企业官网建设流程全解析

1. 从“能看”到“能发表”：单细胞分析可视化的进阶之路

做单细胞转录组分析的朋友，对 Scanpy 这个工具包一定不陌生。它几乎是 Python 生态里处理单细胞数据的“瑞士军刀”，从数据读入、质控、降维、聚类到差异分析，一条龙服务。但不知道你有没有这样的经历：用sc.pl.umap画出来的图，自己看没问题，可一旦想放进论文、报告或者海报里，总觉得差了那么点意思——配色有点“土”，点的大小和形状不够精细，图例排版别扭，导出成 PDF 或 SVG 后字体还乱码。

这其实就是从“分析可视化”到“发表级可视化”的鸿沟。分析可视化追求的是快速验证假设、探索数据，一切以功能性和速度优先。而发表级可视化，则要求图表在传达准确科学信息的同时，具备高度的美学一致性、可定制性和出版兼容性。这不是简单的“美化”，而是一套从数据映射到视觉元素，再到最终输出的系统工程。

最近在准备一篇手稿，编辑反馈说图表需要统一配色方案并提交矢量格式。这促使我系统梳理了 Scanpy 可视化从默认设置到满足期刊要求的完整流程。我发现，许多高级定制功能其实就藏在 Scanpy 和 Matplotlib 的文档里，只是缺少一条清晰的路径把它们串联起来。本文将围绕配色系统定制、矢量图输出优化、图表元素精细控制这三个核心痛点，分享一套可直接复现的实战方案。无论你是要投 Cell、Nature 这类顶刊，还是制作高质量的学术海报，这些技巧都能让你的图表瞬间提升几个档次。

2. 解构 Scanpy 的绘图引擎：理解sc.pl的底层逻辑

在动手改颜色、调字体之前，我们必须先明白 Scanpy 的画图命令到底在背后做了什么。Scanpy 的绘图模块sc.pl并不是从头造轮子，它是一个高级封装器，底层强烈依赖于 Matplotlib，部分图形（如矩阵热图）则会用到 Seaborn。sc.pl的核心价值在于，它根据单细胞数据的特定结构（如 AnnData 对象），自动完成了大量繁琐的绘图设置，让我们用一行代码就能看到聚类结果、基因表达分布等。

2.1 绘图函数的通用参数与返回对象

几乎所有的sc.pl函数（如umap,tsne,dotplot,heatmap）都共享一套核心参数，理解它们是进行高级定制的基础：

• ax: 这是关键中的关键。你可以传入一个 Matplotlib 的Axes对象，Scanpy 就会把图画在你指定的这个坐标轴里。这为多子图排版、与自定义图形组合提供了可能。
• show: 默认为True，即调用plt.show()显示图形。在脚本中批量导出图片时，通常设置为False。
• save: 可以直接保存图片。但对于发表级图表，我们通常更倾向于用 Matplotlib 的savefig进行更精细的控制。
• frameon: 是否显示坐标轴边框，默认为True。在 UMAP/t-SNE 图中，我们常常设为False以获得更简洁的视觉效果。
• legend_loc: 图例位置，例如‘on data’,‘right margin’等。‘on data’可以将图例（如聚类标签）直接标注在数据点上，非常实用。
• color_map: 指定连续型变量（如基因表达量）的配色方案。这是改变颜色风格的主要入口之一。

更重要的是，大多数sc.pl函数会返回一个或多个Axes对象，或者一个字典（当ax参数是字典或列表时）。这意味着我们可以捕获这个对象，后续再用标准的 Matplotlib 语法对其进行任何修改。

import scanpy as sc import matplotlib.pyplot as plt # 基础绘图，并获取返回的 Axes 对象 ax = sc.pl.umap(adata, color='louvain', show=False, frameon=False) # 之后，我们可以像操作任何 Matplotlib Axes 一样操作它 ax.set_title('My Custom Title', fontsize=14, fontweight='bold') ax.title.set_position([0.5, 1.05]) # 微调标题位置

2.2 颜色映射（Colormap）的系统与陷阱

Scanpy 的默认配色，尤其是用于连续数据的viridis，在科学可视化中其实是非常优秀的选择，因为它感知均匀且对色盲友好。问题在于，当我们有特殊的品牌色、期刊要求色或者需要区分多个离散类别时，默认设置就不够用了。

