nature-figure 技能

nature-figure 用于生成可投稿级科研图，面向 Nature 级期刊和高影响力学术场景，同时支持 Python 与 R 两条绘图路径。

该技能从“图件契约”开始，而不是直接套模板。开始绘图前，必须明确核心结论、证据层级、图件原型、后端选择、期刊与导出约束、统计说明和 source-data 可追溯性。只有在科学逻辑明确后，才使用绘图模板。

Python 路径主要使用 matplotlib、seaborn、subplot_mosaic 和 statsmodels，适合精细低层布局控制。R 路径使用 ggplot2、patchwork、ComplexHeatmap、ggrepel、svglite、cairo_pdf 和 ragg。如果使用私有模板集合，不得在面向用户的输出中暴露私有路径、文件名或来源信息。

该技能参考了 figures4papers 中来自 Nature Machine Intelligence 和顶级机器学习/生物信息学论文的生产脚本。原始 demo 脚本和预览图也打包在 assets/figures4papers/ 中，供模式级改写使用。

示例图库

下面的图像是按本技能规则生成的模拟数据 mockup：优先导出可编辑 SVG、使用克制的语义配色、小写 panel label，并采用非对称多面板信息结构。README 中展示的是 PNG 预览；正式使用时仍应从绘图脚本导出 SVG/PDF。

图件	预览	展示能力
材料设计与物理验证		机制示意主导的复合图、SEM-like 图像面板、流变、释放动力学、滞留图、相关性与终点定量
空间滞留与摄取		深色显微图版、通道行、局部放大、深度剖面、摄取直方图、3D 穿透热图和图像衍生相关性
体内疗效与耐受性		实验时间线、肿瘤纵向曲线、个体生长轨迹、waterfall response、forest plot、组织学、免疫组成和毒性面板
单细胞系统图		UMAP-style embedding、组成、marker heatmap、pseudotime、volcano plot、enrichment、ligand-receptor bubble matrix 和空间邻域关系
扰动验证		机制扰动时间线、复发终点、polar summary、剂量反应、synergy matrix、生物分布、细胞因子、flow-like scatter 和安全评分

图库文件策略：assets/gallery/ 中只保留轻量 PNG 预览。除非教程确实需要，不提交大型生成 SVG/PDF，因为真实用户应从源数据和脚本重新生成可编辑输出。

图表类型图谱

下面的图库按 chart family 分类。每张预览都是紧凑的 4 x 4 小面板 atlas，用来展示可组合进 Nature 风格结果图的视觉语法范围。

类型	预览	常见用途
柱状图		组间比较、有符号差值、组内分组设计、堆叠组成
折线与纵向趋势		时间过程、不确定性带、干预标记、个体轨迹
热图		Z-score 矩阵、连续丰度图、带注释表格、聚类块
散点与气泡图		相关性、簇、volcano-style 检验、象限总结、第三变量编码
雷达与极坐标图		多轴 benchmarking、圆形摘要、polar histogram、方向密度
分布图		直方图、小提琴图、箱线图、ridgeline 和样本级分布
Forest 与区间图		效应量、置信区间、点范围、配对斜率比较
面积与堆叠趋势		填充轨迹、份额堆叠、累计曲线、stream-like 构图
图像板		显微通道、叠加图、裁剪、比例尺和暗色面板
网络与矩阵图		气泡矩阵、邻接图、node-link 图和二分互作面板

文件结构

该技能采用 router/static-dynamic 结构：短 SKILL.md 路由配合 manifest.yaml，加载常驻 core、用户选择的后端片段，以及按需 references。

nature-figure/
├── SKILL.md                     # 短路由：后端 gate，加载 fragments
├── manifest.yaml                # always_load core + backend axis + 按需 references
├── README.md                    # 本文件
├── static/
│   ├── core/                    # 始终加载
│   │   ├── contract.md          # 图件契约、后端 gate、互斥规则、运行时缺失处理
│   │   └── stance.md            # 配色策略、默认立场、隐私、何时加载
│   └── fragments/
│       └── backend/             # 在 Python-or-R gate 解决后加载
│           ├── python.md        # Python-only 规则与 matplotlib quick-start
│           └── r.md             # R-only 规则与 ggplot2 quick-start
├── assets/
│   ├── gallery/                 # 结果图预览 PNG
│   ├── chart-atlas/             # 图表类型预览 PNG
│   └── figures4papers/          # 原始 demo 脚本和预览资产
└── references/                  # 按需打开
    ├── figure-contract.md       # 核心结论、证据层级、panel map
    ├── backend-selection.md     # Python vs R 选择规则
    ├── r-workflow.md            # R scaffold、patchwork、ComplexHeatmap、导出
    ├── r-template-index.md      # 本地 R template atlas
    ├── qa-contract.md           # 投稿/返修 QA 清单
    ├── api.md                   # PALETTE 常量、helper 函数签名
    ├── design-theory.md         # 字体、色彩理论、布局、导出策略
    ├── common-patterns.md       # 可复用代码模式
    ├── tutorials.md             # 端到端教程
    ├── chart-types.md           # radar、3D sphere、scatter、fill_between、log-scale
    └── demos.md                 # figures4papers demo map 与路由指南

