被AI打败的系列：复现Nature图表转为学习可视化思路

KS科研分享与服务-TS的美梦

发布于 2026-07-08 20:09:27

270

之前我们有一个系列，小伙伴遇到文章中比较好的可视化的时候总会让我们进行复现，**但这个系列已经被AI打败了**，我们也很久没有再出过类似的教程了。结合以前的风格，在复现的前提下，力求创新和“为我所用”，所以我想复现系列改为学习可视化思路更好。使用AI实现本来的面目，然后利用自己的数据进行修饰。**可视化的重点在于思维，还在你的脑海中，AI目前也只能实现你的想法，并不能自主思考**。

今天带来的图表是发表于Nature正刊，Schwarz, L.A., Dotter, C.P., Isaev, S. et al. Cortical development dynamics across autism spectrum disorder mouse models. Nature (2026). https://doi.org/10.1038/s41586-026-10679-1。原文展示的是celltype丰度数据，关于celltype abundance参考（你有这么大的样本吗？---学习张泽民院士Cell文章分析思路之单细胞丰度NMF分析，miloR：单细胞差异丰度分析，milo-基于KNN的差异丰度分析（python版miloR），单细胞组织偏好性Ro/e指数计算方法统一测试及可视化）等等。图中直接用三角形展示了上下变化关系，并用不同颜色展示p值，三角形大小代表丰度。

我直接把这幅图给了GPT，让它使用R语言实现，没有更多的信息，很快它按照图创造了示例数据，并给出了代码，代码直接就可以运行。当然，如果你使用codex，给它你的数据，可能会进行整理，按照这个风格可视化。如果有更详细的信息需求输入，会得到更好的结果。

library(tidyverse)
library(dplyr)
# 构造一个示例数据框：行=基因型，列=细胞类型
set.seed(1)
gene <- c("Ashd1+/-", "Bsdk+/-", "Cul3+/-", "Hnrnpu+/-",
          "Kdm6b+/-", "Pctd5+/-", "Setd1b+/-", "Usp7+/-", "Trip12+/-", "Wac+/-")

cell_type <- c("Cortical plate",
               "Intermediate progenitors",
               "Ganglionic eminence",
               "Layer (Cajal-Retzius)",
               "SVZ (migrating)",
               "SVZ (proliferating)")

# 造一份长数据：一行一个 (gene, cell_type)
df <- expand.grid(gene = gene, cell_type = cell_type) %>%
  as_tibble() %>%
  mutate(
    diff_to_WT = rnorm(n(), mean = 0, sd = 0.08), # -0.2 ~ 0.2 之间的随机差异 (比例，负表示减少)
    diff_pct   = diff_to_WT * 100,                # 转成百分比
    pvalue     = runif(n(), min = 0, max = 0.1)   # 0~0.1 之间的随机 p 值
  )



df_plot <- df %>%
  mutate(
    # 上/下三角：diff_to_WT > 0 用 shape 24 (上三角)，<0 用 shape 25 (下三角)
    shape_tri = ifelse(diff_to_WT >= 0, 24, 25),
    # 大小：用绝对值的百分比；你可以据情况缩放
    size_abs = abs(diff_pct),

    # p 值分箱：与你图例类似（0.01、0.1 等）
    p_bin = case_when(
      pvalue <= 0.01 ~ "p ≤ 0.01",
      pvalue <= 0.05 ~ "0.01 < p ≤ 0.05",
      pvalue <= 0.1  ~ "0.05 < p ≤ 0.1",
      TRUE           ~ "p > 0.1"
    )
  )


# df_plot <- df_plot %>%
#   mutate(
#     gene = factor(gene, levels = rev(gene)),      # 从上到下（你也可以手动按论文顺序写 levels）
#     cell_type = factor(cell_type, levels = cell_type) # 从左到右
#   )


library(ggplot2)

ggplot(df_plot, aes(x = cell_type, y = gene)) +
  geom_point(
    aes(
      size  = size_abs,
      fill  = p_bin,
      shape = factor(shape_tri)
    ),
    color = "black",      # 三角的边框颜色
    alpha = 0.9
  ) +
  scale_shape_manual(
    values = c("24" = 24, "25" = 25),
    guide = "none"        # 不需要单独显示 shape 图例（只看颜色和大小）
  ) +
  # 大小：根据你的数据范围调试 range
  scale_size_continuous(
    range = c(1, 8),
    breaks = c(5, 10, 20),    # 例如 5%、10%、20% 差异
    name = "Difference to WT (%)"
  ) +
  # 填充颜色：接近原图的蓝-粉色系（示例）
  scale_fill_manual(
    values = c(
      "p ≤ 0.01"         = "#b2182b",
      "0.01 < p ≤ 0.05"  = "#ef8a62",
      "0.05 < p ≤ 0.1"   = "#67a9cf",
      "p > 0.1"          = "#cccccc"
    ),
    name = "P value"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    axis.title.x = element_blank(),
    axis.title.y = element_blank(),
    axis.text.x  = element_text(angle = 45, hjust = 1),
    panel.grid.major = element_blank(),
    panel.grid.minor = element_blank()
  ) +
  coord_cartesian(clip = "off")