BoHuYeShan

Back
79 min
图表大全 /
科研绘图 /
生信入门 /
蛋白质

生信图表大全（第四篇）：从蛋白互作到 AI 多组学的 30 张图

系列的最后一块拼图。前三篇走完了统计、转录组、群体遗传、基因组、表观和空间组学，这一篇收剩下的三大块：分子的层面（蛋白结构域、分子互作、湿实验验证，104-114）、群落的层面（微生物生态、代谢组与宏基因组，115-…

系列的最后一块拼图。前三篇走完了统计、转录组、群体遗传、基因组、表观和空间组学，这一篇收剩下的三大块：分子的层面（蛋白结构域、分子互作、湿实验验证，104-114）、群落的层面（微生物生态、代谢组与宏基因组，115-123），以及方法的层面（深度学习归因、蛋白语言模型、泛基因组图这些近几年的新图型，124-128），最后用五张统计杂图收尾（129-133）。编号 104-133，共 30 张。

规则不变：四段式讲解，图下折叠块里是原样 CSV 或代码即数据源，全部为 WSL 里 Python 3.14 + matplotlib 渲染的模拟数据，脚本在仓库 tools/bio-plots/ch10c_more.py 与 ch10d_more.py。

本系列已出七篇：第一篇（41 张，统计与转录组临床） · 第二篇（33 张，群体遗传与基因组） · 第三篇（29 张，测序、表观与空间组学） · 第四篇（30 张，蛋白、生态与 AI 多组学） · 第五篇（40 张，蛋白结构、变异与表达验证，含真实 PDB 结构与交互 3D） · 第六篇（22 张，真实公开数据实战） · 第七篇（190 张图 Nature 风格重构与方法选型）。

自推一句：蛋白理化性质、结构域解析、结构置信度这些在 Linxira Bio SDK ↗（我主导开发的本地优先生信工具链）里是版本化能力：正式分支 v1.0.1 已提供 structure pdb --alphafold-plddt 等 CLI 与 35 个 agent skills，官网 ↗与拆解文随时可翻。免责声明：本文所有配图均为模拟数据的教学演示；SDK 实际可用的分析能力，请以仓库 ↗正式分支的最新 release 为准——文中部分图对应的分析尚在开发路线中，目前仅存在于本地开发分支，未合并进正式分支、代码未公开。

一、地图#

{% mermaid %} flowchart LR START([“第四篇 · 30 张”]):::hub subgraph A[“① 蛋白 分子互作”] direction TB A1[“结构域 · pLDDT · RMSF”] A2[“自由能面 · EMSA · 亚细胞”] end subgraph B[“② 生化湿实验”] direction TB B1[“双倒数 · DSF · ELISA”] B2[“荧光位移 · 双荧光素酶”] end subgraph C[“③ 微生物 生态”] direction TB C1[“稀疏化 · rank-abundance · 三元”] C2[“RDA · LEfSe · 时间杀菌”] end subgraph D[“④ 代谢 宏基因组”] direction TB D1[“镜像质谱 · VanKrevelen · Blob”] end subgraph E[“⑤ AI 多组学”] direction TB E1[“MOFA · 归因 · 蛋白嵌入”] E2[“泛基因组图 · 跨组 UMAP”] end subgraph F[“⑥ 统计杂图”] direction TB F1[“漏斗 · 哑铃 · 瀑布 · 帕累托 · 3D-PCA”] end START —> A —> B —> C —> D —> E —> F classDef hub fill:#1f4e79,color:#fff,font-weight:bold {% endmermaid %}

表 1 蛋白、互作与湿实验（104-114）

图回答什么问题横轴纵轴或编码常用工具
结构域架构图功能域怎么排布氨基酸位置域方块SMART/Pfam
pLDDT 曲线结构模型哪段可信残基分段着色置信度AlphaFold DB
RMSF 曲线哪段柔性大残基位移 RMSFGROMACS
自由能面构象盆地有几个PC1PC2 等高线GROMACS
EMSA蛋白结不结合探针泳道条带迁移手绘/成像
亚细胞定位图蛋白去哪个区室无荧光位置示意共聚焦
双倒数图抑制剂是哪种类型1/[S]1/v 直线族GraphPad
DSF 熔解曲线配体稳不稳定蛋白温度荧光+Tm 位移GraphPad
ELISA 标准曲线含量怎么回算浓度(log)OD450 4PLGraphPad
荧光光谱位移结合有没有发生发射波长峰移+淬灭荧光仪
双荧光素酶柱状启动子激活多少构建分组LUC/REN 比值GraphPad

表 2 生态、代谢、AI 与统计（115-133）

图回答什么问题横轴纵轴或编码常用工具
稀疏化曲线测够了没有抽样 reads观测 ASV 数QIIME2
rank-abundance群落均匀度物种秩丰度(log)R vegan
三元相图三个区室比例三角坐标点位=组成R Ternary
RDA 排序图环境因子怎么塑造群落RDA 轴样方+因子箭头vegan
LEfSe 分支图哪些分类元驱动差异无环形着色LEfSe
时间杀菌曲线抗生素杀得快不快时间log10 CFUGraphPad
镜像质谱图谱图对上了没有m/z上下镜像强度GNPS
Van Krevelen 图化合物属于哪类H/CO/C 分区R FTMSPlot
Blob 图bin 是谁、好不好GC%覆盖度+大小BlobToolKit
MOFA 因子图多组学共变结构Factor1Factor2+R2MOFA2
归因轨迹图模型看重哪些碱基启动子位置归因分着色TF-MoDISco
蛋白嵌入 UMAP家族聚不聚团UMAP1UMAP2 按家族着色ESM/ProtTrans
泛基因组图样本间结构变异无节点路径图Bandage/pggb
跨组 UMAP多组学结论一致吗UMAP 轴三联小倍数MOFA/totalVI
漏斗图Meta 结果有偏吗效应量标准误+伪置信带metafor
哑铃图两时点差多少NES 值成对连线手绘
瀑布图个体响应排序基因型变化率着色手绘
帕累托图主要矛盾是哪几项类目计数+累计%手绘
3D PCA第三轴有无信息PC1-3三维散点sklearn

二、蛋白与分子互作#

2.1 蛋白结构域架构图#

结构域架构

它回答什么问题：家族成员的功能域怎么排布、长度差在哪——基因家族论文三件套（树、motif、结构）的最后一环，也常是审稿人判断注释对不对的第一眼。

怎么读：每行一个蛋白，灰色细线是全长，彩色方块是功能域，横轴就是氨基酸坐标，域的宽度=长度。读三样：域的完整性（FaBZR1 的 bHLH DNA-binding 在 168-232，缺了它注释就是错的）；域的排列顺序在成员间是否保守（顺序换位提示结构变异）；以及低复杂度区/固有无序区的长尾巴（画成空档，别硬塞个域上去）。家族论文的标准句式是「所有成员均含有 X 个保守结构域，结构域排列顺序一致」。