Scanpy 的颜色处理逻辑分为两类：

1. 分类变量（Categorical）：如聚类标签louvain、样本来源sample。颜色由sc.pl.palettes中的调色板决定。默认是sc.pl.palettes.default_20等。你可以通过palette参数直接传递一个颜色列表来覆盖它。
2. 连续变量（Continuous）：如基因表达MS4A1、线粒体百分比percent_mito。颜色由color_map参数指定，它对应一个 Matplotlib 的 Colormap 对象。

这里有一个常见的“坑”：当你用sc.pl.umap(adata, color=[‘louvain’, ‘MS4A1’])同时画分类和连续变量时，Scanpy 会为每一张小图分别应用颜色逻辑。如果你想统一所有子图的连续变量配色，就需要更精细的控制。

注意：Matplotlib 的 Colormap 有“分段（ListedColormap）”和“线性（LinearSegmentedColormap）”之分。viridis,plasma是线性的，而tab20,Set3是分段的。为连续数据错误地使用分段 Colormap 会导致颜色跳跃和不连续映射，务必根据变量类型正确选择。

3. 发表级配色方案实战：打造专属色彩体系

一套好的配色方案能极大提升图表的专业度和信息传递效率。我们的目标是将期刊或项目的色彩规范，无缝应用到 Scanpy 图表中。

3.1 为分类变量定义定制调色板

假设你的项目品牌色或期刊主题色是深蓝 (#1f77b4)、橙色 (#ff7f0e)、绿色 (#2ca02c)，并且你有 8 个细胞簇需要着色。

方法一：直接传递颜色列表这是最直接的方法，适用于簇数量固定且已知的情况。

# 定义自定义颜色列表 my_palette = [‘#1f77b4‘, ‘#ff7f0e‘, ‘#2ca02c‘, ‘#d62728‘, ‘#9467bd‘, ‘#8c564b‘, ‘#e377c2‘, ‘#7f7f7f‘] # 在绘图时使用 sc.pl.umap(adata, color=‘louvain‘, palette=my_palette, show=False)

方法二：注册为命名调色板（高级）如果你需要在多个脚本、多个图中反复使用同一套颜色，并且希望像调用‘Set2‘一样方便，可以将其注册到 Scanpy 的调色板字典中。

from scanpy.plotting.palettes import * # 扩展默认调色板字典 defaults[‘my_corporate_palette‘] = my_palette # 现在可以像使用内置调色板一样使用它 sc.pl.umap(adata, color=‘louvain‘, palette=‘my_corporate_palette‘, show=False)

实操心得：颜色数量不足时的应对策略如果你的自定义颜色少于聚类数，Scanpy 会循环使用颜色，导致不同簇颜色相同。解决方法有两种：1) 使用 Matplotlib 的tab20c等大型调色板，并从中抽取颜色来扩展你的自定义列表；2) 使用colorsys库对你的基础色进行亮度、饱和度变换，生成一套同色系的颜色梯度。

import colorsys def lighten_color(color, factor=0.7): """将十六进制颜色变亮""" color = color.lstrip(‘#‘) rgb = tuple(int(color[i:i+2], 16)/255. for i in (0, 2, 4)) h, l, s = colorsys.rgb_to_hls(*rgb) l = max(0, min(1, l * factor)) rgb_light = colorsys.hls_to_rgb(h, l, s) return ‘#‘ + ‘‘.join(f‘{int(c*255):02x}‘ for c in rgb_light) base_color = ‘#1f77b4‘ extended_palette = [lighten_color(base_color, factor) for factor in [0.4, 0.55, 0.7, 0.85, 1.0]]

3.2 为连续变量定制色彩映射

对于基因表达这类连续变量，我们通常需要线性或发散的 Colormap。Matplotlib 提供了海量的内置选项，但也可以完全自定义。

使用内置的高级 Colormap避免使用像jet这样虽然鲜艳但感知不均匀的旧式配色。推荐使用viridis,plasma,inferno,magma（线性）以及RdBu_r,coolwarm（发散，常用于显示上下调）。

# 使用感知均匀的配色 sc.pl.umap(adata, color=‘MS4A1‘, color_map=‘plasma‘, show=False) # 使用发散色，通常需要对称归一化，这可以通过 vmin, vmax 或 vcenter 参数控制 sc.pl.umap(adata, color=‘some_logFC‘, color_map=‘RdBu_r‘, vcenter=0, show=False)

从颜色列表创建线性 Colormap如果你的期刊要求使用特定的颜色作为连续变量的两端，可以这样做：

from matplotlib.colors import LinearSegmentedColormap # 定义从低到高的颜色 colors = [‘#f7fbff‘, ‘#6baed6‘, ‘#08306b‘] # 浅蓝 -> 中蓝 -> 深蓝 my_cmap = LinearSegmentedColormap.from_list(‘my_blue_cmap‘, colors) # 应用 sc.pl.umap(adata, color=‘MS4A1‘, color_map=my_cmap, show=False)

