论文作图前，建议你收藏这 10 个 Skill

原创 李孚博士 李孚博士 Ai4Scholar 2026年7月12日 13:48 美国

前两篇写完之后，我发现一个很有意思的现象。

大家对”写论文””查论文””做 PPT”这些功能已经不陌生了。

但一聊到论文图表，评论区和私信里反而会出现很多特别具体的问题：

图怎么排才像论文？

Nature 和 Science 的图是不是要求不一样？

多面板图怎么做才不乱？

p 值星号到底该怎么标？

颜色是不是不能随便用红绿？

图导出成 PNG 可以吗，还是必须 SVG / PDF / TIFF？

这些问题看起来很碎。

但真正投过稿的人都知道，图表这件事一点也不碎。

一篇论文里，最先被审稿人看到的，往往不是你写了多少文字，而是那几张图。

图如果做得乱，读者会下意识觉得结果也乱。

图如果标注不清，审稿人会怀疑你统计不严谨。

图如果像临时拼出来的，整篇文章的可信度都会打折。

所以这次我继续翻了一批科研 Skill，专门挑论文作图相关的。

这篇不讲”让图更炫”。

我更想讲的是：

怎么把图做得像一张真正可以投稿的科研图。

这次挑 10 个。

它们可以分成三类：

• 先把图画出来
• 再按期刊规范改对
• 最后检查细节和配色

---

1. 先做一张像样的 Nature 风格多面板图

这个 Skill 叫 nature-figure。

我觉得它应该放在第一位。

因为它不是单纯告诉你”Nature 图表要多少 DPI”，而是更接近一个完整的论文作图工作流。

它关注的是：

图要表达什么结论？

哪些证据应该放在主图？

哪些结果适合做成补充图？

几个面板之间有没有信息层级？

每个面板是不是在回答不同问题，而不是重复同一件事？

这点很关键。

很多人做 Figure，习惯是”有什么结果就往上堆什么结果”。

最后 Figure 1A 到 Figure 1H 看起来很多，但读者不知道主线在哪里。

nature-figure 强调的是先确定图的结论，再决定面板结构。

它支持 Python 或 R 工作流，强调多面板布局、字体、配色、SVG 导出、图片预览和最后的 QA。

尤其是 SVG 这一点很实用。

很多图如果只导出 PNG，后面要改字体、调标签、移动图例会非常痛苦。

SVG 保留可编辑文本，后期在 Illustrator 或 Inkscape 里调整会方便很多。

所以这个 Skill 最适合用在一个阶段：

你已经有结果了，但还没有把这些结果组织成一张能讲故事的主图。

它不是帮你”美化一下”。

它更像在问你：

这张图到底要让审稿人相信什么？

---

2. Nature 图不是好看就行，还要符合投稿规范

这个 Skill 叫 nature-figure-guide。

它和 nature-figure 很容易混在一起，但其实不是一回事。

nature-figure 偏向”生成和组织图”。

nature-figure-guide 偏向”投稿规范检查”。

比如 Nature 系列期刊会关心：

分辨率够不够？

文件格式是不是合适？

颜色模式是否符合要求？

字体是不是 Helvetica / Arial 这类常见无衬线字体？

面板标签是不是小写？

有没有不当图像处理？

这些事情单独看都不复杂。

但投稿前如果一个个查，非常烦。

更麻烦的是，不同期刊要求并不完全一样。

同样是图表，有的期刊偏好 TIFF，有的接受 PDF / EPS，有的对 RGB / CMYK 有明确要求，有的对图像调整非常敏感。

nature-figure-guide 的价值就是把这些细则整理成可检查的清单。

它特别适合放在图快完成的时候用。

不是问”这张图好不好看”。

而是问：

这张图按 Nature 的要求，能不能顺利进入投稿系统。

---

3. Science 的图表要求，不要拿 Nature 的习惯硬套

这个 Skill 叫 science-figure-guide。

很多作者会下意识觉得，顶刊图表要求应该差不多。

但真到投稿时你会发现，Nature、Science、Cell、PNAS 的细节并不一样。

Science 这类期刊尤其重视图像处理的透明性。

比如非线性调整、亮度对比度处理、gamma 调整这些操作，如果影响了图像解释，就需要非常谨慎。