用什么画：Pfam/SMART 批量扫描后用 TBtools、R 语言 drawProteins；重绘按坐标表画方块。

图注示例：

图 104 FaBZR1、FaDWF4 与 FaCHS 的结构域架构（模拟）。方块为预测功能域，横轴为氨基酸位置；三个蛋白均含各自家族的完整催化域，域排列顺序与典型成员一致。

展开查看：结构域坐标与绘图代码 
protein,domain,start,end
FaBZR1,N-terminal activation,1,120
FaBZR1,NLS,132,148
FaBZR1,bHLH DNA-binding,168,232
FaDWF4,P450 domain,38,96
FaDWF4,substrate-binding,210,292
FaDWF4,heme-binding,452,486
FaCHS,chalcone synthase N,60,178
FaCHS,thiolase fold,190,352
csv

绘图代码（Python，独立可运行）

2.2 AlphaFold pLDDT 置信度曲线#

pLDDT 曲线

它回答什么问题：AlphaFold 模型哪几段能信、哪几段是「随机面团」——用结构之前先看 pLDDT，这不是可选项而是纪律。

怎么读：横轴残基，纵轴 pLDDT（0-100），官方配色：深蓝大于 90（很高，原子级可信）、浅蓝 70-90（骨架可信）、黄 60-70（只可看趋势）、橙小于 60（无序/不可信）。本例 1-43、103-195 与 217-238 三段高置信（pLDDT 不低于 87），46-100 一段走低，其中 64-85 八个位点全部低于 60（谷底 47.9）——那是一段固有无序环，模型把「没结构」预测成了「不确定」；196-214 另有一个浅坑（67-78），置信度中等。正确写法是「无序区（pLDDT 小于 60）不参与结构解读」，而不是删掉它——低置信度本身就是生物学信号。

用什么画：AlphaFold DB 直接下载；重绘对逐残基 B-factor 列按阈值分段着色。

图注示例：

图 105 FaDWF4 AlphaFold 模型的逐残基 pLDDT 曲线（模拟，239 aa）。官方配色四档：深蓝大于 90、浅蓝 70-90、黄 60-70、橙小于 60；残基 64-85 的 pLDDT 低于 60（谷底 47.9），为无序区，不参与结构解读；196-214 一段降至 67-78。

展开查看：pLDDT 数据与绘图代码

绘图代码（Python，独立可运行）

2.3 分子动力学 RMSF 柔性曲线#

RMSF 曲线

它回答什么问题：突变改变蛋白的哪些部位、柔性——第三篇 RMSD 讲「整体稳没稳」，RMSF 讲「哪里动得欢」，两个一起才是 MD 分析的完整开场。

怎么读：横轴残基，纵轴 RMSF（平均位移，埃），突变体（红）整体高于野生型（蓝，均值抬高 0.29 埃）。真正的看点是局部峰：92-106 残基的「底物通道环」在突变体里从约 2.0 埃抬到约 3.0 埃——突变不在环上却放大了环的摆动，这是「远程效应」，也是分子机制假设的来源。曲线其余部分的锯齿是正常热噪声，配阴影带（标准差）更稳。

用什么画：GROMACS 的 gmx rmsf；重绘对残基-RMSF 表画双线加阴影。

图注示例：

图 106 野生型与 dwf4 突变体骨架 RMSF 对比（模拟，50 ns）。阴影为标准差带；突变体整体柔性升高（均值 +0.29 埃），底物通道环（92-106 位）差异最大（约 2.0 对 3.0 埃）。

展开查看：RMSF 数据与绘图代码

绘图代码（Python，独立可运行）

2.4 自由能 landscape 等高线图#

自由能面

它回答什么问题：蛋白构象空间里有几个稳定「盆地」、切换要翻多高的山——MD 采样的终极大图，构象切换和折叠路径全画在一张等高线图上。

怎么读：把 MD 轨迹投影到前两个主成分上，用 -kT ln P 换算成自由能（千卡/摩尔），颜色越深越稳定。两颗星是盆地：盆地 A（原生态，dG = 0）和盆地 B（dG = 2.1，亚稳态）；白色箭头是盆地间的切换路径，途经的鞍点高度（约 5）就是切换代价——代价越高切换越罕见。FEL 的最大坑是采样不足：盆地边缘若还「长着」未收敛的山脊，先加模拟时长再谈结论。

用什么画：GROMACS 的 sham 或 gmx_energy；重绘对粗网格 dG 用 contourf。

图注示例：

图 107 100 ns 分子动力学的自由能 landscape（模拟，PC1-PC2 投影）。白色细线为等高线，标值为 dG（千卡/摩尔）；两个稳定盆地：A（原生态，dG = 0）与 B（dG = 2.1），白色箭头为盆地间最低切换路径。

展开查看：网格数据与绘图代码

绘图代码（Python，独立可运行；细网格由代码按双盆地函数插值）

2.5 EMSA 凝胶迁移实验示意#

EMSA

它回答什么问题：蛋白和这段 DNA 序列在体外结不结合、结合靠不靠特异位点——启动子结合验证的老三样之一（EMSA、Y1H、ChIP-PCR），EMSA 最快也最容易被审稿人追问对照。

怎么读：泳道就是论证链。「probe」只有游离探针一条带；「+protein」出现向上迁移的滞后带（蛋白-探针复合物，跑得慢）；「+50x cold」加 50 倍未标记冷探针竞争，滞后带消失——结合是序列特异的；「+mut probe」突变探针竞争不掉，滞后带仍在——突变位点正是结合位点；「+antibody」加抗体后带子跑得更慢（supershift），坐实复合物里就是这个蛋白。五条泳道缺一不可，少一条对照的 EMSA 基本会被打回。

用什么画：真实胶图用凝胶成像仪；示意图与排版用 matplotlib 画泳道条带。

图注示例：

图 108 EMSA 验证 BZR1 与 DWF4 启动子 TGAAG 基序的结合（示意）。泳道依次为游离探针、加蛋白、加 50 倍冷探针竞争、加突变探针、加抗体；滞后带可被冷探针竞争消除、被抗体进一步超迁移。

展开查看：绘图代码（示意条带）

2.6 亚细胞定位示意图#

亚细胞定位

它回答什么问题：蛋白在细胞里待在哪个区室——基因功能论文的最后一格拼图，GFP 融合表达加共聚焦拍照，画成示意图比贴原始照片更能讲清定位模式。

怎么读：左右两个细胞是论证的对照组与实验组：左边 35S::GFP 空对照，荧光弥散全细胞（细胞质+细胞核都亮）——证明 GFP 本身不定位；右边 DWF4p::GFP，信号集中在细胞边缘的质膜（粗绿轮廓）加细胞核（实心椭圆）。两图并排、同一标尺（20 um），结论就是「DWF4 定位于质膜与细胞核」。注意审稿人常问质膜信号是不是内质网的假象，正文要补一个质壁分离或共定位 marker 的验证。

