简介：这是一套包含五十套R语言科研绘图代码的资源包，面向有一定R基础的研究人员，覆盖柱状图、箱线图、小提琴图、热图、火山图、韦恩图、雷达图、桑基图、生存曲线、ROC曲线、PCA分析、GSEA/KEGG富集可视化等常用SCI图表类型。把input文件夹中的数据替换为自己的数据，在Rstudio中运行脚本即可出图，适合论文配图、课题探索与文章复现。

包体共六百九十个文件，约九十点二兆字节。核心为五十个R脚本，另有二百九十三张PNG示例图、一百一十一个XLS数据表、一百零二个HTML富集分析页、五十五个PDF说明文档和若干txt/gmt辅助文件，便于对照结果理解参数。已有一千一百一十人学习下载，这套即取即用的绘图模板覆盖多组差异比较、生存分析和富集分析等场景，能显著节省科研绘图时间。

1. 50套R语言SCI绘图脚本：为什么我建议你直接从这套代码改起

如果你跟我一样被SCI审稿人打回过“图太简陋”，或者在Rstudio里从零写一张火山图写到半夜，那你应该能理解：科研绘图真正贵的不是画图那一下，而是从数据清洗到出图参数的整个过程。这套资源我拿到手第一反应是，它把我过去两年积累的ggplot2、pheatmap、ComplexHeatmap、ggpubr等用法直接做成了50套可跑的R语言脚本，每套自带示例数据和出图逻辑，适用场景覆盖转录组、生信富集、临床预后这类最常被要求“重画”的图形。

它不是一个教学PPT，也不是把一堆代码扔给你自己琢磨。它更像一个可复现的起点：你要做的不是看懂每一行，而是找到跟你课题最接近的那一套，替换数据、改改颜色和坐标轴，就能在半小时内得到一张符合投稿规范的矢量图。适合正在写毕业论文、补实验数据、赶返修材料的人，也适合刚接触R语言但不想从函数手册啃起的新手，甚至是只想把origin那套图换成R出图风格的熟手。

2. 环境先行：Rstudio中把这套绘图脚本跑起来的配置顺序

2.1 版本与包管理：先用一棵“依赖树”看这套脚本

很多人在R语言绘图资源上翻车的第一个点不是代码本身，而是R版本和包版本对不上。拿到这50套脚本后，别急着立刻source，先去看它依赖哪些包。我过了一遍，核心依赖集中在 ggplot2、dplyr、tidyr、ggpubr、pheatmap、ComplexHeatmap、RColorBrewer、scales、gridExtra 和 survival 这几个上，其中ggplot2的版本建议在3.4以上，但不是越新越好。

判断方法很简单：脚本头注释里如果写了library(ggplot2)，那么ggplot2版本至少得支持theme()和element_text()的最新参数。我一般会打开Rstudio的Session Info看一眼，或者直接在控制台跑一句packageVersion("ggplot2")，把结果和脚本注释里要求的版本对照。版本追得太新，有些老脚本用的aes_string()在新版里被废弃，反而要改代码；版本太老，after_stat()这类新写法的图又出不来。所以这套资源的思路是尽量避开版本敏感的函数，遇到确实用了新语法的脚本，脚本里基本会有注释说明需要哪个版本以上。

依赖树还有一个容易忽略的分支：系统级依赖。pheatmap本身是纯R包，但ComplexHeatmap会依赖circlize，而circlize在Linux服务器上安装时需要系统有libcurl、libxml2的开发头文件。你在自己Windows电脑上装好了，换到服务器上Rscript跑就报configuration failed，这不是脚本问题，是系统环境缺东西。我一般先在本地把图跑通，再决定要不要上服务器。

2.2 三步导入：从下载到第一次出图

拿到下载包后，我习惯的步骤是这样的。先把压缩包解压到一个没有中文和空格的路径，比如D:/Rplot_50，然后打开Rstudio，用setwd()设置工作目录，再跑一遍依赖安装。这里我给一个可以直接抄的检查流程：

cd /d/Rplot_50 Rscript -e "options(repos='https://cloud.r-project.org'); install.packages(c('ggplot2','dplyr','tidyr','ggpubr','pheatmap','RColorBrewer','scales','gridExtra'))"

这条命令用Rscript从命令行触发包安装，options(repos=...)指定了清华或云镜像源，避免默认源下载超时。如果你在Rstudio里操作，也可以直接点右下角Packages面板的Install，但命令行方式的好处是会输出每个包的安装日志，哪个包失败一眼就能看到。安装完成后，先别急着看50个脚本，去找名字类似01_quick_start.R或00_check_environment.R的那个文件，这类脚本通常是作者用来做环境自检的。

