生信图表大全（第七篇）：把 190 张图重画成 Nature 风格

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） · 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）即本篇。

有读者批评得很难听：“AI 画的图，一眼低质。“这话对了一半——图确实是 AI 画的，但”低质感”不是 AI 的锅，是默认 matplotlib 的锅：默认字号大得像幻灯片、默认色板饱和得像儿童玩具、网格线铺满背景、四条脊柱围一圈框。人画图时会下意识避开这些，AI 不给规范就全踩。所以本篇做两件事：

第一，把全系列 190 张 PNG 按 Nature 图表规范全部重绘（195 张图中 5 张是 3Dmol.js 交互 3D——139-142 与 188——本就没有 PNG）。数据一个字节没动，随机种子没动，图注里的每一个数字在重绘后依然与图内严格一致——变的只有像素。改造前的原图抽了 12 张存在 /img/bio-plots/before/ 里做对照，其余直接覆盖。

第二，把”为什么是这张图、为什么是这个方法”补全。重画只是皮，本篇第五章逐图族过一遍方法选型：同一份数据往往有三条分析路线，每条路线各自回答什么、什么时候失效、我们为什么选这条——这是前六篇”怎么画”之外一直欠着的”为什么画它”。

一、“AI 一眼低质”的病灶清单#

先诊断。“AI 味”不是玄学，它是一组可以逐条指认的默认值。下表左边是病灶，中列是本系列旧版的实际取值，右列是 Nature 的处方：

也要说句公道话：旧版有四件事从一开始就做对了——去顶右脊、无框图例、英文轴标、右下角数据来源水印。这次重构是在这四条地基上换墙面。

二、我们用了哪些 skill：仓库、链接与质量判断#

动手前先调研。翻的是 GitHub 上的 Agent Skills 生态（Anthropic 去年开放了 SKILL.md 规范后，社区已经形成了几个成规模的技能库），用 gh CLI 直接拉仓库读原文，没有转述：

gh api repos/Yuan1z0825/nature-skills/tarball > ns.tar.gz   # 全量
gh api repos/K-Dense-AI/scientific-agent-skills/contents/ \
  skills/scientific-visualization/assets/nature.mplstyle    # 单文件

读完的判断如下：

两个 skill 的共同原始锚点是 Nature 官方的 figure specifications ↗—— skill 只是转译层，最终对表以它为准。质量差异也很典型：Yuan1z0825 的强项是规范有出处（每条能追到官方 guide 或真实语料），K-Dense 的强项是数值可直接执行（mplstyle 导入即用）；两家合起来正好凑齐”为什么”和”是多少”。

三、Nature 规范速查与博客适配#

官方硬指标（flagship Nature，production 阶段）：

两处有意识的偏离，说清楚理由：

• DejaVu Sans 代替 Arial。渲染主机是 WSL Linux，没有 Arial 也没有 Liberation Sans；DejaVu 是 matplotlib 自带的人本无衬线体，字形结构同族。博客是读图场景不是投稿场景，字体代谢这一步等真要投稿时再装字体重出即可——font.sans-serif 列表里 Arial 排第二，装上即生效。
• 300 dpi PNG 代替矢量主格式。skill 建议 SVG 为主（文字可再编辑），对投稿正确；但博客 190 张图全上矢量，仓库体积和首屏加载都要付代价。PNG@300dpi 在移动端双指放大后依然锐利，是为阅读优化的折衷。