用什么画：共聚焦原始图为主图，示意图用 Illustrator；matplotlib 的椭圆+轮廓也能画个七成像。

图注示例：

图 109 烟草瞬时表达体系的亚细胞定位（示意）。左：35S::GFP 对照，荧光弥散于细胞质与细胞核；右：DWF4p::GFP，信号定位于质膜与细胞核。比例尺 20 um。

展开查看：绘图代码（示意）

三、生化与湿实验曲线#

3.1 Lineweaver-Burk 双倒数图#

双倒数图

它回答什么问题：抑制剂是竞争性还是非竞争性的——把米氏方程（第二篇图 64 的双曲线）取双倒数拉直，抑制剂的类型就从「看形状猜」变成「看直线族怎么动」。

怎么读：横轴 1/[S]、纵轴 1/v，三条直线对应三种处理。判读口诀记直线怎么动：竞争性抑制剂与底物抢活性中心，加大底物能救回来——纵轴截距（1/Vmax）几乎不变（61 对 62）、横轴截距左移（-1/Km 从 -1.27 移到 -0.40），直线族近似在纵轴交汇；非竞争性 Vmax 掉到 27、Km 同时缩到 0.36，三条线各走各的。数据点只在高底物浓度处偏离直线是正常的（双倒数放大低浓度误差），拟合前先看原始双曲线。

用什么画：GraphPad 的 enzyme kinetics 模块；重绘对双倒数数据线性拟合。

图注示例：

图 110 三种条件下酶促反应的 Lineweaver-Burk 图（模拟，图例为米氏方程非线性拟合值）。无抑制剂 Vmax = 61、Km = 0.79 mM；竞争性抑制剂使 Km 增至 2.47 mM 而 Vmax 不变（62），直线族近似纵轴交汇；非竞争性抑制剂使 Vmax 降至 27、Km 缩至 0.36 mM。

展开查看：动力学数据与绘图代码 
substrate_mM,v_no_inhibitor,v_competitive,v_uncompetitive
0.1,6.5,2.9,5.4
0.2,12.7,3.5,9.2
0.5,23.9,10.8,15.9
1.0,33.4,17.3,20.0
2.0,44.9,27.7,22.8
5.0,53.4,42.1,24.5
10.0,56.8,48.6,25.7
20.0,58.5,55.1,26.7
csv

绘图代码（Python，独立可运行）

3.2 DSF 差示扫描荧光熔解曲线#

DSF 曲线

它回答什么问题：配体结合让蛋白更稳定了吗——热位移实验（DSF/Thermal shift）的产出就是一条熔解曲线加一个 dTm，是低成本筛选结合条件的首选。

怎么读：横轴升温程序（25-95 C），纵轴染料荧光（蛋白变性展开后疏水区暴露、染料变亮）。曲线的拐点就是熔解温度 Tm：载脂蛋白 52.4 C，加 brassinolide 后 58.1 C——dTm = +5.7 C，说明配体结合把蛋白「钉」得更稳。判读标准：dTm 大于 2 C 才算明确结合信号；正位移（变稳）与负位移（变松）都有意义，重复孔的 Tm 标准差应小于 0.5 C。

用什么画：定量 PCR 仪或 NanoDSF 自带软件；重绘对 RFU-温度表画双曲线加 Tm 竖线。

图注示例：

图 111 DSF 热位移实验检测 brassinolide 与 FaDWF4 的结合（模拟）。曲线为 SYPRO 荧光随升温的变化，Tm 由拐点读出：载脂 52.4 C、加配体 58.1 C，dTm = +5.7 C。

展开查看：RFU 数据与绘图代码

绘图代码（Python，独立可运行）

3.3 ELISA 标准曲线与回算#

ELISA 曲线

它回答什么问题：激素定量最后那个数字是怎么来的——标准品的四参数 logistic（4PL）曲线是所有免疫定量的地基，未知样品的浓度是沿着曲线「查」回去的。

怎么读：蓝点是 8 个标准品（浓度取对数轴），红线是 4PL 拟合；未知样品（红点）测得 OD 后沿水平线找到曲线、再垂直落回横轴读浓度（虚线路径）：S1 = 0.42、S2 = 1.22、S3 = 2.61 ng/mL。回算的三条纪律：未知样品 OD 必须落在标准曲线的线性区间内（S3 靠近上平台，重复测定要稀释重做）；每个点做复孔报 CV；曲线参数（底、顶、IC50、斜率）要写进方法，不能只贴一条线。

用什么画：GraphPad、SoftMax；重绘 scipy.optimize.curve_fit 拟合 4PL 后按虚线路径标注。

图注示例：

图 112 GA3 竞争法 ELISA 的标准曲线与样品回算（模拟）。蓝点为 8 个标准品，红线为 4PL 拟合；三个未知样品沿虚线路径回算，S1 = 0.42、S2 = 1.22、S3 = 2.61 ng/mL。

展开查看：标准品数据与绘图代码 
standard_ng,od
0.000,0.067
0.078,0.112
0.156,0.201
0.312,0.339
0.625,0.562
1.250,0.859
2.500,1.230
5.000,1.529
csv

绘图代码（Python，独立可运行；未知样品 OD 见图内标注）

3.4 荧光发射光谱位移图#

荧光位移

它回答什么问题：配体滴进去，蛋白真的动了吗——内源荧光（色氨酸）的峰移与淬灭是结合证据链里最便宜的一环，常与 DSF、ITC 并排出现。

怎么读：横轴发射波长（激发固定 280 nm），四条曲线是配体浓度梯度。读两个同时发生的现象：峰高被压（荧光淬灭，1.0 降到 0.45）和峰位红移（342 nm 移到 356 nm，色氨酸环境变疏水/构象收紧）。两者随配体浓度渐进且饱和，即可拟合结合常数 Kd；只有强度变化没有峰移，也可能是碰撞淬灭，需加lifetime实验区分。

用什么画：荧光分光光度计自带；重绘按波长-强度宽表画多线。

图注示例：

图 113 配体滴定下 FaDWF4 内源荧光的发射光谱（模拟，ex = 280 nm）。配体 0-20 uM 梯度下发射峰由 342 nm 红移至 356 nm，强度淬灭至 45%，呈可饱和结合特征。

