差异丰度数据可视化进阶：火山图热图箱线图实战指南

引言Introduction

差异丰度分析做完后，很多人卡在“怎么把结果画清楚”。火山图、热图、箱线图看似简单，但数据格式、阈值设置、基因标注稍有错误，图就不适合发表。本文用实战思路梳理差异丰度数据可视化的关键步骤。

1. 差异丰度分析可视化为什么要先理清数据

1.1 先分清“分析结果”和“展示结果”

差异丰度分析的结果通常包含丰度变化倍数、显著性水平和分组信息。可视化不是简单把表格画出来，而是把统计结果转成可解释图形。如果输入列名、尺度或分组信息不规范，后续图形会失真。

火山图适合看“变化幅度”和“显著性”是否同时成立。热图适合看样本间模式。箱线图适合看某个特征在不同组之间的分布差异。三者结合，才能完整回答“谁变了、变了多少、在组间是否一致”。

1.2 发表级图形必须满足可追溯性

对医学生、医生和科研人员来说，图不仅要好看，还要能复现。建议在方法部分明确写出软件、包名、版本号和网址。 这样更符合论文审稿对可追溯性的要求。

如果使用在线平台，也要保留参数设置。比如显著性阈值、颜色方案、标签策略、导出格式。常见做法是输出 PDF 或 SVG 矢量图，保证缩放后仍清晰。对终稿排版尤其重要。

2. 火山图：差异丰度分析中最直观的筛选图

2.1 火山图的数据格式先要正确

火山图最常见的数据输入非常简洁，通常只需要三列：gene、logFC 和 adjust p 值或 p 值。 这里要特别注意，** logFC 必须是已经取对数后的值。** 如果把原始 fold change 直接当作 logFC，图形会明显偏态，点位分布也会失真。

通常横轴是 log2 fold change，纵轴是 -log10(p value) 或 -log10(adjust p value)。在差异丰度分析中，是否使用校正后 p 值，要根据研究设计和多重检验控制要求决定。对于高维组学数据，优先使用调整后的显著性指标更稳妥。

2.2 火山图的核心是阈值，而不是颜色

火山图不是越花越好。真正影响解读的是阈值设置。常见做法是按以下规则筛选：

1. 设定显著性阈值，例如 adjust p < 0.05。
2. 设定变化阈值，例如 |logFC| > 1。
3. 将基因分为上调、下调和不显著三类。

这样做的好处是分类清楚，便于后续挑选候选分子。阈值要与研究场景匹配，不要机械套用。 如果样本量较小，过于严格的阈值可能导致漏检；如果研究强调探索性，可在图注中说明筛选标准。

2.3 标注基因时要控制数量

火山图常见问题是标签太多，导致图面拥挤。建议只标注最关键的前几位上调和下调基因。比如按显著性和变化幅度排序，选前5个进行标注。这样既能突出重点，又不会破坏整体可读性。

若使用 ggplot2 绘制，可通过点图叠加文本标签完成。若使用 ggpubr，可更快实现分界线、标签和美化参数的统一设置。适合论文初稿和团队内部汇报。

3. 热图：把差异丰度模式画成“样本指纹”

3.1 热图适合回答“样本之间是否分组清晰”

热图的价值，在于展示一组特征在不同样本中的整体模式。对于差异丰度分析，热图尤其适合观察显著差异特征是否能把病例组与对照组区分开。如果热图显示分组聚类清晰，说明差异信号具有较好的整体一致性。

绘制热图前，通常要先过滤未显著变化的特征。经验上，可以保留统计学显著且变化幅度较大的条目。这样能减少噪音，提高图的辨识度。常见工具是 pheatmap，适合快速构建带注释的表达热图。

3.2 标准化处理直接影响热图可读性

热图常见错误有两个。第一，直接用原始丰度值作图。第二，不做行标准化。不同特征的绝对丰度差异很大时，原始值会掩盖组内变化。通常需要对行或列进行标准化，突出相对变化趋势。