四、改造前后：12 组对照#

同一份数据、同一个脚本、同一行图注——只换了渲染层。前图存档于 before/，点击可在新标签页放大对比。

图 1 火山图#

红蓝换成 Okabe-Ito 的朱红/蓝（红绿色盲也能分），网格撤掉，字号缩一档。基因名锚线保留。

图 3 相关性热图#

YlGnBu 色图未动，单元格数字改按填充亮度自动换黑/白——旧版深蓝格子上的深灰数字几乎不可读。

图 6 箱线图 / 图 7 小提琴图#

图 10 UpSet 图#

双面板自动钉上 a/b 字母——这是本次新增的导出级规则：任何多于一个数据面板的图，导出时按面板顺序自动标注粗体小写字母（colorbar 与孪生轴自动跳过）。

图 13 UMAP#

图 51 Circos 风格共线性圈图#

染色体弧与共线性带整体换 Okabe-Ito 低饱和版本，大圆图最怕的高饱和”儿童轮胎”感消失。

图 100 marker 点图 / 图 101 细胞通讯圈图#

图 134 蛋白 Cα trace#

图 174 真实数据 PCA（第六篇）#

图 180 真实数据 Manhattan（第六篇）#

染色体交替色换成深浅双蓝（同色相、明度分离），比红绿交替更适合打印和色盲读者；Bonferroni 阈值线与 top SNP 标注不变。

五、方法选型：为什么这张图用这个方法#

重画解决”好看”，这一章解决”该画什么”。逐图族过一遍：这份数据要回答什么问题、候选方法有哪几个、选的这条为什么、什么时候会失效。这也是审稿人问”为什么不用 XXX”时你该有的答案。

5.1 差异表达：为什么是负二项模型，为什么画火山图#

RNA-seq counts 的方差随均值增长且过散（overdispersion），这排除了泊松（无过散参数）和在低 counts 小样本上失效的 Welch t 检验。三条主流路线：

本系列教学图（图 1）用模拟 TPM + t 检验演示原理，正文明说真实分析应回到 counts + DESeq2。选 DESeq2 的核心理由是 LFC 收缩：基因表达量越低，log2FC 的抽样噪声越大，不收缩的火山图会孤出一串”低均值假大效应”点。展示层选火山图（图 1）而不是 MA 图，因为 volcano 同屏编码效应量（x）与显著性（y）两个维度，筛基因直观；MA 图的优势是暴露”效应随均值漂移”的系统性偏差——两图回答的问题不同，不是互相替代。

5.2 降维：群体结构用 PCA，单细胞用 UMAP，不是口味问题#

图 12/174/184 用 PCA：群体结构是等位基因频率的线性梯度，PCA 的 PC1/PC2 方差占比本身就是可报告量（图 174 的 8.5%/3.4%），loadings 能回查”是哪些 SNP 撑起了这个轴”，且无超参意味着可复现。图 13 用 UMAP：36 个单细胞群的分群可视化需要保留局部邻域、把非线性流形摊开，代价是坐标轴只有相对意义——所以图注明确写了”坐标为任意单位，仅反映相对邻域关系”。如果给群体结构上 UMAP：轴不可解释、方差占比消失、审稿人要求换回 PCA。如果给单细胞上 PCA：前两个 PC 往往只解释百分之几的方差，分群被技术噪声淹没。 图 192 的真实 vs 模拟对照用同一套 PCA 管线，则是为了保证两侧可比——比较实验里，方法本身就是变量。

5.3 富集分析：有无阈值决定 ORA 还是 GSEA#

输入形态决定方法：手握一份”显著差异基因列表”（有阈值切过的），用超几何检验的 ORA（图 17 KEGG 条形）；只有全转录组的排序指标（无干净阈值，或效应都小而协调），用 GSEA（图 19，排序指标从头走到尾）。ORA 会丢掉”每个基因都涨 15%、没有一个过线”的协调信号——这正是 GSEA 的设计动机，图 19 的 ES=0.92 峰值就是这种信号。展示层：条形（图 17）适合 5-10 条通路比数量；弦图（图 18）适合展示”一个基因注释多条通路”的多对多关系——同一数据画条形会丢掉连接信息，画弦图则读不出富集倍数。

5.4 集合交集：三个以内画 Venn，四个以上画 upSet#

Venn 图的圆面积不编码任何数值，且四集合以上图形迅速不可读（图 8、9 停在三集合）。图 10 的四组学交集用 upSet：按交集大小降序排柱，成员矩阵一行一个集合，可扩展到十几个集合不失真。反过来两个集合画 upSet 则是杀鸡用牛刀——韦恩图一眼看穿的包含关系，upSet 要读矩阵。

5.5 生存与诊断：KM 展示、Cox 建模；平衡数据看 ROC、不平衡看 PR#

图 21 用 Kaplan-Meier + log-rank：无参数、直接可视化单因子的生存差异，但它处理不了协变量和混杂——多变量归 Cox 比例风险模型（给 HR 和置信区间）。图 20（ROC，AUC 0.98/0.81/0.47）与图 67（PR）的分工：两类样本量接近时 ROC 的 FPR 稳定可用；患病率/阳性率 1% 量级的场景，FPR 的分母巨大，ROC 会过度乐观，PR 曲线才敏感——临床筛查类问题必须看 PR。

