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：

# 病灶 旧版默认 Nature 处方
1 字号过大 基准 11pt、标题 12.5pt，脚本里还散落着 10-14pt 的显式覆盖 终稿 5-7pt，面板字母 8pt
2 网格线铺底 axes.grid: True 全局开 去网格，用稀疏刻度引导视线
3 高饱和类别色板 seaborn deep（蓝橙绿红…） Okabe-Ito 色盲安全色环
4 彩虹色图 全系列 1 处 jet_r（图 107 自由能面） 感知均匀色图（viridis）
5 无面板字母 多面板图靠标题区分 粗体小写 a/b/c 钉在各面板左上
6 分辨率偏低 200 dpi 300 dpi 起
7 深色格子配黑字 固定 #333333 按填充亮度自动换白/黑
8 字重字号逐图漂移 每个脚本自己定 导出时统一重缩放进 5.5-11.5pt 频段

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：

1
2
3
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：

仓库 skill 我们取了什么 质量判断
Yuan1z0825/nature-skills nature-figure 排版层级、面板字母规则、图注骨架、QA 清单 高，主用。路由式 SKILL.md（约 1.4 万字）+ 19 份 references；规范逐条锚定 Nature 官方 figure guide，图注惯例从 2025 年 20 篇开放获取 Nat Commun 论文语料蒸馏而来；还带三个 QA 脚本（面板对齐审计、PDF 文字审计、图形碰撞审计），是生产级工程不是提示词合集
K-Dense-AI/scientific-agent-skills scientific-visualization nature.mplstyle 作数值起点 高。165 个科研技能，这份 mplstyle 把规范落到了数字：89mm 单栏、7pt 正文/6pt 刻度、0.5pt 脊线、2.5pt 刻度线长、Okabe-Ito 五色环、450dpi
anthropics/skills —（无 Nature 专项） SKILL.md 工程格式参照 官方库偏文档/办公（docx/pdf/pptx/xlsx），科研绘图要靠社区库
Boom5426/Nature-Paper-Skills figure-style 等 未采用 偏投稿全流程（起草/修回/审计），与”重画已有图”的任务错位

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）：

项 规范
图幅 单栏 89mm，双栏 183mm，高 ≤170mm
正文字号 终稿 5-7pt；面板字母 8pt 粗体小写 a, b, c
字体 无衬线，Arial/Helvetica 优先；文字保持可编辑
脊线/网格 只留左下两条脊；避免背景网格、阴影、装饰图标
用色 可访问色板；不依赖红绿对比；禁彩虹尺度
轴 轴线与刻度必须保留，每条轴有标签，单位加括号
图注 ≤250 词；总题 + 分面板描述；n、误差类型、检验写进图注

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

图 1 改造前

图 1 改造后

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

图 3 改造前

图 3 改造后

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 6 改造前

图 6 改造后

图 7 改造前

图 7 改造后

图 10 UpSet 图

图 10 改造前

图 10 改造后

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 13 改造前

图 13 改造后

图 51 Circos 风格共线性圈图

图 51 改造前

图 51 改造后

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 100 改造前

图 100 改造后

图 101 改造前

图 101 改造后

图 134 蛋白 Cα trace

图 134 改造前

图 134 改造后

图 174 真实数据 PCA（第六篇）

图 174 改造前

图 174 改造后

图 180 真实数据 Manhattan（第六篇）

图 180 改造前

图 180 改造后

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：

方法 模型 适合 不适合
DESeq2 负二项 + LFC 收缩 中小样本、常规两分组比较 样本量极大时偏保守
edgeR 负二项 + 精确检验/QL 小样本、计数极端 —
limma-voom 均值-方差加权线性模型 大样本、复杂设计矩阵 极低 counts 稳健性差

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

方法 保什么 距离含义 超参 失效场景
PCA 全局线性方差 线性距离，loadings 可回查基因 无 非线性流形结构
t-SNE 局部邻域 簇间距离无意义 perplexity 敏感 大数据慢、无 out-of-sample
UMAP 局部邻域+部分全局 簇间距离仍不可靠 n_neighbors/距离 同上

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：

展开查看：nature_style.py 完整代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
# -*- 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：

1
2
3
4
5
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：

1
2
3
4
5
6
7
8
9
10
11
# 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。