它还区分初投稿和修回阶段的图像要求。

初投稿时可能只需要能审阅。

到了修回和正式生产阶段，就会要求更高质量的独立图像文件。

science-figure-guide 的作用，不是告诉你”Science 图应该长什么样”。

而是帮你把 Science 的提交要求拆开：

初稿阶段需要什么？

修回阶段需要什么？

图像格式、分辨率、字体、颜色、图像处理声明有没有问题？

我觉得这个 Skill 适合那些已经有明确目标期刊的人。

如果你的目标是 Science 或 AAAS 系列，不要等到最后上传时才发现文件格式和图像处理说明没准备好。

---

4. 做生命科学和医学图，Cell Press 的规范也要单独看

这个 Skill 叫 cell-figure-guide。

如果你的方向是生命科学、生物医学、细胞生物学、分子机制，Cell Press 的图表规范很值得单独看。

Cell 系列图表有一个特点：

它经常承载非常密集的信息。

一个主图里可能同时有机制示意图、显微图、Western blot、定量统计、动物实验结果、流程图。

这类图最怕的不是内容不够，而是信息太多以后失控。

cell-figure-guide 关注的就是 Cell Press 图表准备要求：

不同类型图像的分辨率。

TIFF / PDF / EPS 等格式。

RGB 颜色。

Avenir / Arial 一类字体。

大写面板标签。

严格的图像处理政策。

尤其是生命科学图像，经常涉及显微图、凝胶图、免疫荧光、组织切片。

这些图不只是”清不清楚”的问题。

还涉及图像完整性。

哪些处理是全局调整？

哪些处理可能被认为是选择性增强？

原始图像要不要保留？

图注里要不要说明处理方式？

cell-figure-guide 对这类方向很有价值。

因为生命科学论文里的图，很多时候不是简单数据图，而是证据本身。

---

5. PNAS 对图的细节要求，也别忽略

这个 Skill 叫 pnas-figure-guide。

PNAS 的图表规范也挺有代表性。

它会强调 RGB-only、字体嵌入、分辨率、文件格式，以及面板标签风格。

有些细节很容易被忽略。

比如图像要按最终发表尺寸准备，而不是随便导出一个大图。

比如 line art、halftone、combination artwork 的分辨率要求不同。

比如 PDF / EPS 里的字体要嵌入，否则生产阶段可能出问题。

再比如有些期刊会有自动图像筛查流程。

这意味着你不能只在屏幕上看着”差不多”。

你得关心文件本身是否合规。

pnas-figure-guide 适合用作一个提醒：

不同目标期刊的图表要求，不应该到最后一天才查。

最好在开始作图时，就知道自己最后要交什么格式、什么尺寸、什么分辨率。

---

6. 不确定投哪里？先用通用图表检查清单

这个 Skill 叫 general-figure-guide。

前面几个都偏具体期刊。

但很多时候，论文还没决定投哪里，图却已经要开始做了。

这时候最适合用的，就是 general-figure-guide。

它不是某个期刊专用规范，而是一套通用的科学图表质量检查清单。

它会关注那些最常见、也最容易被忽略的问题：

标签是否重叠？

文字有没有被裁掉？

坐标轴有没有单位？

图例是否缺失？

数据点是不是挤成一团？

图是不是空了一大片？

多面板之间字体大小是否一致？

这类问题很普通。

但普通不代表不重要。

很多图的问题，不是审美不够高级，而是基本可读性不过关。

general-figure-guide 的价值就是把你从”作者视角”拉回”读者视角”。

作者知道每条线代表什么。

读者不知道。

作者知道这个点为什么重要。

读者不知道。

作者知道坐标轴单位。

读者如果看不到单位，就只能猜。

一张好图，首先要让人不猜。

---

7. 论文图不是单张图，而是一套图

这个 Skill 叫 scientific-visualization。

它更像一个出版级科学图表的总控 Skill。

如果说 nature-figure 更偏 Nature / 高水平期刊风格的作图工作流，scientific-visualization 更像一个通用的”投稿图表元 Skill”。