5.6 相关性：两个系数一起报，先热图后网络#

图 4 与图 5 并排放 Pearson 和 Spearman：前者测线性关系、对离群点敏感；后者只要求单调、对数变换后的关系也能抓住。单报一个都有隐藏假设，并排一出，单调非线性那组点立刻现形（图 5 的设计动机）。总览 12 个基因两两相关，相关热图（图 3）O(n²) 全景最直接；要在上百个节点里找模块，阈值切边的网络图（图 61）才读得动——WGCNA（图 62）本质是”相关→软阈值邻接→模块”的系统化版本，用软阈值避免了硬切边的信息丢失。

5.7 群体结构：PCA 看梯度、ADMIXTURE 看成分、树看离散分支#

三个方法对”群体结构”给出三种模型化：PCA 无模型，展示连续梯度（适合渐变/混合群体）；ADMIXTURE（图 45）有模型，把个体拆成 K 个祖先成分，但 K 的选择自带解释负担（K=3 是我们选的还是数据逼的？）；系统树（图 46）暗示离散分支，对渐变群体是误导——把连续梯度硬切成枝。第六篇图 174 的 PCA 左侧离群与图 187 地理分布对上（北美重建群体），正是”无模型方法先看、有模型方法再验证”的顺序。

5.8 群体分化：π、Fst、dXY 回答的是三个问题#

第六篇的滑窗三件套各管一件事：π 是组内多样性（位点频率谱图 177 是它的原始形态——SFS 的形状本身就是中性检验的原料），Fst（图 176）是组间方差占比（0-1，受组内多样性影响——组内越匀 Fst 越容易高），dXY 是绝对分歧。只报 Fst 会把”组内瓶颈导致的均一化”误读成”选择性分化”，所以正经群体遗传文章三者并列。LD 衰减（图 44/175）用等距分箱均值而不用逐对散点：原始 SNP 对的 r² 噪声淹没有趋势，分箱是可视化必需而非数据篡改——图注写明 bin 宽（10kb）。

5.9 GWAS：显著性阈值宁保守，QQ 图先于 Manhattan#

全基因组扫描的零假设是”M 个检验全无关”，Bonferroni 0.05/M 简单、保守、无可调参数——第二篇图 43 的 λ=1.07 说明模拟数据干净；第六篇图 181 的 λ=1.62 才是真实数据的样子（群体结构残余膨胀，正文如实交代了 n=100 的功效局限：top 信号 -log10p=6.8 够不着 7.6 的阈值线）。替代方案对比：BH-FDR 更宽松，适合探索性排序但”全基因组显著”的声明撑不住；置换检验经验零分布最贴数据，但 10⁶ 级 SNP 的置换成本高。顺序应当是：先 QQ（图 43/181）看整体偏离判膨胀，再 Manhattan（图 42/180）找峰，最后区域图（图 182）配 LD r² 上色收敛候选——直接跳到 Manhattan 容易把膨胀当信号。

5.10 单细胞：marker 用秩检验，通讯用两个图互补#

图 100 的 marker 鉴定用 Wilcoxon rank-sum（scanpy 默认）：表达量分布普遍偏态、有离群高表达细胞，秩检验免分布假设，比 Welch t 稳；logistic 回归视角（把 marker 当分类器）对稀有细胞类型更敏感，但可解释性下降。图 101（通讯圈图）与图 102（配体-受体气泡）是同一推断的两种呈现：圈图展示”谁和谁有话说的全局”，气泡图展示”具体哪对配受体在说话、强度多大”——只有圈图会被质疑具体互作证据，只有气泡图会丢全局格局。

5.11 结构：四个问题四张图，别混#

结构分析的四类问题各有专属图型，互相不可替代：谁挨着谁看残基接触图（图 189，一张矩阵看全界面配对）；哪里柔性/可信看 B 因子或 pLDDT（图 190/36/143，pLDDT 四段色带是 AlphaFold 官方口径）；界面埋藏了多少看 ΔASA（图 155/191，Shrake-Rupley 算法逐残基差分）；构象差多少看 RMSD 叠合（图 74/145）。用接触图回答”埋藏多少”会高估（接触≠埋藏），用 ΔASA 找”谁挨着谁”会漏掉埋藏但非界面的接触。