自检脚本一般会做三件事：检查所有依赖包是否可加载、检查工作目录是否正确、跑一张最简单的散点图验证绘图链通不通。跑通了，说明你的Rstudio环境已经能承接后面的复杂脚本。如果自检脚本报there is no package called 'xxx'，那说明这个包没装上，回到上一步单独装。装的时候注意看有没有ERROR: dependencies 'yyy' are not available这种提示，有的话要先装yyy，这是R包依赖的传递，硬装会一直报错。

这三步走完，理论上你已经能打开任意一个编号脚本，选中全部代码点Run。第一次跑我建议用Rstudio的Source按钮而不是Run，因为Source会完整执行脚本，变量名、函数定义和最后保存文件的语句都不会漏。之后每次修改参数，再按需选中局部代码段执行。

2.3 目录结构：先知道去哪改颜色和尺寸

这类绘图资源通常会把数据、脚本和输出分成三个目录。我看到的这套里面，结构大致是下面的样子：

我特别建议你花半小时把theme_scipub.R或类似的公共函数文件读一遍。因为这50个脚本里可能有20个都在ggplot2后面加了+ theme_scipub()，这个公共函数决定了所有图的字体大小、坐标轴粗细、图例位置和背景网格。你后期想让所有图的标题从14号改成16号，不需要去50个脚本里逐个找，改这一个函数就行。

很多人拿到资源后直接挑一个最像的脚本往里面塞自己的数据，结果图出来的样式和自己想象的不一样，然后又去逐行改。我遇到过类似的翻车：改完数据跑出来坐标轴标签间距挤在一起，以为是数据问题，折腾半天才发现是主题函数里legend.position写死导致图例占了主图位置。所以我的习惯是，正式改数据之前，先跑一遍原始脚本，把原图保存好，之后再改，这个对比步骤能省很多排查时间。

3. 从数据到成图的完整链路：火山图与富集气泡图的改法

3.1 火山图：看懂 log2FoldChange 与 padj 的双重过滤

火山图是转录组差异表达分析的标准出图，也是这套资源里最常被单独拎出来改的脚本。原理上，它把每个基因的差异表达倍数取log2作为横轴，把校正后的p值取负log10作为纵轴，于是显著上调的基因在右上角，显著下调的在左上角，不显著的全部沉到底部。脚本里最关键的一段是阈值过滤，常见写法是|log2FoldChange| > 1且padj < 0.05。

library(ggplot2) library(dplyr) # 读取差异表达结果，通常来自DESeq2或edgeR输出 deg <- read.csv("data/deg_results.csv", row.names = 1) # 双重过滤：倍数变化绝对值大于2，校正p值小于0.05 deg <- deg %>% mutate(threshold = ifelse( abs(log2FoldChange) > 1 & padj < 0.05, ifelse(log2FoldChange > 0, "up", "down"), "ns" )) p <- ggplot(deg, aes(x = log2FoldChange, y = -log10(padj), color = threshold)) + geom_point(size = 1.2, alpha = 0.7) + scale_color_manual(values = c("up" = "#C0392B", "down" = "#2874A6", "ns" = "#B0B0B0")) + theme_classic(base_size = 14) + labs(x = "log2 Fold Change", y = "-log10(adj P value)") ggsave("output/volcano_plot.pdf", p, width = 6, height = 5, dpi = 300)

这里有个容易被新手忽略的细节：mutate()里嵌套了两个ifelse()。外层的ifelse(abs(log2FoldChange) > 1 & padj < 0.05, ...)先做综合判断，是候选差异基因才进入下一步；内层再用log2FoldChange的正负区分上下调。如果只写一层判断，会出现“padj显著但倍数变化极小”的基因被错标成显著，这就是火山图上那些不该出现在两侧的散点的来源。

scale_color_manual(values = ...)里的三个颜色值我建议固定住：上调用红色，下调用蓝色，不显著用灰色。这是期刊最常接受的三色方案，不要换成渐变色。ggsave()里我写了width=6, height=5, dpi=300，这是单栏图的典型尺寸；如果是双栏图，宽度改成7.5到8英寸更合适。这个尺寸后面每套脚本都会用到，先记住这个参数。