它关注多面板布局、显著性标注、误差线、色盲友好配色、期刊格式，以及最终导出。

我觉得它适合用在两种情况。

第一种，是你还没确定期刊，但希望图表整体达到投稿级别。

第二种，是你不是只做一张图，而是要做一整套论文图。

一篇文章里，Figure 1 到 Figure 6 最怕的是风格不统一。

第一张图字体 8 号，第二张图字体 10 号。

第一张图用蓝橙，第二张图用红绿。

第一张图 legend 在右边，第二张图 legend 在下面。

单张看好像都行，放在一起就像不同人临时拼的。

scientific-visualization 更适合从全局上约束这些东西。

它提醒你，论文图表不是”每张图单独好看”就行。

还要整篇文章有一致的视觉语言。

---

8. 多面板图，最难的是让 Figure 1A 到 1H 讲同一个故事

这个 Skill 叫 multipanel-figures。

很多论文最核心的图，其实都是多面板图。

Figure 1A 是流程。

Figure 1B 是总体结果。

Figure 1C 是关键对比。

Figure 1D 是机制解释。

Figure 1E 是验证实验。

Figure 1F 是补充分析。

这类图如果排得好，读者可以顺着面板一路读下去。

如果排得不好，读者会觉得每个面板都像单独贴上去的。

multipanel-figures 关注的就是多面板组合。

它会帮助你处理：

行列布局。

共享坐标轴。

面板标签。

图例位置。

不同面板之间的比例。

哪些面板应该大，哪些应该小。

哪些结果应该放在主图，哪些可以放到补充材料。

这对生物医学、组学、机器学习、材料科学都很有用。

因为现在论文越来越少只靠一张简单图说明问题。

真正的核心图，往往是一组证据链。

multipanel-figures 的价值，就是让这些证据链看起来像一条线，而不是一堆散件。

---

9. p 值星号不是装饰，标错了很麻烦

这个 Skill 叫 statistical-significance-annotation。

这个 Skill 很小，但我觉得特别值得写。

因为显著性标注太常见，也太容易被随手处理。

很多图里会出现：

ns

星号

括号

p 值

不同组之间的比较线

但问题是，星号不是装饰。

它对应的是具体统计检验。

单次比较用原始 p 值，多个组之间反复比较就要考虑校正。

探索性比较和预设假设比较，也不能混在一起。

有些图里标了太多比较线，最后读者只看到一堆括号和星号，反而不知道重点在哪里。

statistical-significance-annotation 做的就是这类事情：

什么时候该标？

标哪几组？

ns、一个星号、两个星号、三个星号分别表示什么？

多重比较时该不该用调整后的 p 值？

哪些图根本不应该标星号？

这类细节很容易被低估。

但审稿人看到统计标注不规范，会直接怀疑你的统计意识。

所以这个 Skill 很适合放在作图后期。

图已经做出来了。

下一步不是急着导出。

先问一句：

这些星号，真的标对了吗？

---

10. 配色不是审美问题，也是可读性和公平性问题

这个 Skill 叫 scientific-color。

我本来想把 color-accessibility-guide 放进来，但看完之后，我更想推荐 scientific-color。

因为它不是只讲”色盲友好”。

它更像一个科研配色专家。

它支持两种模式。

一种是推荐配色。

比如你要画处理组对比、连续变量、正负变化、相关矩阵，它会根据数据类型、学科、颜色数量，给出更适合论文的色板。

另一种是诊断已有图片。

比如你的图已经做好了，它可以帮你看：

是不是用了彩虹色板？

有没有红绿冲突？

颜色是不是太多？

高饱和颜色打印后会不会偏色？

黑白打印还能不能区分？

这对科研图太重要了。

很多作者作图时，第一反应是”这个颜色好不好看”。

但论文图更应该先问：

这个颜色能不能准确表达数据类型？

色盲读者能不能看懂？

灰度打印还能不能区分？

放进 PDF 后是否刺眼？

不同面板之间语义是否一致？

scientific-color 和 nature-figure 也很互补。

一个负责选色和诊断。

一个负责布局、字体、导出和完整作图。

如果你只记住一句话：

科研配色不是装饰，而是数据表达的一部分。

---

这 10 个放在一起，其实是一条作图流程

如果把这 10 个 Skill 按顺序排一下，大概是这样：

• 先组织图的科学故事：nature-figure、scientific-visualization、multipanel-figures。
• 再按目标期刊检查：nature-figure-guide、science-figure-guide、cell-figure-guide、pnas-figure-guide。
• 最后做通用 QA：general-figure-guide、statistical-significance-annotation、scientific-color。

这比”帮我画一张漂亮图”要重要得多。

因为论文图不是海报。

它不是为了第一眼惊艳。

它是为了让读者快速理解：

你做了什么。

你看到了什么。

证据链是否完整。

结论是不是被图支持。

统计和图注有没有说清楚。

如果一张图能做到这些，它未必花哨，但会很有说服力。

反过来，如果一张图只是颜色多、元素多、面板多，但读者看不出主线，那它其实是在帮论文减分。

---

最后

这篇里的 10 个 Skill，我觉得很适合当作论文作图前的检查表。

不是每次都要全部用一遍。

但你至少可以在三个节点想起它们。

第一，结果刚出来时。

先别急着拼图，先想清楚主图要讲什么故事。

第二，准备投稿时。

目标期刊定了，就按期刊规范检查格式、分辨率、字体、颜色、面板标签和图像完整性。

第三，最终导出前。

看一眼标签有没有重叠，坐标轴有没有单位，显著性标注有没有问题，配色是不是色盲友好。

很多论文图并不是做不好。

只是作者太熟悉自己的结果了，所以忘了读者第一次看到这张图时，其实什么都不知道。

好的论文图，不是把所有结果塞进去。

而是把最重要的证据讲清楚。

你们平时最头疼的是哪类图？

多面板图、机制图、统计图、显微图、热图、火山图，还是投稿前的格式检查？

欢迎在评论区说说。

后面如果大家感兴趣，我可以再单独写一篇”论文图表最容易踩的 10 个坑”。