后端与图件契约规则

除非用户已经指定后端，否则先询问用户选择 Python 或 R。如果用户需要推荐，参考 references/backend-selection.md。

后端一旦选定，绘图、预览、导出和视觉 QA 都必须只使用该后端。如果所选运行时或包缺失，应停止并报告 blocker；不要用另一种语言临时替代。该规则双向适用：不能用 Python 替代 R，也不能用 R 替代 Python。

绘图前必须写明或推断核心结论、图件原型、panel map、证据层级、目标输出、统计/source-data 需求和导出包。图件首先服务科学逻辑，美观和模板匹配是次级目标。

面向用户的输出不得暴露私有本地路径、私有文件名、内部参考文档、模板编号或私有材料来源，除非用户明确要求审计轨迹。

Python 强制规则

1. 三个必需 rcParams：保留 SVG 可编辑文本

plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['font.sans-serif'] = ['Arial', 'DejaVu Sans', 'Liberation Sans']
plt.rcParams['svg.fonttype'] = 'none'

svg.fonttype = 'none' 可以避免 matplotlib 默认把每个字形转为 bezier 曲线。这样导出的 SVG 中，文字仍是 <text> 节点，可选择、可搜索，也方便在 Illustrator 或 Inkscape 中重新对齐。

字体栈中包含 Arial、DejaVu Sans 和 Liberation Sans：Arial 是 macOS/Windows 常见字体，DejaVu Sans 随 matplotlib 提供，Liberation Sans 在 RHEL/Ubuntu 上与 Arial 度量兼容。这个级联能提高跨平台字距一致性。

2. 主输出格式是 SVG

fig.savefig('figure.svg', bbox_inches='tight')           # 主输出：可编辑文本
fig.savefig('figure.png', dpi=300, bbox_inches='tight')  # 可选栅格预览

当图要进入论文或需要后期文字微调的 slide deck 时，不要只导出 PNG。

3. 始终关闭 figure

plt.close(fig)

快速模板

import matplotlib
matplotlib.use('Agg')                    # headless / server rendering
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import numpy as np

# 必需设置
plt.rcParams['font.family'] = 'sans-serif'
plt.rcParams['font.sans-serif'] = ['Arial', 'DejaVu Sans', 'Liberation Sans']
plt.rcParams['svg.fonttype'] = 'none'

# 基础样式
plt.rcParams.update({
    'font.size': 12,
    'axes.spines.right': False,
    'axes.spines.top': False,
    'axes.linewidth': 2.0,
    'legend.frameon': False,
    'xtick.major.width': 1.5,
    'ytick.major.width': 1.5,
})

# 图件
fig, ax = plt.subplots(figsize=(8, 5))
ax.spines['bottom'].set_linewidth(2)
ax.spines['left'].set_linewidth(2)

# ... 在这里写绘图代码 ...

fig.tight_layout(pad=2)
fig.savefig('output.svg', bbox_inches='tight')
fig.savefig('output.png', dpi=300, bbox_inches='tight')
plt.close(fig)

配色方案

PALETTE = {
    # 主方法 / 核心系列
    'blue_main':      '#0F4D92',
    'blue_secondary': '#3775BA',

    # 正向 / 提升色阶
    'green_1': '#DDF3DE',
    'green_2': '#AADCA9',
    'green_3': '#8BCF8B',

    # 基线 / 对照
    'red_1':      '#F6CFCB',
    'red_2':      '#E9A6A1',
    'red_strong': '#B64342',

    # 中性辅助
    'neutral_light': '#CFCECE',
    'neutral_mid':   '#767676',
    'neutral_dark':  '#4D4D4D',
    'neutral_black': '#272727',

    # 强调色，谨慎使用
    'gold':    '#FFD700',
    'teal':    '#42949E',
    'violet':  '#9A4D8E',
    'magenta': '#EA84DD',
}

语义映射约定：blue_main 表示本文方法或核心系列，green_3 表示正向变体，red_strong 表示基线，neutral_light 表示参考或背景。所有 panel 中必须保持一致。

推荐在近期 Nature Machine Intelligence 风格的密集多面板图中使用统一低饱和配色：一个 coherent baseline family 加一个 coherent hero family，绿色/红色只用于差值标记或真正有方向性的语义。

PALETTE_NMI_PASTEL = {
    # 基线 / 对照家族
    'baseline_dark': '#484878',
    'baseline_mid':  '#7884B4',
    'baseline_soft': '#B4C0E4',