展开查看：光谱数据与绘图代码

绘图代码（Python，独立可运行）

3.5 双荧光素酶报告柱状图#

双荧光素酶

它回答什么问题：转录因子是不是真的激活了这个启动子、靠不靠那个位点——双荧光素酶（LUC/REN）是启动子-转录因子互作验证的顶梁柱，论证结构全在五根柱子里。

怎么读：纵轴是 LUC/REN 归一化比值（REN 内参先扣掉转化效率差异）。读论证链：promoter-WT 单独有基础活性（2.9）；加 BZR1 效应子冲到 7.4（***，激活）；换成 site-mutated 启动子后基础活性掉回 1.1、加 BZR1 也只有 1.3——位点突变既杀基础活性又杀诱导，证明该基序是响应必需。对照的完整度（空载体归一化、突变对照、无效应子对照）决定这张图的说服力。

用什么画：Promega Dual-Luciferase 仪出原始读数，作图就是带误差线的柱状图加显著性标记。

图注示例：

图 114 双荧光素酶验证 BZR1 对 DWF4 启动子的激活（模拟）。柱高为 LUC/REN 比值（均值 ± 标准差，n = 6）；野生型启动子被 BZR1 激活 2.6 倍（***，p < 0.001），基序突变后激活消失。

展开查看：数据与绘图代码 
construct,ratio,sd
empty vector,1.00,0.12
promoter-WT,2.90,0.31
promoter-WT + BZR1,7.40,0.62
promoter-mut,1.10,0.14
promoter-mut + BZR1,1.30,0.18
csv

绘图代码（Python，独立可运行）

## 四、微生物与生态

4.1 稀疏化曲线#

稀疏化曲线

它回答什么问题：每个样本的测序量够不够、多样性还能不能再挖出来——alpha 多样性比较前必须先过这一关，否则「物种多」可能只是「测得多」。

怎么读：横轴抽样 reads 数，纵轴在该深度下重复抽样能观测到的 ASV 数。三条曲线前段陡（新 reads 不断带来新物种）、后段缓（物种池接近抽干）。本例 site A 到 4 万 reads 仍有爬升（83 附近还在涨，图内标注「未饱和、值得加测」），site B 在 52-54 波动、site C 在 30 上下已平台。判读口诀：比较多样性的样本必须都落在平台区；没平台的样本要么加测，要么稀释到共同深度再算。

用什么画：QIIME2 的 qiime diversity alpha-rarefaction、R vegan 的 rarecurve；重绘按深度-ASV 表画多线。

图注示例：

图 115 三个根际土壤样点的稀疏化曲线（模拟）。横轴为抽样 reads 数，纵轴为观测 ASV 数；site A 至 40,000 reads 仍未完全饱和（83.7 且持续上升），site B（54.0 附近）与 site C（约 30）已进入平台。

展开查看：稀疏化数据与绘图代码

绘图代码（Python，独立可运行）

4.2 rank-abundance 曲线#

rank-abundance 曲线

它回答什么问题：群落的优势度结构——是少数物种说了算，还是雨露均沾。稀疏化回答「够不够」，这张回答「匀不匀」，一对好搭子。

怎么读：横轴把物种按丰度从高到低排的秩，纵轴相对丰度（常取对数）。曲线的起点高度是最强优势种的分量：treatment A 首位物种占 61.7%，C 只有 24.3%；曲线的下降陡度是均匀度：A 掉得快（高优势模式），C 平缓拖出长尾（均匀模式）。生态学上对应的指数就是 Simpson/Shannon——这张图是它们的「形状版」，一张图同时看到优势度和丰富度。

用什么画：R vegan 的 radfit；重绘对秩-丰度表画多线。

图注示例：

图 116 三种处理下根际细菌的 rank-abundance 曲线（模拟，各取前 25 个 ASV）。处理 A 首位优势种占 61.7% 且曲线陡降，为高优势度结构；处理 C 首位仅 24.3%、长尾平缓，群落更均匀。

展开查看：秩-丰度数据与绘图代码

绘图代码（Python，独立可运行）

4.3 三元相图#

三元相图

它回答什么问题：每个样本在三个区室（土体、根际、根内）之间的组成比例——植物微生物组研究「梯度假说」的标准图：从土到根，一路过滤出特定类群。

怎么读：三角形三个顶点各代表 100% 属于某一区室端（顶=根内 endophyte、左下=土体 bulk soil、右下=根际 rhizosphere），点在三角形内的位置就是三个比例的合成。本例土体样 B1-B6 挤向左下角（bulk 占 0.60-0.78），根际样 R1-R6 落在右下-中部带（rhizo 0.43-0.68），根内样 E1-E6 拉向顶点（endo 0.56-0.87，其中 E3 高达 0.87）——梯度清晰。特别注意「跨界」的点：R5（0.23/0.43/0.34）根内比例偏高，值得单独看它的物种组成是不是混入了根内优势菌。

用什么画：R 的 Ternary 包、Python 的 python-ternary；重绘把三元坐标线性变换到二维再散点。

图注示例：

图 117 根-土连续体 18 个样本群落组成的三元相图（模拟）。顶点分别为根内（上）、土体（左下）、根际（右下）；土体、根际、根内样本各自聚向对应顶点，梯度清晰；R5 的根内比例（34%）高于根际组其余样本。

展开查看：组成数据与绘图代码

绘图代码（Python，独立可运行）

4.4 RDA 排序图#

RDA 排序图

它回答什么问题：哪些环境因子在塑造群落组成——把样方和因子箭头画进同一坐标系，「谁跟谁走」一眼可读，是土壤/微生物组论文出场率最高的排序图。

怎么读：点是一个样方，箭头是一个环境因子，箭头越长该因子解释力越强，两箭头夹角近似其相关性。读法一句话：样方落在某箭头的延长线方向上，该因子的值就高。本例土体组（B，左侧）沿 pH 正方向，根际组（R，右上）沿 total N 箭头（1.85, 0.25），根内组（E，右下）在 moisture 负端——三个区室各被不同因子「拉住」。正式分析要报约束轴的解释率与 permutation 检验 p 值，图里至少标注 RDA1/RDA2 的解释百分比。

用什么画：R vegan 的 rda + envfit；重绘对样方坐标与因子箭头坐标分面板散点加箭头。

图注示例：

图 118 根-土连续体 18 个样本的 RDA 排序图（模拟）。点为样方（按区室着色），箭头为环境因子：土体组与 pH 同向，根际组沿 total N 方向（箭头终点 1.85, 0.25），根内组位于 moisture 负端。

展开查看：样方与因子数据、绘图代码 
variable,rda1,rda2
total N,1.85,0.25
pH,-1.25,1.05
moisture,0.35,-1.75
SOM,1.15,-0.70
csv

