别只会认图：每类图表都要回答“怎么看、能说明什么、不能证明什么”

一篇组学论文可能同时出现PCA、热图、箱式图、火山图、功能富集图和模型评价曲线。初学者常常能看见分组颜色、显著性星号或一条漂亮的曲线，却不容易判断：这些图究竟提供了什么证据，研究者又是如何从图走向结论的？

实际上，九类图表分别服务于样本质量评估、差异分析、候选集合整理、功能解释，以及相关性或预测性能评价。它们不是每篇论文都必须依次完成的“九步流程”，更不是画得越多，证据就越强。

本期采用“一张典型图＋分项讲解”的方式，带你看清每种图的坐标、颜色、核心指标和常见误读；最后通过三张总结图，把这些信息连接成可复核的科学证据链。文中的点、曲线、通路名及示例数值均属于教学示意，并非任何原始研究数据。

一页看清：九种图表承担什么任务？

01｜PCA图：看清样本是否呈现整体分离

先看图形。PCA通常是一张二维散点图。每个点代表一个样本，颜色或形状代表处理、基因型、批次等分组变量。横轴PC1和纵轴PC2是样本差异最大的前两个正交方向；轴后的百分比表示相应主成分解释的总体变异比例，而不是某组样本的“解释率”。

如何判读。先检查每个点究竟是生物学重复还是技术重复，以及PCA使用的是哪些基因、经过什么标准化或方差稳定化处理。接着比较组内离散、组间距离和是否存在离群点。若分组呈现可见分离，说明主要变异与分组有一定对应关系；若混杂，仍需检查其他主成分、重复质量与实验因素。

植物组学场景。比较水稻对照与盐胁迫处理的转录组时，PCA可以辅助查看处理组与对照组的表达结构是否存在明显差异；若品种效应远大于处理效应，样本可能首先沿品种分开。这种结果不是实验失败，而是提醒研究者重新考虑设计矩阵和变量解释。

证据边界。PCA是探索性可视化，不能证明某个差异基因显著，也不能把“未分开”直接归因于批次效应。图中的95%椭圆既可能是均值置信区域，也可能是覆盖某类数据分布的区域，必须以绘图方法为准。

02｜热图：颜色是表达水平，还是相对标准化分数

先看图形。热图由行列矩阵和色标组成：常见情形是行代表基因、列代表样本，树状图显示基于距离和聚类算法得到的层级关系。色彩编码可使用原始计数、log变换后的值、归一化表达量或逐基因Z-score；红高蓝低只是常见配色，不是所有热图的固定规则。

如何判读。应优先识别色标单位、行列对象、是否做行标准化或列标准化，然后才看处理组是否聚在一起、某些基因是否出现共同的高低变化模块。两种基因若都出现红色方格，只说明它们在所用色标上的值对应红色；若逐行Z-score，红色不能用于判断哪一个基因的绝对表达量更高。

植物组学场景。展示一组胁迫响应转录因子在根、叶以及不同时点的表达变化时，热图适合对时空模式进行比较。如果先筛选差异表达基因再绘图，聚类分离可能部分来自预先选基因的步骤，不能把漂亮的两组分离当成完全独立的验证。

证据边界。聚在同一簇代表在给定距离指标和数据预处理下较相似，不能单凭聚类树认定基因处于同一调控路径。聚类结果还会受到所选基因集、样本集、缺失值处理和尺度变换的影响。

03｜箱式图：用一个“箱子”读懂中心、离散和异常点

先看图形。箱体通常从下四分位数Q1延伸到上四分位数Q3，中线表示中位数，箱高为四分位距IQR。箱体越高说明中间50%的观测值越分散，但并不必然意味着样本量更大。离散小点一般表示根据绘图规则识别的潜在离群观测。

如何判读。判断四个要素：各组中位数差距、箱体高度、须线与离群值、每组实际样本量。须线的定义要看软件：常见Tukey方式延伸至1.5×IQR围栏之内的最远观测值，也可能在其他实现中使用最小至最大值。箱体重叠和分离都不是统计显著性的正式判据。

植物组学场景。同一基因在多个品种中的表达、不同处理条件下的表型值、不同批次测序样本的整体表达分布，都可以使用箱式图概括。但RNA-seq原始计数不宜在未经适当归一化时简单作跨样本直接比较。

证据边界。箱式图通常不展示所有数据分布的形状，例如多峰结构可能被压缩；样本量很小时，叠加原始散点或小提琴图更有帮助。若要写“显著增加”，还必须报告合适的检验方法、效应量与不确定性。