5.12 定量与验证：TPM、RPK、counts 各有地盘，qPCR 的前提要先验#

图 11（TPM 分布）与图 183（RPK）用的是不同标度，不是笔误：TPM 做了样本内归一（库组成校正后基因占比），适合比同一样本内基因间；RPK 只除长度不除库组成，第六篇图 183 只比同一样本内四个组织、且要保流量（不做二次缩放），正文写明了口径。跨样本严格比较必须回到 counts + size factor（DESeq2 口径），这是图注反复强调的边界。qPCR 的 2^-ΔΔCt（图 24-27、156-163）有个常被跳过的前提：目的基因与内参的扩增效率近似相等——所以扩增曲线（图 25）和熔解曲线（图 26）不是装饰，是效率合法性的证据链，MIQE 规范的强制项。

5.13 真实数据特有的选型：链、功效、空壳#

第六篇踩的三个坑本质都是选型问题：链特异 bigWig 必须双链均值（图 185）——AP1 的信号几乎全在 R 链文件里（F=0.014 vs R=12.6），只查 F 链会得出”基因不表达”的假阴性；n=100 的 GWAS 拿不到全基因组显著是功效现实不是失败——如实报告 top 信号与阈值线的距离比硬凑”显著”诚实；空壳文件验真（官方 release 36 个甲基化 bigWig 的 nBasesCovered 全为 0）——数据是否可用本身就是分析流程的第一道选型，第六篇第八章的六道闸门就是为此设计的。

六、图注也升级：Nature 的图注骨架#

skill 从 2025 年 Nat Commun 语料里蒸馏的图注骨架，与我们的四段式正好互补——四段式管”正文里怎么教读图”，Nature 骨架管”图注自身是否自足”：

1. 图 N ｜ 加粗名词短语总题（编号与总题之间用竖线，无句号）；
2. 面板 a/b/c 逐个用现在时电报式描述（“a 三种处理下差异表达基因的火山图”）；
3. 统计写进图注：n、误差类型（SD/95%CI）、检验方法与校正；
4. 颜色/形状映射和关键数值锚点写进图注，脱离正文可读。

拿第六篇图 180 示范改写（前 → 后）：

改前：图 180 全基因组关联曼哈顿图（真实数据）。1795498 个 SNP，top -log10p = 6.8。

改后：图 180 ｜ 四天根长的全基因组关联扫描。a 1,795,498 个 MAF 5-95% SNP 的 -log10P（真实数据，n=100，GT292 ∩ v3.1）；虚线为 Bonferroni 阈值 -log10(0.05/1795498)=7.6，红色圆圈为 top SNP（Chr4:1951149，-log10P=6.8）。b 观察值对期望 P 的分位数图，λGC=1.62。

改后版本把 n、阈值算式、top 坐标、膨胀系数全部装进了图注——截图流出时证据链完整。本篇起，新写的图注按此骨架执行；前六篇已有的图注示例块保留（教学语境下四段式的”怎么读”比图注自足更优先），后续修订单独排队。

七、AI 味自检清单（发布前 10 问）#

1. 色板色盲安全吗？把图转灰度，组间还分得开吗？（红绿并排、彩虹尺度直接毙）
2. 终稿字号 ≤9pt 了吗？还是一眼幻灯片？
3. 背景网格撤了吗？撤掉后视线有刻度引导吗？
4. 多面板有 a/b/c 吗？图注逐面板描述了吗？
5. 轴标签和单位齐了吗？（“Expression” 不合格，“TPM（transcripts per million）” 合格）
6. n、误差类型、检验方法写进图注了吗？
7. 图例带框吗？框还在就删。
8. 显著性标注是星号堆砌还是给了检验名？”***” 必须能追到 “Welch t, BH 校正”。
9. 水印/来源声明在吗？模拟数据有没有明说？
10. 导出分辨率 ≥300dpi 吗？手机放大看得出像素块吗？

八、写在最后#

技术账：本次重构动了 tools/bio-plots/nature_style.py（新增，约 130 行）、common.py（rcParams 块与 save() 各一处）、全系列 22 个绘图脚本重跑（16 个模拟数据脚本分钟级；第六篇 6 个真实数据脚本因 af/GWAS 缓存与远程 bigWig 查询，约半小时）。190 张 PNG 全部落盘，scripts/scan-html.js 审计保持 0 疑似问题；数据、随机种子、图注数字全部未动。

风格系统的全部代码如下，一个文件，抄走即用：

# -*- coding: utf-8 -*-
"""Nature-style presentation layer for the bioinf plot gallery.

Specs distilled from (see series post 7 for the full audit):
  - Nature research figure guide (research-figure-guide.nature.com): 89/183 mm
    widths, 5-7 pt final text, bold lowercase panel letters, no gridlines,
    no red/green-only or rainbow encoding, accessible palette.
  - Yuan1z0825/nature-skills, skill `nature-figure` (design-theory.md,
    figure-legend-conventions.md, qa-contract.md).
  - K-Dense-AI/scientific-agent-skills, skill `scientific-visualization`
    (assets/nature.mplstyle used as the numeric starting point).

