做生物信息分析这几年，我见过太多新手在绘图这一步卡壳。明明差异分析跑通了，一画图就报错，或者画出来的图丑得没法发文章。今天不整那些虚的，就聊聊 geo如何绘制火山图和热图 这个实操痛点。咱们不聊复杂的数学原理，只讲怎么把图弄漂亮、弄准确。

先说火山图。很多人以为这就是 scatter plot 加两行线，其实细节决定成败。我有个学生，之前用的 R 包版本太老，画出来的点密密麻麻叠在一起，根本看不清哪些是显著差异基因。后来我让他换了 ggplot2，并且做了关键调整。第一步，数据清洗。别直接把原始结果扔进去，先过滤掉表达量极低的基因，这些噪音会严重影响视觉重心。第二步，映射美学。p值取负对数后，颜色映射要区分清楚。通常我们习惯把上调基因标红，下调标蓝，不显著的标灰。这里有个坑，就是坐标轴的范围。如果直接默认，有时候显著点会被挤到角落。建议手动设置 xlim 和 ylim，把重点区域放大。

记得去年帮一个做植物抗逆性的课题组改图，他们的基因数量大概三千多个。如果不做采样或者透明度调整，图就是一团黑。我让他们把 alpha 值设为 0.6，这样重叠区域能透出层次感。另外，标签标注也别全标，挑 top 20 或者关键通路基因就行，不然图上全是字，像蜘蛛网一样。关于 geo如何绘制火山图和热图 的具体代码，网上很多，但关键是你得懂每个参数的意义，比如 point.size 设多大，label.fontsize 调多少，这些都得根据你图的尺寸微调。

再来说热图。热图看着简单，其实最考验排版功底。很多新手画的热图，行名列名全挤在一起，字都看不清，审稿人一看就烦。第一步，聚类顺序。不要直接用默认聚类，有时候聚类结果并不符合生物学逻辑。如果已知样本分组，最好先按分组排序，再聚类。第二步，颜色选择。别用那种彩虹色，看着眼花还容易产生误导。推荐用红蓝渐变或者黄蓝渐变，对比度高且专业。对于 geo如何绘制火山图和热图 中的热图部分，我觉得 Annotation 是灵魂。在热图旁边加上样本的分组信息条，比如处理组、对照组，或者表型数据，这样读者一眼就能看出差异趋势。

我遇到过最惨的一个案例，是一个做临床数据的哥们。他的样本量不大，但变量很多。画热图时，他忘了做 Z-score 标准化，导致某些高表达基因掩盖了其他基因的变化趋势。后来我让他对每行数据做标准化，也就是减去均值除以标准差，这样每个基因的变化幅度才能在同一尺度下比较。这一步至关重要，很多初学者都容易忽略。

还有个小技巧，就是图的大小。导出图片时，分辨率至少 300 dpi，如果是矢量图最好。字体大小也要调，行名如果太长，可以旋转 45 度，或者换行。这些细节虽然琐碎，但能体现你的专业度。

最后，别迷信一键出图工具。虽然有些在线平台号称傻瓜式操作，但灵活性太差。一旦遇到特殊需求，比如自定义颜色、添加注释，你就抓瞎了。还是得学学 R 或者 Python 的基础绘图逻辑。哪怕只是改改参数，也比对着空白文档发呆强。

总之，绘图不仅是技术活，更是审美活。多看看高分文章里的图，模仿他们的配色和布局。当你觉得一张图看着舒服，信息传达清晰，那它就合格了。别怕报错，报错信息就是你的老师，读懂它，你就能掌握 geo如何绘制火山图和热图 的精髓。希望这些经验能帮你少走弯路，早日发出好文章。