04｜火山图：变化幅度与统计证据，必须一起读

先看图形。火山图的每个点通常对应一个基因。横轴常为log₂ Fold Change（log₂FC），纵轴常为−log₁₀(p值)或−log₁₀校正后p值。点越靠左右两端变化幅度通常越大；越靠上，所绘p值通常越小。但点色、阈值、纵轴实际用的是哪一类p值必须看图注。

如何判读。若比较定义为“处理组/对照组”，log₂FC=1表示处理组约为对照组的2倍，log₂FC=−1表示约为一半；反转分子和分母，符号也随之反转。左右阈值线常用于限定最小效应量，横向阈值线与显著性标准有关。高通量分析要重点关注多重比较调整后的FDR。

植物组学场景。在拟南芥或小麦胁迫转录组分析中，火山图可快速定位满足预设阈值的候选差异表达基因。若某基因表达变化很大但个体间方差也大，它不一定具有强统计证据；相反，样本很多时变化较小也可能获得较小p值。

证据边界。红点多不表示研究“更好”，显著差异也不意味着功能关键。不能直接从火山图推导基因调控关系、通路激活或表型因果机制；这些需要功能验证和其他证据。

05｜富集气泡图：让候选基因变成功能线索，而不是机制结论

先看图形。GO/KEGG富集气泡图的纵轴通常列功能术语或通路名称，横轴可能是GeneRatio、Rich factor或其他指标。气泡大小一般编码命中基因数（Count），颜色常编码p值、校正后p值或其负对数，颜色方向没有通用约定。读取一张气泡图最重要的是把三个图例一起看。

如何判读。先检查输入的是全部差异基因还是上调/下调各自的基因，再明确参考背景。背景应尽量是实验中有机会被检测或入选的基因集合，而不是不加区分地使用整个物种基因组。查看注释数据库版本、基因ID映射比例、富集统计方法以及FDR调整。

植物组学场景。例如植物根系胁迫研究可能观察到与细胞壁、生长素反应或离子转运有关的术语富集。此时合理的写法是“候选基因在这些功能类别中呈过度代表”，而不是“该通路已经被证实激活”。GO术语具有层级结构，不同条目之间常共享基因。

证据边界。一个大气泡可能只是命中基因数量较多；较低的FDR也不直接代表更强的因果作用。非模式作物注释不完整时，富集结果还会受到同源功能预测偏差的限制，需结合表达、遗传材料与表型进行验证。

06｜韦恩图：交集是什么，先确认集合定义和数字是否自洽

先看图形。韦恩图中每个闭合区域表示一个集合，重叠部分表示共有元素，独立部分表示该集合独有元素。本文使用三个基因集合的教学示意：A组50个、B组53个、C组43个成员，其中三组共同成员为5个；所有不重叠区域均经过重新计数核对。

如何判读。读图前必须确定每一组来自什么比较、基因ID是否统一、阈值是否相同。数值指的是集合成员数，而不是统计检验的显著性或表达水平。比较多个处理的差异基因时，即便一个基因同时入选，也应继续检查其在各比较中的log₂FC正负方向。

植物组学场景。例如高温、干旱和盐胁迫分别获得一批差异表达基因，三集合韦恩图有助于挑选交叉胁迫响应候选，但重叠基因未必都参与“共用胁迫调控机制”。有时不同处理的阈值设置会改变交集数量，因而需要谨慎解释“共有比例”。

证据边界。普通韦恩图并不保证各区域面积严格与成员数量成比例；集合超过三四组时，图形容易拥挤，可考虑UpSet图。共同入选 ≠ 同向变化 ≠ 共同调控，这三层含义不能混用。

07｜相关性散点图：两个指标一起变化，不等于一个调控另一个

先看图形。横纵轴通常分别是两个连续变量，一点代表一组配对观测。Pearson r适合描述线性关系，Spearman相关系数适合评价基于秩次的单调关联。图上可能附有回归线、置信带、r值与p值，但必须分清相关系数和回归斜率并不是同一个量。

如何判读。先观察点云是否具有线性趋势、有无明显离群点和分组聚集，再核对样本量、数据范围、相关方法及p值。正的r提示同向线性变化，负的r提示反向线性变化；r接近0只说明线性相关较弱，并不排除非线性关系。p值也不能单独替代效应大小。

植物组学场景。基因A和基因B在不同植物样本中的表达量可能高度相关，但这也可能由组织类型、发育时期或共同上游信号引起；若要论证直接调控，还需启动子结合、基因扰动或报告基因等适当实验。

