                      CELL_META$sector.index, niceFacing = TRUE, adj = c(0.5, 0))
          })
      }

      f2 = function() {
          circos.par(gap.degree = 2, cell.padding = c(0, 0, 0, 0))
          circos.initialize(zoom_sector[[1]], xlim = as.matrix(zoom_sector[, 2:3]))
          circos.track(zoom_data[[1]], x = zoom_data[[2]], y = zoom_data[[3]],
              panel.fun = function(x, y) {
                  circos.points(x, y, pch = 16, cex = 0.5)
              }, bg.col = sector_col[zoom_sector$cate],
              track.margin = c(0, 0))
      }
      circos.nested(f1, f2, correspondance, connection_col = sector_col[correspondance[[1]]])

      实战演练


      可视化 WGBS 的 DMRs 区域

      基于标记的全基因组亚硫酸氢盐测序(T-WGBS)是一种只能检测感兴趣的一小部分甲基组的技术。我们将演示如何通过 circlize 可视化从 T-WGBS 数据中检测到的 DMRs。

      在加载的示例数据中,tagments 包含已测序的区域,DMR1 包含标记区域中检测到的一个患者的 DMRs。标记区域与原始基因组之间的对应以 correspondance 的方式存储:

      load(system.file(package = "circlize", "extdata", "tagments_WGBS_DMR.RData"))
      head(tagments, n = 4)
      ##                   tagments     start       end  chr
      ## 1   chr1-44876009-45016546  44876009  45016546 chr1
      ## 2   chr1-90460304-90761641  90460304  90761641 chr1
      ## 3 chr1-211666507-211692757 211666507 211692757 chr1
      ## 4   chr2-46387184-46477385  46387184  46477385 chr2
      head(DMR1, n = 4)
      ##                      chr    start      end   methDiff
      ## 1 chr1-44876009-45016546 44894352 44894643 -0.2812889
      ## 2 chr1-44876009-45016546 44902069 44902966 -0.3331170
      ## 3 chr1-90460304-90761641 90535428 90536046 -0.3550701
      ## 4 chr1-90460304-90761641 90546991 90547262 -0.4310808
      head(correspondance, n = 4)
      ##    chr     start       end                 tagments   start.1     end.1
      ## 1 chr1  44876009  45016546   chr1-44876009-45016546  44876009  45016546
      ## 2 chr1  90460304  90761641   chr1-90460304-90761641  90460304  90761641
      ## 3 chr1 211666507 211692757 chr1-211666507-211692757 211666507 211692757
      ## 4 chr2  46387184  46477385   chr2-46387184-46477385  46387184  46477385

      在下面的代码中,f1()只绘制了全基因组的环形图,f2()绘制了标记区域的环形图:

      chr_bg_color = rand_color(22, transparency = 0.8)
      names(chr_bg_color) = paste0("chr", 1:22)

      f1 = function() {
          circos.par(gap.after = 2, start.degree = 90)
          circos.initializeWithIdeogram(chromosome.index = paste0("chr", 1:22),
              plotType = c("ideogram", "labels"), ideogram.height = 0.03)
      }

      f2 = function() {
          circos.par(cell.padding = c(0, 0, 0, 0), gap.after = c(rep(1, nrow(tagments)-1), 10))
          circos.genomicInitialize(tagments, plotType = NULL)
          circos.genomicTrack(DMR1, ylim = c(-0.6, 0.6),
              panel.fun = function(region, value, ...) {
                  for(h in seq(-0.6, 0.6, by = 0.2)) {
                      circos.lines(CELL_META$cell.xlim, c(h, h), lty = 3, col = "#AAAAAA")
                  }
                  circos.lines(CELL_META$cell.xlim, c(0, 0), lty = 3, col = "#888888")

                  circos.genomicPoints(region, value,
                      col = ifelse(value[[1]] > 0, "#E41A1C", "#377EB8"),
                      pch = 16, cex = 0.5)
          }, bg.col = chr_bg_color[tagments$chr], track.margin = c(0.02, 0))
          circos.yaxis(side = "left", at = seq(-0.6, 0.6, by = 0.3),
              sector.index = get.all.sector.index()[1], labels.cex = 0.4)
          circos.track(ylim = c(0, 1), track.height = mm_h(2),
              bg.col = add_transparency(chr_bg_color[tagments$chr], 0))
      }

      circos.nested(f1, f2, correspondance, connection_col = chr_bg_color[correspondance[[1]]])



      发现更多精彩

      关注公众号

      欢迎小伙伴留言评论!

      点击我留言!

      今天的分享就到这里了,敬请期待下一篇!

      最后欢迎大家分享转发,您的点赞是对我的鼓励和肯定!

      如果觉得对您帮助很大,打赏一下吧!