绘图代码（Python，独立可运行）

4.5 LEfSe 分支图（cladogram）#

LEfSe 分支图

它回答什么问题：两组微生物组的差异集中在分类树的哪些枝条上——不是「哪些物种差异」（那是火山图/柱状图的事），而是「差异有没有分类学上的系统性」。

怎么读:同心圆从内到外是 门 → 纲 → 属，每个扇形一个分类单元，颜色标注它在哪一组显著富集，半径对应相对丰度。本例四根红色枝条（Actinomycetes、Coriobacteriia、Alpha- 与 Gammaproteobacteria 四个纲）及其下属 8 个属全部富集于矮化组，野生型组没有独立富集的枝，灰色为不显著——「矮化伴随一支放线菌的系统性扩张」这样的结论才立得住。正式版要配 LDA 评分柱状图（通常 LDA > 2 才画进 cladogram）。

用什么画：LEfSe 原流程（Huttenhower 实验室）或在线版 microbiomeanalysis；重绘按 分类单元-层级-分组 表用楔形块拼。

图注示例：

图 119 矮化与野生型植株根际菌群差异的 LEfSe 分支图（模拟）。环层由内向外为门、纲、属；红色为矮化组显著富集（Actinomycetes、Coriobacteriia、Alphaproteobacteria、Gammaproteobacteria 及其下属属），灰色为不显著；本例野生型侧无独立富集枝。

展开查看：分类层级数据与绘图代码

绘图代码（Python，独立可运行；核心是把每个分类单元放到所属父类的扇区里）

4.6 时间杀菌曲线#

时间杀菌曲线

它回答什么问题：抗生素在 24 小时里把菌压到哪、会不会反弹——药敏试验里 MIC 只给一个终点的量，time-kill 给全过程形状，直接指导给药频次。

怎么读：横轴时间，纵轴 log10 CFU/mL。三条线三种故事：4× MIC 两小时压降 1.7 个对数（6.41→4.70），24 h 到 1.99、贴着检测限（灰色虚线附近）；1× MIC 前段有效（6 h 最低 4.65）但随后回升（24 h 回到 6.25）——初压不住后的 regrowth，提示浓度不足或耐受亚群被筛出；对照平稳（6.3-6.4）。形状判读口诀：持续下坠是浓度依赖，早降后平是时间依赖，回弹是耐药信号。

用什么画：GraphPad 生长曲线模板；重绘按 时间-分组 表画多线加检测限横线。

图注示例：

图 120 铜绿假单胞菌分离株的时间杀菌曲线（模拟）。0-24 h 每 2-6 h 计数一次；4× MIC 组 2 h 内降 1.7 log10（6.41→4.70）、24 h 达 1.99 log10 CFU/mL（检测限附近）；1× MIC 组 6 h 后回弹至 6.25，提示再生。

展开查看：计数数据与绘图代码 
time_h,control,abx_1x,abx_4x
0,6.41,6.30,6.41
2,6.35,5.59,4.70
4,6.37,4.94,3.24
6,6.36,4.65,2.53
8,6.33,4.80,2.32
12,6.33,5.50,2.11
18,6.33,6.07,2.19
24,6.41,6.25,1.99
csv

绘图代码（Python，独立可运行）

五、代谢组与宏基因组#

5.1 镜像质谱图#

镜像质谱图

它回答什么问题：这个质谱峰到底是不是注释表里那个分子——把样品谱图和数据库标准谱图上下镜像叠起来，匹配质量一眼可见，是代谢组注释审核的最后一道关。

怎么读：上方向为样品谱（query），下方向为库谱（reference），横轴 m/z。峰对得越齐，匹配越可信——图内标注余弦相似度 0.93（GNPS 常用 0.7 作阈值）。重点看「不对称」的峰：m/z 135 处库里有强峰（22）而样品缺失（标 unmatched），提示它可能是加合离子或共洗脱碎片，不参与打分；反过来样品独有的峰则要去查同位素/加合物。谱图对不齐但相似度高的，往往是无关分子「撞分」，镜像一摆就露馅。

用什么画：GNPS 的 spectral library match 页面直接出镜像图；重绘对 m/z-强度双列画上下镜像杆图。

图注示例：

图 121 未知代谢物与数据库标准品的 MS/MS 镜像比对（模拟）。上方为样品谱、下方为库谱，余弦相似度 0.93；m/z 135 仅存在于库谱（unmatched），判为加合离子相关峰。

展开查看：谱峰数据与绘图代码 
mz,sample_intensity,library_intensity
74,40,38
88,100,96
120,65,70
135,0,22
163,30,28
205,55,52
250,18,15
csv

绘图代码（Python，独立可运行）

5.2 Van Krevelen 图#

Van Krevelen 图

它回答什么问题：几百个 DOM/代谢物分子各自属于哪个化学家族——只用两个原子比（H/C、O/C）就把元素组成翻译成化学语义，傅里叶变换离子回旋共振质谱（FT-ICR MS）论文的标配。

怎么读：横轴 H/C、纵轴 O/C，每个点一个分子式，图上按经验区域划分 lipid、protein、carbohydrate、lignin、tannin 等分区。本例脂类聚在右下（H/C 1.6-1.8、O/C 小于 0.2），糖类在高氧区（O/C 0.8-1.0），木质素-单宁偏左上（低 H/C 高 O/C 的芳香区）——木质素与单宁点占比高，说明这批溶解性有机质以难降解芳香结构为主。判读口诀：点沿脱氧方向移动=还原过程，向高 O/C 移动=氧化过程，处理前后分区占比的变化就是「化学故事线」。

用什么画：R 的 FTMSPlotting、Python 手写分区背景；重绘按 H/C-O/C-分类表散点加分区底色。

图注示例：

图 122 40 个 DOM 化合物的 Van Krevelen 图（模拟）。横轴 H/C、纵轴 O/C，底色区为经验分类区；脂类（H/C 1.6-1.8，O/C ≤ 0.21）、糖类（O/C 0.79-0.97）与木质素-单宁芳香区（H/C ≤ 1.31 且 O/C 0.12-0.74）各有聚集。

展开查看：元素比数据与绘图代码

绘图代码（Python，独立可运行）

5.3 Blob 图（bin 质控散点）#

Blob 图

它回答什么问题：宏基因组组装出的每个 bin 是「谁」、干净不干净——GC 含量、覆盖度、分类三重证据叠在一张图上，bin 提纯（rectification）前的必看图。

怎么读：横轴 GC%、纵轴覆盖度，点大小与 bin 长度成正比，颜色是分类学归属。同一基因组应聚成 GC/覆盖度一致的「云」：bin7（Eukarya，39% GC、52×、31.6 Mb 的大泡泡）自成一团没问题；但要警惕「一色多点散开」——若同一分类的点覆盖度差好几倍，多半混了多个物种或菌株。右下角的 undefined 小碎片（bin11，35% GC、9×、0.6 Mb）通常是低质量 bin，先查 completeness/contamination 再决定并入还是丢弃；GC 极端（62%）又小的 bin12 要防污染。