证据边界。相关不等于因果，群体中的共同分层还可能造成伪相关。对多组混合样本，可以考虑分组后复核、加入协变量或控制潜在混杂因素。

08｜ROC曲线：AUC高代表什么，又还缺少什么

先看图形。ROC曲线横轴是假阳性率FPR（1−特异度），纵轴是真阳性率TPR（敏感度）。曲线对应不同判别阈值，左上角通常表示较高敏感度和较低假阳性率，45°对角线表示随机排序基线。AUC是曲线下面积，用一个数值概括模型对两类对象的区分能力。

如何判读。AUC接近1表示排序区分能力较强，接近0.5说明接近随机基线，但它不是“预测正确率”。读图还应确认正类如何定义、评估数据是否独立于训练集、是否给出置信区间及模型外部验证；若类别极不平衡，还可结合Precision–Recall曲线。

植物组学场景。例如用基因表达或基因型特征区分两种抗病表型时，训练集AUC很高并不意味着能推广到其他品种、地点或年份。需要分层抽样、独立群体验证，并考虑模型校准和误判代价。

证据边界。高AUC不直接代表实际应用价值，更不能证明某个特征具有因果作用。普通ROC也不等于随访资料的时间依赖评价，事件发生时间模型必须使用相应方法。

09｜生存曲线：读懂时间、删失、风险集与HR

先看图形。Kaplan–Meier（KM）曲线用于估计随时间仍未发生指定事件的概率。横轴是随访或观察时间，纵轴是生存或无事件概率；阶梯下降反映事件发生，短线等标记通常表示删失。曲线下方的风险集表（number at risk）说明各时间点仍处于风险集的人数。

如何判读。先确认“事件”是什么、时间从什么时候开始、组如何划分，再观察曲线分离、删失分布、随访后期风险人数与置信区间。log-rank检验可用于比较组间生存分布；Cox模型给出的HR需要说明参照组、比较方向和比例风险假设。HR不是某时点死亡概率之比。

植物研究如何用。这一类时间至事件方法不限于临床研究：在定义清楚终点和删失机制的前提下，也可用于种子萌发时间、植物存活或某种发育事件发生时间的比较。是否适用取决于数据结构，并非所有植物性状都应画KM曲线。

证据边界。曲线分离不能自动证明因果作用或独立预测价值，随访后期样本数稀少时估计可能不稳定。生存曲线上的示例HR与p值仅用于认识图表部件，绝不代表真实研究结果。

把九类图表放回科研证据链

从九张图回到科研推理：可以把常见科研分析理解为四类不同的证据工作：①描述数据与样本：PCA、热图、箱式图；②发现变化和比较集合：火山图、韦恩图；③解释候选功能：富集气泡图；④评价关联、分类或时间结局：相关散点、ROC、KM曲线。需要强调，这只是帮助读者定位图表用途的概念地图，具体研究不必也不应机械照这个顺序出图。

六个问题，比记住九种配色更有用：第一，看每个点、颜色和曲线究竟代表什么；第二，看单位、数据转换与标准化；第三，看比较方向和参照组；第四，看样本量、统计方法及多重校正；第五，看效应量与不确定性；第六，看是否存在独立验证或机制证据。这六项能够把视觉印象转化成可复核的科学论断。

把分析线索和机制证据分开：在植物基因组设计与基因编辑研究中，“差异表达—富集—候选筛选”是建立功能假设的一条常见线索，但真实机制证据通常还需要变异等位基因、靶向编辑、互补实验、时空表达、蛋白结合或稳定遗传表型等适合具体问题的验证。图表让发现过程透明；实验和独立验证决定结论能够走多远。

写在最后

好图不只是色彩丰富，更应让读者知道数据从哪里来、采用什么比较、得出了什么证据，以及还有哪些事情尚未被证明。会看图，是认清图形语言；真正读懂论文，是能够把结果和推断的边界分开。

参考资料与方法学来源

1. DESeq2官方教程（PCA、差异分析与FDR）

2. Bioconductor RNA-seq工作流（PCA与样本距离）

3. NIST｜箱式图与箱须定义

4. Gene Ontology｜GO富集与背景基因列表

5. scikit-learn｜ROC curve

6. scikit-learn｜ROC AUC score

7. Bioconductor｜enrichplot相关可视化

8. UpSet｜集合交集可视化论文与项目

9. NCBI Bookshelf｜Kaplan–Meier与Cox模型介绍

图片来源及AI辅助说明

九幅教学海报主要用于认识各类图表的常见外观、坐标和术语，其中示例数据为教学模拟，不能作为真实研究证据；AI辅助用于部分初始示意图制作与文本整理，编辑阶段对方法学表述进行核查。