你是不是也觉得——

GraphPad很好用，但一到组图排版、配色微调、个性化注释，就开始头疼。
更别提正版软件的付费提醒时不时弹出来，实验室还只有一台电脑有装。

其实，在R语言里，散点图、箱线图、柱状图这三张基础图，只需要几行代码就能轻松搞定，而且配色、字体、分辨率完全可控，审稿人再挑剔也能应对。

今天师姐就用你RNA-seq分析里一定会用到的场景，带你画出你的第一张SCI级别基础图形。

读完这篇，你将学会：

用 plot 画散点图，并给它换颜色、加标题；

用 boxplot 画分组箱线图，一眼看清差异；

用 barplot 画柱状图，给柱子加上误差棒。

01 画图前的数据准备

我们先造一套很常见的表达量数据，模拟两个基因（TP53和BRCA1）在两组样本（Control和Treatment）里的表达值。

gene <- rep(c("TP53", "BRCA1"), each = 6)
group <- rep(c("Control", "Treatment"), times = 6)
expression <- c(120, 135, 118, 145, 122, 130,   # TP53 Control
                150, 158, 148, 162, 155, 160,   # TP53 Treatment
                85, 88, 82, 90, 86, 84,         # BRCA1 Control
                95, 98, 92, 102, 99, 101)       # BRCA1 Treatment

df <- data.frame(gene, group, expression)
head(df)

后面我们会按需要取子集画图。

02 散点图 plot()：看清每个点的分布

场景：我想单独看一下TP53基因所有12个测量值的分布。

先把TP53的数据提出来：

tp53 <- df[df$gene == "TP53", "expression"]
tp53  # 12个数字

最简单的散点图：

plot(tp53)

横坐标自动变成1到12的序号，纵坐标是表达值。

加点修饰，让它能直接放进PPT：

plot(tp53,
     main = "TP53 Expression Scatter Plot",   # 大标题
     xlab = "Measurement Index",              # X轴说明
     ylab = "Expression Level",               # Y轴说明
     col = "#2C3E50",                         # 点的颜色
     pch = 19,                                # 点的样式：实心圆
     cex = 1.5)                               # 点的大小

pch 取值0-25，做生信最常用的就是 19（实心圆）和 1（空心圆）。

如果想看两组对比的散点图，那就更推荐箱线图来呈现，因为散点密集的时候不容易看出差异。

03 箱线图 boxplot()：组间差异一眼看清

公式格式：数值列 ~ 分组列

画TP53在Control和Treatment两组的表达量箱线图：

# 取TP53的全部行
tp53_data <- df[df$gene == "TP53", ]

boxplot(expression ~ group, 
        data = tp53_data,
        main = "TP53 Expression by Group",
        xlab = "Group",
        ylab = "Expression",
        col = c("#3498DB", "#E74C3C"))   # Control蓝色，Treatment红色

箱线图怎么读？中间那条粗线是中位数，盒子上下边分别是第一和第三四分位数，上下须触到大部分正常值的范围，须外的圈圈就是离群值。

SCI实用技巧——把两组所有点都叠加在箱线图上：

用 boxplot 画好箱子，再用 stripchart 把原始点加进去。

boxplot(expression ~ group, data = tp53_data,
        main = "TP53 Expression with Data Points",
        col = c("#3498DB50", "#E74C3C50"),  # 最后两位是透明度
        ylim = c(100, 170))

stripchart(expression ~ group, data = tp53_data,
           vertical = TRUE, add = TRUE,
           pch = 19, cex = 1.2,
           col = c("#3498DB", "#E74C3C"))

add = TRUE 是叠加上去的关键参数。两张图一重合，数据分布和个体波动全都展示清楚，这是很多CNS子刊里常见的小图样式。

04 柱状图 barplot()：展示均值和误差棒

做柱状图一般是先算好均值和标准差，再画柱子。
第一步，算出各组均值：

means <- tapply(df$expression, list(df$gene, df$group), mean)
means

tapply 会根据基因和分组求平均值，得到一个矩阵。

第二步，画并列柱状图：

barplot(means,
        beside = TRUE,                        # 并排而不是堆叠
        legend.text = rownames(means),        # 自动添加图例
        main = "Gene Expression Comparison",
        xlab = "Group",
        ylab = "Mean Expression",
        col = c("#F39C12", "#8E44AD"))        # BRCA1橙色，TP53紫色

beside = TRUE 一定要加，否则柱子会摞起来。

第三步，如果想自己加误差棒（需要先算标准差）：

sds <- tapply(df$expression, list(df$gene, df$group), sd)

bp <- barplot(means, beside = TRUE,
              main = "Gene Expression with Error Bars",
              ylim = c(0, 180),
              col = c("#F39C12", "#8E44AD"))

# 加误差棒
arrows(bp, means - sds, bp, means + sds,
       angle = 90, code = 3, length = 0.1)

arrows 这个函数这里用来画误差线，angle=90 让末端变成横杠，code=3 表示两头都画，length 控制横杠宽度。

05 R原生绘图 vs ggplot2，我该先学哪个？

这是每个生信新手都会问的问题。

我的建议：先吃透今天讲的这些基础函数，理解透绘图逻辑，再去用ggplot2。

因为：

基础绘图不需要装任何包，打开R就能用；

参数名通用，后面过渡到ggplot2更容易理解；

快速出图验证数据，不用折腾语法。

下期师姐就会带你进入 ggplot2图层语法的世界，你会发现你本周学的一切，都会被一条更优雅的逻辑重新编排，出图质量直接拉升到顶刊水平。

今日总结：师姐送你三张图的代码模板
散点图：

plot(x, main="标题", xlab="X轴", ylab="Y轴", col="颜色", pch=19)

箱线图（带点）：

boxplot(y ~ group, data=df, col="颜色")
stripchart(y ~ group, data=df, vertical=TRUE, add=TRUE, pch=19)

柱状图（带误差棒）：

bp <- barplot(means, beside=TRUE, legend=TRUE, col=颜色向量)
arrows(bp, means-sds, bp, means+sds, angle=90, code=3, length=0.1)

把这三个模板存好，绝大多数基础图形场景你都覆盖了。

下期预告：

基础图够用了，但还不够美。下期切换到ggplot2模式，师姐教你用图层语法一键给图“穿衣服”，让你的RNA-seq图审稿人看了只说一个词——“Professional”。

这里是两栖生物手册，中科院生物医学在读博士，记录生物医学实验和生物信息学笔记，全平台同名，正在努力成为贴心负责的RNA-seq数据分析者和实验技术分享者~

SCI绘图革命：扔掉GraphPad，用R绘出可编辑的箱线图与散点图