全局设置默认配色为了确保整个项目或笔记本中的所有图表都使用统一的配色，可以在绘图前设置 Matplotlib 的 rcParams。

import matplotlib as mpl # 设置默认的连续和分类配色 mpl.rcParams[‘image.cmap‘] = ‘viridis‘ # 全局连续变量配色 # 对于分类变量，Scanpy 有自己的逻辑，但我们可以影响其基础 # 例如，设置 Matplotlib 循环使用的颜色（影响部分图表） mpl.rcParams[‘axes.prop_cycle‘] = mpl.cycler(color=my_palette)

4. 矢量图输出与后期编辑：确保“无限放大”不失真

期刊通常要求提交 PDF、EPS 或 SVG 格式的矢量图。矢量图的好处是无论放大多少倍都不会出现像素锯齿。但直接从 Scanpy 保存的矢量图常常会遇到字体嵌入、元素错位、文件过大等问题。

4.1 正确保存高分辨率位图和矢量图

保存为 PNG/TIFF (位图)当图中元素极多（如超过10万个点）时，矢量图文件会巨大，打开和渲染缓慢。此时保存为高分辨率位图是更实际的选择。

# 先创建图形和坐标轴，确保控制权 fig, ax = plt.subplots(1, 1, figsize=(6, 4), dpi=300) # 高DPI确保清晰度 sc.pl.umap(adata, color=‘louvain‘, ax=ax, show=False, frameon=False, legend_loc=‘on data‘) # 调整布局，确保标签等元素不被裁剪 fig.tight_layout() # 保存，设置透明背景和边缘 fig.savefig(‘umap_clusters.png‘, dpi=300, bbox_inches=‘tight‘, pad_inches=0.05, facecolor=‘white‘, edgecolor=‘none‘) plt.close(fig) # 关闭图形，释放内存

保存为 PDF/SVG (矢量图)这是发表的首选格式。关键在于处理字体。

# 方法一：在保存前将文字转换为路径（“轮廓化”）。这能彻底避免字体缺失，但文字不能再编辑。 fig.savefig(‘umap_clusters.pdf‘, bbox_inches=‘tight‘, format=‘pdf‘, transparent=False) # 在 Adobe Illustrator 中打开后，可以选择文字并“创建轮廓”。 # 方法二（推荐）：在代码中嵌入字体。这要求系统有所需字体。 import matplotlib matplotlib.rcParams[‘pdf.fonttype‘] = 42 # 输出 TrueType 字体，兼容性最好 matplotlib.rcParams[‘ps.fonttype‘] = 42 # 也可以指定具体字体文件 # matplotlib.rcParams[‘font.sans-serif‘] = [‘Arial‘] # matplotlib.rcParams[‘font.family‘] = ‘sans-serif‘ fig.savefig(‘umap_clusters_embed_font.pdf‘, bbox_inches=‘tight‘)

踩坑实录：矢量图中的“白线”或“缺失点”有时在 AI 或 Inkscape 中打开 SVG，会发现一些散点变成空心或带有奇怪的白边。这通常是由于 Matplotlib 对edgecolor和linewidth的默认设置导致的。解决方法是在绘图时或绘图后，将散点的边缘线宽设置为 0。

# 绘图后获取散点集合（PathCollection）并修改 ax = sc.pl.umap(adata, color=‘louvain‘, show=False) # 假设散点集合是 ax 的第一个子元素 for collection in ax.collections: collection.set_linewidth(0) # 或者 collection.set_edgecolor(‘none‘)

4.2 在 Adobe Illustrator 或 Inkscape 中进行最终美化

代码生成的图表是基础，但最终调整（如微调图例位置、统一多个图的字体大小、添加示意图标）在图形软件中往往更高效。

1. 打开与解组：用 AI 打开 PDF/SVG 后，图表可能是一个编组。选中后点击右键“取消编组”（可能需要多次），直到可以选中单个元素（如坐标轴、散点、文字）。
2. 修改颜色：选中某个簇的所有散点，在色板中直接替换成你的目标颜色。对于由 Colormap 生成的渐变散点，它们可能是一个“渐变网格”对象，直接修改填充色即可。
3. 编辑文字：如果字体已嵌入或已轮廓化，可以直接修改。如果字体缺失，AI 会提示替换。建议在代码阶段就使用常用字体（如 Arial, Helvetica, Times New Roman）。
4. 组合与导出：将调整好的图表与其他元素（如示意图、图注）组合，最后导出为期刊要求的格式（通常是 TIFF 或 EPS）。导出 TIFF 时，分辨率建议设置为 600-1200 DPI。