Blog adaptation: PNG at 300 dpi instead of vector submission files, and
DejaVu Sans instead of Arial (the render host has no Arial; DejaVu is the
matplotlib-bundled humanist sans with near-identical structure).
"""
import matplotlib.pyplot as plt

# Okabe-Ito colorblind-safe categorical palette (Okabe & Ito 2008;
# Wong, Nat Methods 8:441, 2011). Ordered for contrast on white.
OKABE = ["#0072B2", "#D55E00", "#009E73", "#CC79A7",
         "#E69F00", "#56B4E9", "#F0E442", "#000000"]

NATURE_RC = {
    "figure.dpi": 110,
    "savefig.dpi": 300,
    "figure.facecolor": "white",
    "font.family": "sans-serif",
    "font.sans-serif": ["DejaVu Sans", "Arial", "Liberation Sans", "Helvetica"],
    "font.size": 8.5,
    "axes.titlesize": 9.5,
    "axes.titlepad": 6.0,
    "axes.labelsize": 8.5,
    "axes.linewidth": 0.6,
    "axes.edgecolor": "#333333",
    "axes.spines.top": False,
    "axes.spines.right": False,
    "axes.grid": False,
    "axes.axisbelow": True,
    "axes.unicode_minus": False,
    "axes.prop_cycle": plt.cycler("color", OKABE),
    "xtick.labelsize": 7.5,
    "ytick.labelsize": 7.5,
    "xtick.direction": "out",
    "ytick.direction": "out",
    "xtick.major.size": 2.5,
    "xtick.major.width": 0.6,
    "xtick.minor.size": 1.5,
    "xtick.minor.width": 0.4,
    "ytick.major.size": 2.5,
    "ytick.major.width": 0.6,
    "ytick.minor.size": 1.5,
    "ytick.minor.width": 0.4,
    "lines.linewidth": 1.2,
    "lines.markersize": 4.0,
    "lines.markeredgewidth": 0.5,
    "legend.fontsize": 7.5,
    "legend.frameon": False,
    "legend.handlelength": 1.6,
    "legend.borderaxespad": 0.4,
    "image.cmap": "viridis",
}

def apply():
    """Install the Nature-style rcParams (call once, before any figure)."""
    plt.rcParams.update(NATURE_RC)

def _clamp(value, k, lo=5.5, hi=11.5):
    return min(max(value * k, lo), hi)

def rescale(fig, k=0.78):
    """Shrink every explicit text artist into the journal-density band.

    Legacy call sites pass fontsize=8..14 (slide-era values). k=0.78 maps
    12 -> 9.4, 10 -> 7.8, 8 -> 6.2. Tick labels are read from the rendered
    artists so per-axes tick_params overrides are honoured too.
    """
    for ax in fig.axes:
        for axis in (ax.xaxis, ax.yaxis):
            sizes = [t.get_fontsize() for t in axis.get_ticklabels()
                     if t.get_text()]
            if sizes:
                axis.set_tick_params(labelsize=_clamp(sizes[0], k))
        for artist in (ax.title, ax.xaxis.label, ax.yaxis.label):
            if artist.get_text():
                artist.set_fontsize(_clamp(artist.get_fontsize(), k))
        leg = ax.get_legend()
        if leg is not None:
            for t in leg.get_texts():
                t.set_fontsize(_clamp(t.get_fontsize(), k))
        for t in ax.texts:
            t.set_fontsize(_clamp(t.get_fontsize(), k))
    for t in fig.texts:
        if t.get_text():
            t.set_fontsize(_clamp(t.get_fontsize(), k))

def panels(fig, fontsize=8.2):
    """Stamp bold lowercase panel letters (a, b, c...) on multi-panel figs.