3.2 富集气泡图：GeneRatio、Count 与 p.adjust 三列怎么喂进去

富集气泡图是GO或KEGG富集分析结果的标配图形，它用横轴GeneRatio表示注释到该通路的基因占全部基因的比例，纵轴是通路名称，气泡大小代表基因Count，颜色深浅代表p.adjust。这套资源里画气泡图的脚本，核心是把clusterProfiler的输出整理成ggplot2能直接识别的长格式。

library(ggplot2) # 假设enrich结果已存在，包含GeneRatio、Count、p.adjust、Description四列 go <- read.csv("data/GO_enrich_results.csv") # 把Description转成因子并按GeneRatio排序，避免y轴乱序 go$Description <- factor(go$Description, levels = go$Description[order(go$GeneRatio)]) p <- ggplot(go, aes(x = GeneRatio, y = Description)) + geom_point(aes(size = Count, color = p.adjust), alpha = 0.8) + scale_color_gradient(low = "#B03A2E", high = "#F5B7B1") + scale_size_continuous(range = c(3, 10)) + theme_bw(base_size = 13) + labs(x = "GeneRatio", y = NULL, color = "adj P value", size = "Count") ggsave("output/go_bubble.pdf", p, width = 7, height = 6, dpi = 300)

很多人在这一步会遇到图出来之后y轴通路顺序乱七八糟的问题。原因不是数据错了，而是没把Description转成因子并按数值排序。ggplot2的y轴字符变量默认按字母表排序，你必须手动指定因子水平。上面代码里order(go$GeneRatio)这一步就是把通路按GeneRatio从小到大排好，再把这个顺序固化成因子水平。

scale_color_gradient()的参数我一般会按“富集的通路p.adjust越小越红”来调，low端是显著，high端是不显著。注意这里和火山图相反：火山图颜色区分上下调，富集图颜色连续渐变，二者不要套同一个配色习惯。气泡大小方面，scale_size_continuous(range = c(3, 10))里的范围要根据你自己数据里Count的分布微调，Count最大值只有5的时候，range上限设20就会让你的气泡全部变成大饼。

3.3 配色与出图尺寸：把 300 DPI 写进函数而不是记在脑子里

这套50个脚本里，几乎所有ggsave()的参数风格都是统一的：width、height用英寸为单位，dpi=300。但真正到投稿的时候你会发现，不同期刊对图片尺寸的要求不一样。有的要单栏86mm，有的要双栏170mm，还有的只要像素宽度。所以我拿到这套资源后做的第一件事，就是把出图参数从所有脚本里抽出来，写成一个统一的保存函数。

save_fig <- function(p, filename, width = 6, height = 5, device = "pdf") { ggsave(filename, plot = p, width = width, height = height, dpi = 300, device = device) }

这个函数的好处是，你只需要记住save_fig(p, "fig1.pdf")这一句，所有脚本里的ggsave()都可以替换成它。要转成PNG或TIFF时，改device参数就行。我一般PDF用于投稿，PNG用于组会PPT，TIFF用于部分期刊系统要求的分辨率检查，三者用的都是同一个函数入口，不会出现同一个图在两种格式下尺寸不一致的情况。

字体方面也有一个统一约定：所有文本元素建议用theme()统一设置family="sans"，不要在一张图里混用Arial和Helvetica。R在Linux服务器上渲染PDF时，波恩字体匹配不像Windows那么智能，混用字体可能在最后印刷时被字体替换，出现图注字体和其他图不一致的尴尬。统一用sans会省很多事。

4. 这批脚本里最容易被忽略的三个硬点

4.1 因子顺序：图例和坐标轴不听你话的根源

做过几个图之后你就会发现，ggplot2里图例顺序、坐标轴顺序和你的预期对不上，十有八九是因子顺序问题。比如你有一个分组变量Group，值是c("Control", "Treat", "Model")，读入R后默认是字符型，ggplot2按字母排序，于是图例顺序变成Control, Model, Treat，完全打乱了你论文里分组的逻辑顺序。

解决方式是把分组变量先转成factor并显式指定levels：

data$Group <- factor(data$Group, levels = c("Control", "Model", "Treat"))

这套资源里的脚本普遍已经写了这一行，所以直接跑没问题。但换成你自己的数据时，要注意你的分组名和原脚本的分组名是否一致。不一致时，factor()的levels里写的是原脚本的组名，你的数据会变成NA，跑出来的图直接缺一个分组，而且不报错。这是静默错误里最坑的一种。

我一般的检查顺序是：换数据后先跑一个unique(data$Group)，看返回的分组列表，再回过去对照脚本里的levels，二者完全一致才继续。这一步能省掉后面至少十分钟的排查。