      推 荐 阅 读




      • circlize 之可视化基因组数据

      • circlize 之 Advanced layout

      • circlize 之 circos.heatmap()

      • circlize 之 Implement high-level circular plots

      • 怎么批量合并 data.frame ?

      • QPCRpro 正式上线!

      • circlize 之 Legends

      • QPCR数据添加 p 值和显著性一次解决!

      • circlize 之 Graphics

      • circlize 之 Introduction

      • circlize 之 Circular layout

      • 鉴定差异翻译效率基因之 deltaTE 下篇

      • 鉴定差异翻译效率基因之 deltaTE 上篇

      • 鉴定差异翻译效率基因之 Riborex

      • purrr 包之 list 处理系列函数

      • purrr 包之 map 系列函数

      • 批量绘制单基因相关性图

      • Y 叔出品:ggfun

      • 神器之 computeMatrix + 绘图

      • Deeptools 神器之 bamCoverage

      • 在线版shiny pheatmap!

      • QPCR数据快速分析和绘图 — by shiny

      • RNA-seq:Salmon 快速定量

      • RNA-seq:Salmon 定量结果差异分析

      • 用R提取代表转录本

      • 画个CNS级别火山图!

      • R Tips :split 函数

      • 什么? R 版 Hisat2

      • R Tips :match 函数

      • conda 安装软件报错

      • MetaProfile on Transcript

      • 提取代表转录本之 gencode

      • 附近含有 m6A 修饰的 Stop Codon 序列提取

      • Introduction of m6A

      • RNA-seq : Hisat2+Stringtie+DESeq2

      • shiny VennDiagram

      • shiny CountToTPM/FPKM

      • 自己模仿画个– m6A distribution on transcript

      • 怎么把 shiny App 做成 exe 文件进行分发

      • shiny-server内网穿透

      • 在线版shiny pheatmap!

      • 用shiny创作在线火山图绘制App

      • circlize 之 Create plotting regions

      请关注“恒诺新知”微信公众号,感谢“R语言“,”数据那些事儿“,”老俊俊的生信笔记“,”冷🈚️思“,“珞珈R”,“生信星球”的支持!

      • 分享:
      作者头像
      weinfoadmin

      上一篇文章

      R 爬虫之爬取文献信息
      2021年9月10日

      下一篇文章

      circlize 之 Create plotting regions
      2021年9月10日

      你可能也喜欢

      2-1675088548
      lncRNA和miRNA生信分析系列讲座免费视频课和课件资源包,干货满满
      30 1月, 2023
      9-1675131201
      如何快速批量修改 Git 提交记录中的用户信息
      26 1月, 2023
      8-1678501786
      肿瘤细胞通过改变CD8+ T细胞中的丙酮酸利用和琥珀酸信号来调控抗肿瘤免疫应答。
      7 12月, 2022

      留言 取消回复

      要发表评论,您必须先登录。

      搜索

      分类

      • R语言
      • TCGA数据挖掘
      • 单细胞RNA-seq测序
      • 在线会议直播预告与回放
      • 数据分析那些事儿分类
      • 未分类
      • 生信星球
      • 老俊俊的生信笔记

      投稿培训

      免费

      alphafold2培训

      免费

      群晖配置培训

      免费

      最新博文

      Nature | 单细胞技术揭示衰老细胞与肌肉再生
      301月2023
      lncRNA和miRNA生信分析系列讲座免费视频课和课件资源包,干货满满
      301月2023
      如何快速批量修改 Git 提交记录中的用户信息
      261月2023
      logo-eduma-the-best-lms-wordpress-theme

      (00) 123 456 789

      weinfoadmin@weinformatics.cn

      恒诺新知

      • 关于我们
      • 博客
      • 联系
      • 成为一名讲师

      链接

      • 课程
      • 事件
      • 展示
      • 问答

      支持

      • 文档
      • 论坛
      • 语言包
      • 发行状态

      推荐

      • iHub汉语代码托管
      • iLAB耗材管理
      • WooCommerce
      • 丁香园论坛

      weinformatics 即 恒诺新知。ICP备案号:粤ICP备19129767号

      • 关于我们
      • 博客
      • 联系
      • 成为一名讲师

      要成为一名讲师吗?

      加入数以千计的演讲者获得100%课时费!

      现在开始

      用你的站点账户登录

      忘记密码?

      还不是会员? 现在注册

      注册新帐户

      已经拥有注册账户? 现在登录

      close
      会员购买 你还没有登录,请先登录
      • ¥99 VIP-1个月
      • ¥199 VIP-半年
      • ¥299 VIP-1年
      在线支付 激活码

      立即支付
      支付宝
      微信支付
      请使用 支付宝 或 微信 扫码支付
      登录
      注册|忘记密码?