5. 图表元素的精细化控制：超越sc.pl的默认样式

要让图表真正达到发表级别，我们需要对每一个视觉元素进行精细打磨。

5.1 坐标轴、边框与背景的优化

默认的 UMAP 图带有坐标轴和网格，但在很多展示场景下，我们只需要数据点本身。

fig, ax = plt.subplots(figsize=(5,5)) sc.pl.umap(adata, color=‘louvain‘, ax=ax, show=False, frameon=False, legend_loc=‘on data‘, title=‘‘) # 进一步移除坐标轴刻度 ax.set_xticks([]) ax.set_yticks([]) # 移除坐标轴线 ax.spines[‘top‘].set_visible(False) ax.spines[‘right‘].set_visible(False) ax.spines[‘bottom‘].set_visible(False) ax.spines[‘left‘].set_visible(False) # 设置纯白背景 ax.set_facecolor(‘white‘) fig.patch.set_facecolor(‘white‘)

5.2 图例的完全自定义

legend_loc=‘on data‘很方便，但当簇多且重叠时，会显得杂乱。我们可以将图例提取出来单独放置。

import matplotlib.patches as mpatches fig, ax = plt.subplots(figsize=(6,5)) # 先绘图，不显示图例 sc.pl.umap(adata, color=‘louvain‘, ax=ax, show=False, frameon=False, legend_loc=None) # 手动创建图例 # 假设我们已知簇的顺序和对应的颜色 cluster_order = sorted(adata.obs[‘louvain‘].unique()) # 获取 Scanpy 实际使用的颜色列表。一种方法是捕获返回的 PathCollection 的颜色 handles = [] for i, cluster in enumerate(cluster_order): # 这里需要根据绘图逻辑获取颜色，假设颜色顺序与 cluster_order 一致 # 更稳健的方法是：从 adata.uns[‘louvain_colors‘] 获取 color = adata.uns[‘louvain_colors‘][i] patch = mpatches.Patch(color=color, label=f‘Cluster {cluster}‘) handles.append(patch) # 将图例放在图外 fig.legend(handles=handles, loc=‘center left‘, bbox_to_anchor=(1.05, 0.5), frameon=False, title=‘Cell Type‘) fig.tight_layout(rect=[0, 0, 0.85, 1]) # 为右侧图例留出空间

5.3 复杂多图排版与一致性控制

当需要将 UMAP、基因表达、小提琴图等组合在一起时，直接使用sc.pl.umap(..., color=[...])生成的子图在间距和比例上可能不理想。我们可以用 Matplotlib 的GridSpec进行绝对控制。

import matplotlib.gridspec as gridspec # 定义一个大画布和复杂的网格布局 fig = plt.figure(figsize=(12, 5)) gs = gridspec.GridSpec(1, 3, width_ratios=[1, 1, 0.4], wspace=0.3) # 三列，最后一列窄一些 # 第一个子图：聚类 ax0 = fig.add_subplot(gs[0]) sc.pl.umap(adata, color=‘louvain‘, ax=ax0, show=False, frameon=False, title=‘Cell Clusters‘, legend_loc=None) # 第二个子图：基因表达 ax1 = fig.add_subplot(gs[1]) sc.pl.umap(adata, color=‘MS4A1‘, ax=ax1, show=False, frameon=False, title=‘MS4A1 Expression‘, color_map=‘plasma‘) # 第三个子图：小提琴图（需要不同的坐标轴） ax2 = fig.add_subplot(gs[2]) # 注意：小提琴图通常需要单独的绘图函数，这里仅为示例布局 # sc.pl.violin(adata, [‘MS4A1‘], groupby=‘louvain‘, ax=ax2, show=False) # 暂时用文本占位 ax2.text(0.5, 0.5, ‘Violin Plot Area‘, ha=‘center‘, va=‘center‘) ax2.set_axis_off() # 统一设置所有子图的坐标轴不可见 for ax in [ax0, ax1]: ax.set_xticks([]) ax.set_yticks([]) for spine in ax.spines.values(): spine.set_visible(False) fig.suptitle(‘Integrated Single-Cell Analysis‘, fontsize=16) fig.tight_layout()