用什么画：BlobToolKit 一条命令出全套；重绘按 bin-分类-GC-覆盖度-长度表画气泡图。

图注示例：

图 123 12 个宏基因组组装 bin 的 Blob 图（模拟）。横轴 GC%、纵轴覆盖度，气泡面积与 bin 长度成正比；bin7（Eukarya）以 31.6 Mb、52× 覆盖度独立成团，bin11（undefined，0.6 Mb）与 bin12（60% GC）需进一步质控。

展开查看：bin 数据与绘图代码 
bin,taxonomy,gc,coverage,length_mb
bin1,Bacteria,51,32,18.4
bin2,Bacteria,44,21,9.2
bin3,Bacteria,58,45,3.1
bin4,Bacteria,47,15,2.4
bin5,Archaea,41,27,2.8
bin6,Archaea,45,38,1.9
bin7,Eukarya,39,52,31.6
bin8,Eukarya,43,33,8.8
bin9,Eukarya,55,12,1.5
bin10,undefined,62,24,0.9
bin11,undefined,35,9,0.6
bin12,Bacteria,60,18,1.2
csv

绘图代码（Python，独立可运行）

六、AI 与多组学前沿#

6.1 MOFA 因子图#

MOFA 因子图

它回答什么问题：转录组、蛋白组、代谢组一起测时，各组学共享的「变化主线」是什么——MOFA 把三套数据压进少数几个因子，多组学整合从「三张图各说各话」变成一张图。

怎么读：左面板是样本在前两个因子上的散点（按基因型着色）：Factor1 把三组排成一条直线（brz 在 -3.3 到 -1.9，WT 居中，GA3 在 +1.6 到 +3.2）——这是处理效应的「总轴」；Factor2 上 WT7 独自上飘（0.55），值得查批次。右面板是每个因子在各组学里的解释方差 R2：Factor1 主要由 mRNA（46%）和蛋白组（30%）驱动，Factor2 则代谢组贡献最大（31%）——哪个组学主导哪个生物学过程，一目了然。判读纪律：因子要回头去看载荷（哪些基因/代谢物压在因子上），不能停在「分开了」。

用什么画：MOFA2（R/Python）官方 pipeline；重绘按 样本-因子 坐标与 组学-R2 表拼双面板。

图注示例：

图 124 24 个样本转录组-蛋白组-代谢组的 MOFA 因子分析（模拟）。左：Factor1-Factor2 散点，Factor1 沿 brz-WT-GA3 排列；右：各因子逐组学解释方差，Factor1 由 mRNA（46%）与蛋白组（30%）主导，Factor2 以代谢组最高（31%）。

展开查看：因子坐标与 R2 数据、绘图代码 
view,factor1_r2,factor2_r2,factor3_r2
mRNA,46,21,9
proteome,30,12,22
metabolite,14,31,6
csv

绘图代码（Python，独立可运行）

6.2 深度学习归因轨迹图#

归因轨迹图

它回答什么问题：模型预测启动子强度时，到底在「看」哪些碱基——把逐碱基归因分数画成轨迹，深度学习模型从黑箱变成可核对的假设生成器。

怎么读：横轴启动子位置（60 bp），每根柱是一个碱基（按 A/C/G/T 着色），柱高为归因分数。两个高归因区跳出来：19-23 位的 TGAAG（0.58-0.87）和 43-48 位的 GTTGAC（0.44-0.75），与 EMSA 验证的 BZR1 结合基序对上了——模型「看重」的位置和湿实验「验证」的位点咬合，这是 AI 结果可信的最强证据形式。判读纪律：归因高≠因果，要 shuffle 对照（打乱序列后归因应消失）；多个高归因区但都不匹配已知 motif 时，先怀疑模型学了背景特征（GC 含量、poly-A）。

用什么画： saliency/integrated gradients 出原始分数，TF-MoDISco 聚成 motif；重绘按 位置-碱基-归因 表画彩色柱状。

图注示例：

图 125 启动子强度模型的逐碱基归因轨迹（模拟，60 bp）。柱高为归因分数、颜色为碱基；19-23 位 TGAAG（峰值 0.87）与 43-48 位 GTTGAC（0.75）两个高归因区，与 EMSA 验证的 BZR1 结合基序一致。

展开查看：归因数据与绘图代码

绘图代码（Python，独立可运行）

6.3 蛋白语言模型嵌入 UMAP#

蛋白嵌入 UMAP

它回答什么问题：不用比对，只靠序列「语感」，蛋白能不能按家族分开——ESM 这类蛋白语言模型把每条序列变成向量后降维，是大规模功能注释的当红路线。

怎么读：每个点一条蛋白（此处每家族 10 条），颜色是已知家族标签。四个已知家族各自聚团、团间零重叠，说明嵌入空间里「序列相似=功能相近」成立；中央的 DUF（未知功能域）团不与任何家族融合——它是个真实的未知家族，语言模型给出的最近邻家族就是注释候选。判读纪律：UMAP 的距离没有全局意义，只看「团与团的关系」；团若散碎，先查序列长度分布是不是被嵌入长度偏置带偏了。

用什么画：ESM-2/ProtTrans 出嵌入，UMAP 降维；重绘对 嵌入坐标-家族 表散点并标质心。

图注示例：

图 126 50 条蛋白的 ESM 嵌入 UMAP 投影（模拟）。每家族 10 条：kinase、bHLH、P450、LRR 各自聚团，中心 DUF 家族（绿色）与已知家族均不重叠，为候选新家族。

展开查看：嵌入坐标与绘图代码

绘图代码（Python，独立可运行）

6.4 泛基因组组装图（graph 视图）#

泛基因组图

它回答什么问题：单线性参考会漏掉的样本间结构变异长什么样——泛基因组把「一个参考」换成「一张图」，图视图（Bandage 风格）是检查组装图质量的肉眼关卡。

怎么读：每个节点一段序列（标注长度），边是相邻关系；样本的基因组=图里的一条路径。三个看点：core 节点（深色，所有样本都走）构成主干；**泡（bubble）**是等位/结构分歧——C 与 D 组成泡，样本 1 走 C（20 kb）、样本 2 走 D（14 kb）；repeat 节点（R，14 kb，三条入射边）是多拷贝重复，也是长读长比对歧义的高发地。 accessory 节点（浅色）只在部分样本出现——泛基因组分析的核心产出就是统计「哪些 accessory 路径与表型共分离」。

