收益：
- 能够为此目的选择基本的生物学图形类型，例如火山图、热图、箱线/小提琴图和 PCA。
- 能够应用诚实原则，例如从零开始的轴、误差线的定义、n 信息和可访问的调色板
- 能够避免隐藏分布、截轴、美化数据的误导性图表
一项生物学发现，无论多么重要，如果不能很好地形象化，就无法被理解。同时，不良或误导性的图表可能会歪曲数据；这既是一个伦理问题，也是一个科学错误。在本单元中，我们将讨论生物学中最常用的图表类型，如何利用人工智能快速生成图表，以及要注意什么以确保图表是诚实的。
AI 使用 matplotlib/seaborn 代码在几秒钟内生成广播级质量的绘图；但你的工作是决定图表是否准确地表示数据。
生物学中图表的基本类型
- 火山图：差异表达中效应大小 (log2FC) 和显着性 (-log10 p) 的比较。改变的基因一目了然。
- 热图：多个基因/样本的彩色表达模式。它通过聚类揭示模式。
- 箱线/小提琴图：比较组的分布。它比平均柱更诚实，因为它显示了价差。
- PCA 图表：将高维数据还原为二维并显示样本聚类（主成分分析）。
- 系统发育树：通过分支显示物种/序列的进化关系。
- 生存曲线 (Kaplan-Meier)：显示随时间推移发生事件（例如死亡）的概率。
提示：在平均值上绘制的简单条形图在生物学中通常会产生误导，因为它们模糊了各个数据点和分布。如果可能的话，选择也显示点的箱线图或“蜂群”。如果数据点很少，则将其全部显示。
诚实的图形原则
- 让轴从零开始（尤其是在条形图中）；截断的轴夸大了差异。
- 指定误差条是什么：标准差、标准误差还是置信区间？这些是非常不同的。
- 显示n：获得了多少样本应在图表或标题中显示。
- 使用色盲友好的调色板（例如 viridis）；不要依赖红绿区分。
- 不要美化数据：删除异常值、移动轴或只显示美丽的重复都是科学不当行为。
一步一步：制作火山图
- 准备数据：包含 gen、log2FC、padj 列的表。
- 转换：计算 y 轴的 -log10(padj)。
- 设置阈值：|log2FC|>1 且 padj<0.05。
- 颜色：上、下、无意义三类。
- 标签：列出一些（不是全部）最强的基因。
- 标题和轴：清晰的标签、n信息、阈值描述。
可复制的提示模板
角色：您是一名科学可视化助理。任务：从我的差异表达表（gen、log2FC、padj）中绘制火山图。阈值：padj<0.05 且 |log2FC|>1。为三个类别着色并标记 10 个最重要的基因。色盲友好调色板，清晰的轴标签，在标题中添加n信息。 matplotlib，广播质量。注释了代码。
绘制热图：行是 50 个变化最大的基因，列是样本。使用 Z 分数执行行标准化，添加层次聚类，使用 viridis 调色板。用彩色条纹显示样本组。
解释一下我的图表中的误差条应该是标准差还是标准误差，具体取决于实验的目的。解释两者之间的区别以及选择错误的后果。
让这个条形图更加真实：在顶部添加单独的数据点，从零开始轴，显示 n。可用代码：[代码]
弱提示/强提示
弱：“绘制产量。”
强：“有 4 组的酶活性数据（每组 n=8）。绘制比较各组的小提琴图；覆盖每组的单独数据点；显示中线；从 0 开始 y 轴；在轴标签上添加单位 (nmol/min)；使用色盲友好的调色板。确保图表公平地表示分布。”
区别：强大的提示有图表类型、n、诚信政策和单位。该模型生成的图形信息丰富，不会产生误导。
三个迷你箱子
案例 1 — 截断轴：在一次演示中，通过将轴压缩在 95-100 之间，使两组之间 3% 的差异显得巨大。当AI从头开始启动轴时，结果发现差异实际上很小。教训：轴操纵会误导观看者。
案例 2 — 隐藏分布：条形图显示两组“显着不同”；但当点相加时，发现各组有很大程度的重叠，差异来自于几个离群点。当模型建议添加点时，真实的故事就出来了。教训：隐藏分布谎言的图表。