实际操作中，还应注意样本注释和颜色条设计。分组信息、临床分层、批次信息都可以作为顶部注释。这样不仅能看趋势，还能辅助判断是否存在批次效应。对于临床转化研究，这一步很关键。

3.3 热图更适合“少而精”的特征集合

热图不适合放入上千个特征。那样信息密度过高，反而难以解释。更稳妥的做法是选取几十到几百个最显著的差异特征，再结合聚类展示。热图的目标是突出模式，不是堆砌数量。

如果你希望同时展示多个分组，建议先统一排序，再配合分层注释。这样可以让读者快速识别样本聚类与分组关系，提升结果页的说服力。

4. 箱线图：验证单个特征的组间差异

4.1 箱线图最适合做“单点验证”

箱线图常用于展示某个特征在不同组中的分布。它能同时看到中位数、四分位距和离群值。对于差异丰度分析，箱线图的作用是验证火山图里筛出来的候选特征是否真的在组间稳定分离。这是从“筛选”走向“验证”的关键一步。

如果火山图告诉你某个特征变化显著，箱线图能进一步回答：这种差异是少数离群点造成的，还是整个组都在移动。对临床样本来说，这种判断非常重要。

4.2 画箱线图前先确认分布和分组

箱线图的输入通常来自标准化后的丰度矩阵。建议先确认样本分组是否准确，再检查是否需要对数据做对数转换或归一化。若数据偏态明显，先做适当转换，图形会更稳定。

箱线图常搭配散点或抖动点一起展示。这样能看到每个样本的真实取值，避免只看四分位信息。对于样本量不大的研究，这种展示方式尤其必要。

4.3 统计标注要谨慎

很多人会在箱线图上直接加星号，但没有说明统计方法。严格来说，应该明确采用何种检验，例如 t 检验、Wilcoxon 检验，或多组比较中的非参数方法。还要说明是否进行了多重比较校正。图上的显著性标注必须和方法学一致。

如果研究目的是探索性展示，可以在图注中说明“未进行多重比较校正”或“仅用于候选验证”。这样比含糊地给出星号更可信，也更符合 E-E-A-T 对透明度的要求。

5. 从结果到论文图：差异丰度分析的实战流程

5.1 推荐的作图顺序

比较稳妥的流程是先筛选，再展示。可按以下顺序进行：

1. 完成差异丰度分析。
2. 用火山图概览整体变化。
3. 用热图观察样本模式。
4. 用箱线图验证关键特征。
5. 导出 PDF 或 SVG，进入排版。

这个流程的核心逻辑是“总览、聚类、验证”三步走。 先看全局，再看模式，最后看单点证据。这样写结果部分也更顺畅。

5.2 方法部分要写清楚什么

论文方法部分建议至少交代四件事：

• 数据来源与预处理方式。
• 差异分析模型与阈值。
• 作图软件、R 包或平台名称。
• 图形导出格式与版本信息。

如果使用仙桃平台完成部分分析，可以在方法中标注工具名称和网址。仙桃的云平台可支持差异分析，而在下游可视化与结果整理上提供了更多功能。 若需要更高效率，高级版还可通过 AI agent 驱动分析流程；如果只是常规点鼠标操作，会员也能满足基础需求。图形支持 PDF 和 SVG 导出，适合发表级输出。

总结Conclusion

差异丰度分析之后，真正决定结果表达质量的，往往不是统计本身，而是可视化是否清晰、规范、可复现。火山图负责筛选，热图负责模式，箱线图负责验证。 三者结合，能把一组复杂结果变成可读、可信、可发表的图形证据。

如果你希望把分析流程做得更高效、更标准化，可以尝试使用解螺旋 。它能帮助你更快完成差异丰度分析后的图形整理、参数设置与发表级导出，减少重复劳动，把更多时间留给结果解释和论文写作。