用什么画：pggb 构建图、Bandage 可视化；重绘按 节点表+边表 用圆角方块加连线。

图注示例：

图 127 五样本泛基因组组装图的示意视图（模拟）。节点为序列段（标注长度，kb），core/accessory/repeat 三类着色；C-D 节点对构成样本间变异泡，repeat 节点 R 有三条入射边。

展开查看：节点与边数据、绘图代码 
node,length_kb,class
A,24,core
B,16,core
C,20,accessory
D,14,accessory
E,30,core
R,14,repeat
F,18,accessory
G,22,core
csv
node1,node2
A,B
B,C
B,D
C,E
D,E
E,R
R,F
R,G
F,G
A,G
csv

绘图代码（Python，独立可运行）

6.5 跨组学 UMAP 三联图#

跨组学 UMAP

它回答什么问题：三个组学各自降维后，结论互相印证吗——比 MOFA 少了统计建模，但更直观：同一样本集在三个空间里的「形状」应该讲同一个故事。

怎么读：三个面板是同一批 24 个样本在 mRNA、蛋白组、代谢组各自 UMAP 空间里的位置，颜色统一按基因型。健康的整合：三张图里组间分离方向一致（brz 一侧、GA3 另一侧、WT 居中），且同一样本的三个影子相对位置不打架。本例三联全部按基因型分离——结论跨组学稳健；若某个组学面板里混作一团，先查它的批次效应与标准化，而不是急着下「该组学无差异」的结论。注意 UMAP 坐标跨面板不可比，比较的只是「分组结构」。

用什么画：totalVI/MOFA 输出或各组学分别跑 UMAP 后拼图；重绘对 宽表（样本-基因型-三对 UMAP 坐标）画三联小倍数。

图注示例：

图 128 同一批 24 个样本在转录组、蛋白组、代谢组三个 UMAP 空间中的投影（模拟，三联小倍数）。三个组学面板中样本均按基因型分离且方向一致，结论跨组学稳健。

展开查看：坐标数据与绘图代码

绘图代码（Python，独立可运行）

七、统计与呈现杂图#

7.1 漏斗图#

漏斗图

它回答什么问题：把十几个研究合成一个结论的 meta 分析，有没有被「只发表阳性结果」带偏——漏斗图是发表偏倚的体检表。

怎么读：横轴各研究的效应量，纵轴标准误（研究越弱越靠下），中竖线是合并效应（0.42），两侧斜线围出 95% 置信「漏斗」。理想状态：点关于竖线对称，小研究均匀散在漏斗两翼。本例 12 项研究整体围绕 0.42，但右翼漏出 S7（0.67、se 0.106）一类「小样本+高效应」的研究，右移明显——先做 Egger 回归检验，显著就跑剪补法（trim-and-fill）看合并效应会不会缩水。漏斗对称性差不是「删掉证据」，而是「降结论强度」的信号。

用什么画：R metafor 的 funnel()；重绘对 研究-效应-标准误 表散点加合并线与伪置信带。

图注示例：

图 129 12 项研究效应量的漏斗图（模拟）。横轴效应量、纵轴标准误，中竖线为合并效应 0.42；右翼小样本研究（如 S7，0.67）整体右移，提示潜在发表偏倚。

展开查看：研究数据与绘图代码 
study,effect,se
S1,0.32,0.035
S2,0.20,0.047
S3,0.34,0.059
S4,0.30,0.070
S5,0.08,0.082
S6,0.14,0.094
S7,0.67,0.106
S8,0.16,0.118
S9,0.28,0.130
S10,0.25,0.141
S11,0.17,0.153
S12,0.17,0.165
csv

绘图代码（Python，独立可运行）

7.2 哑铃图#

哑铃图

它回答什么问题：同一通路在两个时点间的 NES 变化方向与幅度——两次独立条形图各自看是「都变了」，哑铃一连才知道「往哪边变」。

怎么读：每行一条通路，两端圆点是 12 h 与 48 h 的标准化富集分数（NES），连线即变化轨迹，48 h 数值标在点旁。三种形状三种结论：BR signaling 从 1.8 拉长到 2.6（持续增强）、photosynthesis 从 -1.4 深到 -2.2（抑制加深）、nitrate transport 从 -1.1 收回到 -0.4（早期抑制回调）——「早期下调、后期恢复」的适应型通路只有哑铃能一眼看出来。排序建议按 48 h 值排，读图者扫一眼就能抓最两端。

用什么画：R 的 ggalt geom_dumbbell；重绘对 通路-两时点 表画横线加双点。

图注示例：

图 130 缺水处理后 12 h 与 48 h 两个时点的通路 NES 哑铃图（模拟）。蓝点 12 h、红点 48 h（数值标注）；BR signaling 由 1.8 增至 2.6，photosynthesis 由 -1.4 深至 -2.2，nitrate transport 由 -1.1 回调至 -0.4。

展开查看：NES 数据与绘图代码 
pathway,nes_12h,nes_48h
BR signaling,1.8,2.6
flavonoid biosynthesis,1.2,2.4
cell wall loosening,0.9,2.1
photosynthesis,-1.4,-2.2
starch degradation,-0.6,-1.7
ABA signaling,0.4,1.3
nitrate transport,-1.1,-0.4
protein synthesis,-1.9,-2.6
csv

绘图代码（Python，独立可运行）

7.3 瀑布图#

瀑布图

它回答什么问题：20 个基因型对处理的响应分布全貌——均值会埋掉极端材料，瀑布图把每一个体排成阶梯，育种里挑极端材料的「选种图」。

怎么读：横轴是按响应率排序的基因型，纵轴是产量变化百分比，绿升红降（按符号着色），中位线标注群体典型响应（+3.0%）。两端即信息：G1（+24.4%）与 G2（+13.2%）是候选耐旱材料，G20（-18.9%）、G19（-13.8%）是敏感材料；中段密密麻麻的「平庸带」提醒你效应主要靠两端少数基因型拉动。判读纪律：先确认响应率的分母（对照是哪一年的、重复几次），瀑布图最怕单点极端值其实是测量误差。

用什么画：肿瘤学术圈的标准图（R 的 waterfalls 包），农业里同样好用；重绘按 基因型-变化率 表排序柱状并按符号着色。

图注示例：

图 131 20 个基因型干旱处理下的产量变化瀑布图（模拟）。按变化率降序排列，绿色为正响应、红色为负响应；中位数 +3.0%，两端 G1（+24.4%）与 G20（-18.9%）为极端材料。

展开查看：响应数据与绘图代码

绘图代码（Python，独立可运行）

7.4 帕累托图#

帕累托图

它回答什么问题：测序 QC 失败原因里，哪两三类占了八成——把频次柱状图和累计百分比折线叠起来，资源该往哪投一目了然。

怎么读：柱子按频次降序（index hopping 42、adapter dimer 31、low Q30 18……），右轴折线是累计占比：前两类合计 55%，前三类 68%——抓头三类就能消掉七成问题，剩下的长尾（poly-G、other 各 2-3 例）不值得单独立项。帕累托图的读法就一句：折线越过 80% 的位置之前的所有柱子才是「主要矛盾」。柱顶直接标频次数值，省得读者来回对轴。