    # 本文方法家族
    'ours_tiny':  '#E4E4F0',
    'ours_base':  '#E4CCD8',
    'ours_large': '#F0C0CC',

    # 概览 / 概念面板背景块
    'bg_lilac': '#E0E0F0',
    'bg_aqua':  '#E0F0F0',
    'bg_peach': '#F0E0D0',

    # 中性辅助
    'neutral_light': '#D8D8D8',
    'neutral_mid':   '#A8A8A8',
    'neutral_dark':  '#606060',

    # 仅用于方向性标注
    'delta_up':   '#2E9E44',
    'delta_down': '#E53935',
}

DEFAULT_COLORS_NMI_PASTEL = [
    PALETTE_NMI_PASTEL['baseline_dark'],
    PALETTE_NMI_PASTEL['baseline_mid'],
    PALETTE_NMI_PASTEL['baseline_soft'],
    PALETTE_NMI_PASTEL['ours_tiny'],
    PALETTE_NMI_PASTEL['ours_base'],
    PALETTE_NMI_PASTEL['ours_large'],
]

适用场景：

• 比较 Tiny / Base / Large 等相关模型家族。
• 构建 1 页 result atlas，需要多个 panel 视觉统一。
• 追求低饱和编辑风格，而不是最大化类别区分。

实践规则：同一方法家族在所有 panel 中保持同一 hue family。不要因为某个 panel 需要对比，就把 panel a 中的蓝灰模型在 panel d 里改成绿色。

支持的图表类型

多面板信息结构

多面板图中的每个 panel 都必须回答一个唯一科学问题。遮住任意一个 panel 后，其他 panel 不应能完全替代它。

推荐的三层递进复杂度

常见冗余陷阱

Z-score deviation 热图

z = (heat - heat.mean(axis=0)) / heat.std(axis=0)
im = ax.imshow(z.values, cmap='RdBu_r', aspect='auto', vmin=-2.5, vmax=2.5)
cbar.set_label('Z-score vs pan-cohort mean')

RdBu_r 中红色表示高于平均富集，蓝色表示低于平均。它与 panel a 中展示的绝对百分比形成正交信息。

带象限标签的气泡散点

ax.scatter(x, y, s=size_var * scale, c=colors, edgecolors='white', linewidth=0.8, alpha=0.9)
ax.axvline(np.median(x), lw=1.2, ls='--', color='#767676', alpha=0.6)
ax.axhline(np.median(y), lw=1.2, ls='--', color='#767676', alpha=0.6)

象限标签放在角落，使用小号灰色斜体文字，例如 fontsize=7.5, color='#888888', style='italic'。

布局规则

Figure 尺寸

规则：比较型柱状面板的宽度通常约为高度的 3-4 倍。

Panel labels

ax.text(-0.05, 1.06, 'a', transform=ax.transAxes,
        fontsize=22, fontweight='bold', va='top', ha='right')

每个 subplot 左上角使用小写粗体 a、b、c，通过 transAxes 放置。

Legend

• 多轴图件中，legend 应有独立 axis，例如 ax.set_axis_off()。
• 始终使用 frameon=False。
• 如果 legend 较大，放在 panel 下方：bbox_to_anchor=(0.5, -0.24), loc='upper center'。

字号层级

坐标轴与边框规则

plt.rcParams['axes.spines.right'] = False
plt.rcParams['axes.spines.top'] = False
plt.rcParams['legend.frameon'] = False

ax.spines['bottom'].set_linewidth(2)
ax.spines['left'].set_linewidth(2)

默认不使用 gridline。用稀疏 set_yticks 引导阅读。Y 轴范围要贴近数据，不要在所有值都落在 80-95 时使用 0-100。

Cell / bar 内文字对比度

def luminance_text_color(hex_color):
    c = hex_color.lstrip('#')
    r, g, b = int(c[0:2],16)/255, int(c[2:4],16)/255, int(c[4:6],16)/255
    return 'white' if 0.299*r + 0.587*g + 0.114*b < 0.5 else '#333333'

复现检查清单

• 核心结论和 panel map 在美化前已经明确。
• 后端已明确为 Python 或 R。
• 前 3 个设置包含 font.family、font.sans-serif 三字体栈、svg.fonttype = 'none'。
• 主输出为 SVG，并使用 bbox_inches='tight'。
• 右侧和顶部 spines 关闭，legend.frameon = False。
• 字号符合最终用途：密集期刊图通常 5-7 pt，只有 slide-sized panel 才使用更大字号。
• 颜色来自同一个 coherent palette system：语义 PALETTE 或统一 PALETTE_NMI_PASTEL。
• 相关模型大小或变体共享同一 hue family，不给同胞系列分配不相关的高饱和颜色。
• 绿色 / 红色只用于提升、下降、阈值或真正有方向性的语义。
• Y 轴范围贴近数据范围。
• 多面板图中每个 panel 回答不同问题，已通过反冗余检查。
• Panel labels 使用粗体小写 a、b、c，字号适合最终输出。
• 面向手稿时，已记录统计、n、source data 和图像完整性说明。
• 保存前调用 tight_layout(pad=2)。
• 保存后调用 plt.close(fig)。