案例3——色盲问题：用红绿调色板绘制热图；大约 8% 的观众（色盲男性）看不出其中的区别。当我切换到 Viridis 调色板时，每个人都可以阅读该图表。教训：无障碍托盘应该是标准的。
对比图
目的
合适的图形
应避免
差异表达
火山图
原始 p 列表
集团分布
盒子/小提琴+圆点
普通棒
多基因模式
热图（聚集）
长桌
样本聚类
主成分分析
—
时间事件
卡普兰-迈耶
平均条
常见错误
- 截断轴：夸大差异。
- 隐藏分布：仅显示平均条形。
- 未定义误差线：SD/SE/GA 混淆。
- 不指定n：读者无法评估可靠性。
- 不可接近的颜色：排除具有红绿色调色板的色盲人士。
- 数据美化：选择性表述是科学不当行为。
注意：任何使数据看起来与实际不同的图表排列（切割轴、隐藏异常值、选择性重复）都是违反科学完整性的。从技术上讲，人工智能可以生成“漂亮”的图表；但您有责任确保图表公平地代表数据。
系统发育树和关系图
生物学特有的可视化是系统发育树，它显示了物种或序列的进化关系。分支模式表示相关性，分支长度表示变化量。 AI 编写代码，根据比对序列构建树（例如使用 Biopython Phylo 或 ete3），并以可读格式绘制树。然而，树解释有两个陷阱：忽略分支长度并仅查看分支，并且不指定引导程序（指示分支可靠性的值）。支持度低的分支不足以声称有明确的亲属关系。
从比对序列中绘制系统发育树。按比例显示分支长度，向节点添加引导程序支持值，标记支持率低于 70% 的分支。解释树时要小心接近低支撑分支。
带图的表格：当
并非所有数据都需要图形。在精确数字很重要的情况下（例如，多个组的精确值、统计结果），组织良好的表格优于图表。图表显示模式和比较；该表给出了准确的值。当问到人工智能时，“这些数据应该显示为图表还是表格？”寻求理由可以增强你的演讲。
最后，图表必须是不言自明的。读者应该能够仅通过查看图表及其标题来理解所显示的内容，而无需阅读文本：应该标记轴并带有单位，应该定义组，应该指定 n，应该标记统计显着性。询问人工智能你的图表“它的标题和标签是否独立？”检查是一个很好的最终检查。
准备发布图表：技术细节
有一些技术细节使图形从在屏幕上看起来不错到可以在广播中使用，人工智能可以将这些添加到代码中。一、分辨率：期刊往往要求高分辨率（300DPI及以上）或矢量格式（PDF、SVG）；这可确保图形在打印时不会模糊。其次是字体大小：在屏幕上可以阅读的标签在文章页面缩小时可能就看不到了；轴和标签点应相应调整。第三，一致性：在同一研究中的所有图表中使用相同的颜色编码（例如，对照始终为灰色，处理始终为蓝色），可以防止读者重新解码每个图表。您可以通过告诉人工智能“使该图形准备好发布：300 DPI、矢量输出、大字体、一致的调色板”来一步添加这些详细信息。
准备好我的图表以供发布：300 DPI 并保存为矢量 (PDF)，将轴和标签尺寸增加到打印可读尺寸，在整个运行中应用一致的调色板（控制 = 灰色，处理 = 蓝色）。用 matplotlib 给出注释代码。
总之
良好的科学图表清晰、诚实地显示数据。火山图、热图、箱线/小提琴图和主成分分析是生物学的基本工具。 AI 可以快速为这些图表编写代码，但您的工作是遵循诚实原则，例如从零开始轴、显示分布、定义误差线、指定 n 和可访问的调色板。美丽的图形并不是诚实的图形。
应用任务
使用您拥有的数据集（或样本），让人工智能生成两个图表：带有显示组分布的数据点的小提琴/箱线图，以及来自差异表达表的火山图。在两者中，轴从零开始（如果适用），将 n 添加到标题，使用色盲友好的调色板。然后要求模型生成同一条形图的“误导”和“诚实”版本，并解释其中的差异。
清单
- [ ] 我根据数据和目的选择了图表类型。
- [ ] 我已经从头开始正确初始化了轴。
- [ ] 我显示了分布/数据点，而不仅仅是平均值。
- [ ] 我指定了误差线（SD/SE/GA）。
- 我在图表中添加了 [ ] n 信息。
- [ ] 我使用了色盲友好的调色板，没有对数据进行美化。