用什么画：Excel/Pareto 图表类型一步出；重绘双 y 轴（左频次、右累计百分比）。

图注示例：

图 132 一个季度测序 QC 失败原因的帕累托图（模拟，共 133 例）。柱为各类频次（降序，柱顶标注），折线为累计占比：index hopping 与 adapter dimer 合计 55%，前三类累计 68%。

展开查看：频次数据与绘图代码 
category,count
index hopping,42
adapter dimer,31
low Q30,18
duplication,12
GC bias,9
chimera,7
N-heavy reads,5
short insert,4
poly-G tail,3
other,2
csv

绘图代码（Python，独立可运行）

7.5 三维 PCA#

3D PCA

它回答什么问题：二维 PCA 看不出分组时，第三主成分里有没有藏着信息——也是本系列唯一一张「先想想再画」的图：3D 好看，但常不如两张 2D 投影诚实。

怎么读：30 个代谢组样本投到 PC1-PC3 空间（视角 elev 22、azim 118，标注在代码里，固定视角才可复现）。三组分离清晰：WT 占 PC1 正端，brz 与 GA3 沿 PC2 分开，PC3 贡献的是组内散布。判读纪律：3D 图必有遮挡与透视失真，发表时配 1-2 张 2D 投影作「诚实版」；交互式旋转图（plotly HTML）是更好的补充；「PC 轴解释百分比」照旧标进轴标签。

用什么画：sklearn PCA 出分后 matplotlib 的 projection="3d" 或 plotly 交互图；重绘对 样本-基因型-PC1/2/3 表三维散点。

图注示例：

图 133 30 个代谢组样本（三基因型各 10 个）的 3D PCA（模拟）。三组沿 PC1-PC2 分离，视角 elev = 22、azim = 118；3D 透视仅作补充，结论以 2D 投影为准。

展开查看：坐标数据与绘图代码

绘图代码（Python，独立可运行）

八、写在最后：此篇收束，系列续于第五篇#

前四篇合计 133 张图：第一篇 41 张打底（统计、转录组、临床）、第二篇 33 张进阶（群体遗传、比较基因组、单细胞）、第三篇 29 张承接（测序 QC、表观、空间组学）、本篇 30 张（蛋白、生化、生态、AI 多组学）。系列未完——第五篇（40 张，蛋白结构、变异与表达验证）首次成建制引入真实 PDB/AlphaFold 坐标与 4 张浏览器可拖拽的交互 3D，第六篇（22 张，真实公开数据实战）再用 1001 Genomes 全基因组矩阵把全套推到 195 张。写完这轮最大的体会还是那句朴素的话：先想清楚这张图要回答的那句话，再挑图型；反过来就会画出漂亮但没用的图。133 张里没有一张是因为「好看」被选进来的——它们各自回答一个具体问题，图注里的每一个数字都与生成它的数据严格一致，折叠块里的 CSV 和代码让你从这张网页直接复现到自己的终端。

再往前走，有两件事值得做：一是把这批模拟图换成你自己的真实数据（每张图的代码都只吃一张 CSV，替换路径就能跑）；二是把重复劳动交给工具——Linxira Bio SDK ↗（我主导开发的本地优先生信工具链）正在把「跑分析、出表、到画图前的最后一公里」版本化，实际可用能力以正式分支最新 release ↗ 为准。哪张图你想要「真实数据版」「交互版」或者补一个我没覆盖的图型，评论区点单。

参考文献#

  1. Michaelis L, Menten ML (1913). Die Kinetik der Invertinwirkung. Biochem Z 49:333-369. — 米氏方程原始论文（图 110 的上游）。
  2. Lineweaver H, Burk D (1934). The determination of enzyme dissociation constants. J Am Chem Soc 56:658-666. — 双倒数作图法。
  3. Jumper J et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature 596:583-589. — pLDDT 置信度的出处（图 105）。
  4. Lin Z et al. (2023). Evolutionary-scale prediction of atomic-level protein structure with a language model. Science 379:1123-1130. — ESM 蛋白语言模型（图 126）。
  5. Wang M et al. (2016). Sharing and community curation of mass spectrometry data with GNPS. Nat Biotechnol 34:828-837. — 分子网络与镜像谱图比对（图 121）。
  6. Caporaso JG et al. (2010). QIIME allows analysis of high-throughput community sequencing data. ISME J 4:664-672. — 稀疏化等多样性分析流程（图 115）。
  7. Segata N et al. (2011). Metagenomic biomarker discovery and explanation. Genome Biology 12:R60. — LEfSe（图 119）。
  8. Argelaguet R et al. (2018). Multi-Omics Factor Analysis—a framework for unsupervised integration of multi-omics data sets. Mol Syst Biol 14:e8124. — MOFA（图 124）。
  9. Shrikumar A et al. (2018). Technical note: Transcription factor motif discovery from attribution scores (TF-MoDISco). — 深度学习归因聚 motif（图 125）。

参考代码#

  • 第四篇 30 张图的全部生成脚本：仓库 tools/bio-plots/ch10c_more.py（104-120）与 ch10d_more.py（121-133），随机种子固定，重跑即可复现文中每一根线条。
  • Linxira Bio SDK ↗：本地优先的生信执行工具链（官网 ↗）；架构思路见我的拆解文。
  • 系列前三篇：第一篇 · 第二篇 · 第三篇。

原文存档：本文初版发布于旧站（Butterfly 主题）。如遇图表、代码高亮或 3D 交互显示异常，请查阅 完整存档版。

生信图表大全（第四篇）：从蛋白互作到 AI 多组学的 30 张图
https://bohuyeshan.top/2026/09/12/2026-09-12-04-%E7%94%9F%E4%BF%A1%E5%9B%BE%E8%A1%A8%E5%A4%A7%E5%85%A8%E7%AC%AC%E5%9B%9B%E7%AF%87-%E4%BB%8E%E8%9B%8B%E7%99%BD%E4%BA%92%E4%BD%9C%E5%88%B0AI%E5%A4%9A%E7%BB%84%E5%AD%A6%E7%9A%8430%E5%BC%A0%E5%9B%BE/
Author BoHuYeShan
Published at 2026年9月12日
Copyright CC BY-NC-SA 4.0
Buy me a cup of coffee ☕.

生信图表大全（第五篇）：蛋白结构、变异与表达验证的 40 张图

生信图表大全（第三篇）：从测序 QC 到空间组学的 29 张图