4.2 分组颜色固定：换数据后颜色不要跳

另一个我见过很多人踩的地方是，同一张散点图，数据换了一个批次，跑出来两组的颜色对调了。原因在于你没显式固定颜色映射。ggplot2的默认配色是从当前数据的分组水平推导的，数据顺序变了，因子水平顺序变了，颜色分配自然就变了。

在脚本里用scale_color_manual(values = c(...))或scale_fill_manual()固定颜色时，values的顺序一定要和你数据的因子水平顺序对应。推荐写法是：

levels_of_group <- c("Control", "Model", "Treat") colors_for_group <- c("#1F618D", "#B03A2E", "#117A65") data$Group <- factor(data$Group, levels = levels_of_group) p <- ggplot(data, aes(x = time, y = value, color = Group)) + geom_point() + scale_color_manual(values = colors_for_group)

这里遵循一个原则：levels定义和colors定义分开写，不要直接在scale_color_manual()里写颜色字符串。这样当你的数据分组顺序变化时，只需调整levels，颜色自动跟着对应。资源里有一小部分脚本直接把颜色写在scale_color_manual里，我建议你拿到手后统一改成这种分开写的形式，不然下次复用一定会踩颜色跳变的坑。

4.3 字体与中文：PDF 导出发虚的常见原因

很多R语言绘图脚本在屏幕上预览时一切正常，一导出PDF再打开，中文标签变成方框，或者文字边缘发虚。这不是因为你眼睛花，而是R的默认PDF设备对字体处理不完整。Windows环境下，Rstudio里直接ggsave("fig.pdf")用的cairo后端对中文支持时好时坏，尤其是ggplot2里element_text(family="SimSun")这类中文字体设置，导出后几乎必出问题。

我在这套资源的实际使用中，把出图设备统一改成device = cairo_pdf，中文字体才稳定下来。具体到代码里是这样：

ggsave("output/fig_chinese.pdf", plot = p, width = 6, height = 5, device = cairo_pdf())

注意这里device = cairo_pdf()是带括号的调用，不是字符串传参。如果你传device = "pdf"，走的是系统默认的pdf后端，中文字体还是可能丢失。另外，如果你的图里本身不需要中文，我强烈建议图内所有标签都用英文，投稿时也能避免字体匹配问题。把中文留给Excel里的原始数据列名，画图时再改成英文标签，是代价最小、最稳妥的做法。

5. 避坑手册：R语言科研绘图常见的五个翻车现场

5.1 散点标签全部挤成一坨黑疙瘩

现象：画富集图或韦恩图时，geom_text()或geom_label()加的标签在图上挤成一团，交叠在一起完全看不清。

原因：ggplot2的geom_text()默认不会自动避让。标签位置是由你指定的x和y决定的，当多个点的坐标接近时，文本自然叠在一起。很多人以为是字体太小，改小字号后发现更糊了。

解决：改用ggrepel包的geom_text_repel()。它会自动计算标签间的重叠并做偏移，代价是运行速度变慢。我一般在标注基因名、通路名时用geom_text_repel(size=3, max.overlaps=20)。如果你不想要自动偏移带来的随机性，也有一个笨办法：手动给坐标列乘一个1.02的偏移系数，把相邻标签稍微分开。ggrepel是这套资源环境里最好用的后悔药。

5.2 Rstudio里跑中文文本，图出来全是乱码

现象：脚本注释里有中文，或者数据文件里的分组名称是中文，跑出来的图例、坐标轴标签全部变成一个个方块或问号。

原因：Windows下R的默认locale可能不是UTF-8，读取CSV时用了系统默认编码，把UTF-8的中文读成了乱码，后面画图时乱码跟着进了图。

解决：读CSV时明确指定编码，read.csv("data/xxx.csv", fileEncoding = "UTF-8")。如果还乱，就把fileEncoding改成GBK试试，因为部分Windows数据源导出的CSV是GBK编码。另外Rstudio里File > Reopen with Encoding可以直接看到当前文件的真实编码。我的一般习惯是：先把所有数据文件统一转成UTF-8无BOM格式，再在脚本里固定写fileEncoding="UTF-8"，一劳永逸。

5.3 拼多图时图例重复出现，占了一整行空间

现象：用gridExtra::grid.arrange()或cowplot::plot_grid()把四个小图拼成大图时，每个小图都带着自己的图例，拼完之后图例重复，还占掉了大量绘图区域。

