被AI打败的系列：复现Nature图表化为学习可视化思路

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。

代码语言：javascript

复制

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 rangescale_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")

这个图还可以应用到哪里？可以是同时展示目的基因集在多种celltype中的上下调关系。至于还有哪些用处和修饰，还是需要动动自己聪明的小脑壳了。AI会给你提供方案，大大提高效率，但是要创造出新的内容，还需要自己。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。原始发表：2026-07-08，如有侵权请联系[email protected] 删除