    Skips colorbar axes (label '<colorbar>') and twin axes (same bbox as an
    already-stamped axes). Single-axes figures are left unlabeled.
    """
    data_axes = [ax for ax in fig.axes if ax.get_label() != "<colorbar>"]
    if len(data_axes) < 2:
        return
    letters = "abcdefghijklmnopqrstuvwxyz"
    seen_pos, idx = set(), 0
    for ax in fig.axes:
        if ax.get_label() == "<colorbar>":
            continue
        bb = ax.get_position()
        key = (round(bb.x0, 3), round(bb.y0, 3), round(bb.x1, 3), round(bb.y1, 3))
        if key in seen_pos:
            continue
        seen_pos.add(key)
        if idx < len(letters):
            ax.text(-0.14, 1.05, letters[idx], transform=ax.transAxes,
                    fontsize=fontsize, fontweight="bold",
                    ha="right", va="bottom")
        idx += 1

def finish(fig):
    """Run both save-time passes (rescale, then panel letters)."""
    rescale(fig)
    panels(fig)

def cell_text_color(cmap, vmin, vmax, value):
    """White or near-black text for a heatmap cell, by fill luminance."""
    r, g, b, _ = cmap(min(max((value - vmin) / (vmax - vmin + 1e-12), 0.0), 1.0))
    lum = 0.299 * r + 0.587 * g + 0.114 * b
    return "#1a1a1a" if lum > 0.45 else "white"

接入方式只有两行——common.py 里：

import nature_style as ns
ns.apply()          # 导入即全局生效

# common.save() 在 savefig 前多一步：
ns.finish(fig)      # 文字重缩放 + 面板字母

重跑全系列：

# WSL 内；模拟数据脚本逐个跑，真实数据脚本依赖 data_dump 缓存
for s in ch2_diff_expr ch3_ch4_dim_red_enrich ch5_clinical ch6_wetlab \
         ch7_ch8_gene_prot ch9a_more ch9b_more ch9c_more ch10a_more \
         ch10b_more ch10c_more ch10d_more ch11a_struct ch11b_pred \
         ch11c_expr ch11d_more; do python -B tools/bio-plots/$s.py; done
python -B tools/bio-plots/ch12a_pop_real.py   # 174-178
python -B tools/bio-plots/ch12b_gwas_real.py  # 179-182（GWAS 有 npz 缓存）
python -B tools/bio-plots/ch12c_expr_real.py  # 183-185（部分查询走远程）
python -B tools/bio-plots/ch12d_annot_geo.py  # 186-187
python -B tools/bio-plots/ch12e_4lsx_real.py  # 189-191
python -B tools/bio-plots/ch12f_real_vs_sim.py  # 192-195

系列下一步：第八篇回到工具链主线。本篇之后，前六篇的图已经是新样子——如果哪张图你觉得改坏了，评论区指图号，单图回滚只要重跑一个脚本。

参考文献#

1. Nature Portfolio. Preparing figures: our specifications. research-figure-guide.nature.com ↗（89/183mm、5-7pt、面板字母等硬指标的原始出处，两个 skill 的共同锚点）
2. Wong B. Points of view: Color blindness. Nature Methods 8: 441, 2011. doi:10.1038/nmeth.1618 ↗——Okabe-Ito 色板（Okabe M, Ito K. Color Universal Design, 2008）的期刊推介文。
3. Hunter JD. Matplotlib: a 2D graphics environment. Computing in Science & Engineering 9(3): 90-95, 2007. doi:10.1109/MCSE.2007.55 ↗
4. 技能仓库（本篇第二章逐一评审）：Yuan1z0825/nature-skills ↗（skill: nature-figure，主用）· K-Dense-AI/scientific-agent-skills ↗（skill: scientific-visualization，nature.mplstyle）· anthropics/skills ↗（官方库，格式参照）· Boom5426/Nature-Paper-Skills ↗（未采用）
5. 方法选型各条目的方法学出处（DESeq2/GSEA/DESeq 口径等）已随前六篇各自的参考文献节给出，本篇不重复；第六篇真实数据的完整文献见第六篇参考文献。

本篇参考代码#

• 风格系统：tools/bio-plots/nature_style.py（上方全文）+ common.py 接入两行；
• 改造前原图存档：source/img/bio-plots/before/（12 张，与本篇第四章一一对应）；
• 全部绘图脚本：仓库 tools/bio-plots/，清单与图号映射见各篇「参考代码」节。

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。