通过这种精细控制，我们可以确保多图组合时，颜色条宽度、图例大小、标题字体等完全一致，满足顶级期刊对图表格式的苛刻要求。

6. 实战案例：构建可复用的发表级图表生成函数

将上述所有技巧封装成函数，可以极大提升工作效率和图表的一致性。下面是一个示例，用于生成可直接用于发表的 UMAP 聚类图。

def publish_quality_umap(adata, cluster_key, palette=None, figsize=(4,4), dpi=300, save_path=None): “““ 生成发表质量的 UMAP 聚类图。 参数 ---------- adata : AnnData 包含 UMAP 坐标和聚类信息的对象。 cluster_key : str adata.obs 中存储聚类标签的列名。 palette : list, optional 自定义颜色列表。如果为 None，则使用 Scanpy 默认。 figsize : tuple, optional 图形尺寸（宽，高），单位英寸。 dpi : int, optional 输出位图时的分辨率。 save_path : str, optional 保存路径。如果提供，将保存为 PDF 和 PNG。例如 ‘./figures/umap_clusters‘。 返回 ------- fig : matplotlib.figure.Figure 图形对象。 ax : matplotlib.axes.Axes 坐标轴对象。 “““ import matplotlib # 设置输出字体为 Arial，确保矢量图兼容性 matplotlib.rcParams[‘pdf.fonttype‘] = 42 matplotlib.rcParams[‘ps.fonttype‘] = 42 matplotlib.rcParams[‘font.sans-serif‘] = [‘Arial‘] fig, ax = plt.subplots(figsize=figsize, dpi=dpi, facecolor=‘w‘) # 绘图，关闭边框，不显示默认图例 sc.pl.umap(adata, color=cluster_key, ax=ax, show=False, frameon=False, legend_loc=None, palette=palette, title=‘‘) # 美化坐标轴 ax.set_xticks([]) ax.set_yticks([]) for spine in ax.spines.values(): spine.set_visible(False) ax.set_facecolor(‘white‘) # 创建自定义图例（放在图外右侧） import matplotlib.patches as mpatches clusters = sorted(adata.obs[cluster_key].cat.categories) # 获取实际使用的颜色 if palette is None: # 尝试从 adata 的 uns 中获取颜色 color_key = f‘{cluster_key}_colors‘ if color_key in adata.uns: colors = adata.uns[color_key] else: # 如果不存在，使用当前坐标轴中集合的颜色（需要更复杂的提取，此处简化） colors = [ax.collections[0].get_facecolor()[0]] * len(clusters) # 近似处理 else: colors = palette legend_handles = [] for cluster, color in zip(clusters, colors): # 确保颜色是有效的 RGB/A 元组或字符串 if isinstance(color, (tuple, list)): if len(color) == 4: # RGBA color = tuple(color[:3]) # 转为 RGB patch = mpatches.Patch(color=color, label=cluster, edgecolor=‘k‘, linewidth=0.5) legend_handles.append(patch) # 调整图形布局，为图例留出空间 fig.tight_layout(rect=[0, 0, 0.75, 1]) # 右边留出25%空间 # 添加图例 fig.legend(handles=legend_handles, loc=‘center left‘, bbox_to_anchor=(1.02, 0.5), frameon=True, framealpha=0.9, edgecolor=‘gray‘, title=‘Cluster‘, fontsize=9, title_fontsize=10) # 保存 if save_path: fig.savefig(f‘{save_path}.pdf‘, bbox_inches=‘tight‘, dpi=dpi) fig.savefig(f‘{save_path}.png‘, bbox_inches=‘tight‘, dpi=dpi, transparent=False) print(f“Saved to {save_path}.pdf and .png“) return fig, ax # 使用示例 # fig, ax = publish_quality_umap(adata, ‘louvain‘, palette=my_corporate_palette, save_path=‘./final_figs/fig1a‘)

这个函数集成了字体设置、图形美化、外部图例和自动保存，生成即用型的图表。你可以在此基础上扩展，增加参数来控制标题、是否添加比例尺等。

图表是科研成果的“门面”，一张制作精良的图能极大提升工作的可信度和影响力。从满足基本功能的默认图表，到经得起挑剔的发表级图表，中间的差距就是对细节的掌控。通过深入理解 Scanpy 的绘图逻辑，熟练掌握 Matplotlib 的定制方法，并善用矢量图编辑软件进行最终打磨，你完全可以让自己的单细胞数据可视化达到专业出版的水平。这个过程一开始可能需要多花一些时间，但一旦形成自己的模板和函数库，未来所有项目的图表产出效率和质量都会得到质的飞跃。