原因：拼图前小图各自生成了独立的图例，拼图函数默认不做去重。

解决：在拼图前，从每个子图里提取图例，只保留一个，其余全部删掉。这里给一个常用写法：

library(ggplot2) library(gridExtra) # p1、p2、p3、p4 是四个小图 # 先删掉p1以外的图例 p2_no_legend <- p2 + theme(legend.position = "none") p3_no_legend <- p3 + theme(legend.position = "none") p4_no_legend <- p4 + theme(legend.position = "none") # 保留p1的图例，通过legend.position调整位置 grid.arrange(p1, p2_no_legend, p3_no_legend, p4_no_legend, ncol = 2)

实际投稿时，期刊编辑对小图图例重复这件事非常敏感，经常直接打回要求重拼。我更推荐的做法是：四张小图都用theme(legend.position="none")去掉图例，然后用cowplot::get_legend()单独提取一个图例放到拼图的下方或右侧，这样拼出来干净也专业。

5.4 坐标轴截断后，截断处毫无标记

现象：为了让图更好看，想截断坐标轴，直接在scale_y_continuous(limits=c(0, 50))里写死范围，结果超范围的数据点全部消失，而且截断处没有提示标记。

原因：limits的作用是裁掉数据而不是截断坐标轴。ggplot2本身不提供简单的坐标轴截断标记功能，直接写limits会把超出范围的数据静默删掉，审稿人一眼就能看出异常。

解决：不要用limits做数据截断，改用coord_cartesian(ylim = c(0, 50))。两者区别是：coord_cartesian只放大可视区域，不删除数据点，超出的数据点仍然参与统计和位置计算，只是不显示。如果你的图形要求体现代谢或表达量差异很大，最好的处理是保留完整坐标轴，而不是截断，或者使用分面图把高表达组单独放在一个子图里。

5.5 PDF导出后在阅读器里文字发虚、线条毛糙

现象：同一个代码，输出的PNG很清晰，PDF放大到200%后线条发虚，文字边缘不锐利。

原因：R的默认PDF设备在部分环境下没有开启cairo抗锯齿，或者你导出的PDF实际是矢量没有真正嵌入字体。另外，ggplot2默认的line宽度是以mm为单位，过细的线在印刷时会被削平。

解决：导出时用cairo_pdf()设备，并且把线条粗细整体调大一号。在主图脚本里，可以把geom_line(linewidth=0.8)这类参数统一改成1.0以上，特别是方框、坐标轴线用theme(axis.line = element_line(linewidth=0.8))。如果你要投稿的期刊接受TIFF，直接导300 DPI的TIFF比PDF更省心，字体问题完全绕开。

6. 改脚本不变形：把50套固化成一个科研绘图流水线

6.1 用 config.R 把 DPI、字体、配色收拢到一处

这50套脚本最大的复用价值，不是每张图的代码本身，而是里面沉淀的绘图习惯。我建议你新建一个config.R，把散落在各脚本里的公共参数集中起来。比如字体统一用sans，分辨率固定300 DPI，常用的上调配色、下调配色、不显著配色都定义成变量。这样后续你改任何一个图时，只需要改config.R，所有脚本的风格自动跟着更新。

# config.R BASE_SIZE <- 14 FIG_DPI <- 300 COL_UP <- "#C0392B" COL_DOWN <- "#2874A6" COL_NS <- "#B0B0B0" FONT_FAMILY <- "sans"

之后的脚本里，所有硬编码的theme_classic(base_size=14)、dpi=300都可以替换成引用这些常量。好处是当你准备投稿BMC系列需要把全图字体调到16号时，只需改BASE_SIZE一处。

6.2 用我自己的 theme_scipub() 兜底

我拿到这套资源后的习惯做法是，把它的公共主题函数复制一份，改成自己的theme_scipub()，里面默认开启legend.position = "right"、panel.grid = element_blank()、axis.line = element_line(linewidth=0.8)。然后对自己所有新图强制走这个主题。这样做最大的好处是，你课题组里所有图风格强制统一，不会出现一篇文章里三张图三种背景网格的情况。

6.3 输出自检清单

最后贴上我每次出图前必过一遍的清单：

从那以后，我每次拿到新的绘图脚本，都会强制走一遍这套流程——先看依赖，再跑原图，改配置，最后过自检清单。照着这套做，50套图跑下来，基本不会再在投稿前夜被审稿人打回来重画。希望帮到你。

本文还有配套的精品资源，点击获取