跟著Nature paper學繪圖系列教程 | Column圖

2021-02-25 BioMan

撰文：mBioMan

排版：雪民

之前，我們介紹過Graphpad繪圖（參考：Graphpad 9強勢來襲，再添新功能！)，接下來，我們將會為大家準備一系列利用Graphpad繪圖教程，該教程所繪製的圖均來自Nature雜誌文章。

Fig.1c: Characterization of H1c−/−H1e−/− GC B cells.

該圖來自2020年12月9號發表在Nature雜誌的文章「Histone H1 loss drives lymphoma by disrupting 3D chromatin architecture」。

那接下來我們看一下如何繪製：

1.打開Graphpad，創建Column

3.點擊左邊菜單欄中的Graphs下的"New Graph...",Graph family選擇Column,按照下圖紅框標誌選擇好後，點擊OK，出圖4.圖可能比較醜，接著我們來修改一下參數來美化一下。雙擊圖的空白部分，彈出如下窗口，我們接著修改一下Symbols及Error bars中的參數（顏色等），然後點擊OK。5.然後，我們再分析一下這兩組的GC area是否有顯著性差異。點擊左邊菜單欄中的Results下的"New analysis..."或者上方菜單欄中的Analysis,選擇t tests7.點擊OK,可以看到P value為0.0007<0.001，表明WT與H1c-/-H1e-/-間的GC area差異極顯著。②自動添加，單擊Draw下面的第一個圖標，然後選中後，自動添加顯著性差異。BioMan主要報導生命科學領域熱點資訊、解讀前沿進展、分享科研資料。我們組建了10餘個交流群，歡迎大家進群交流。添加公眾號博主微信：mBioMan（下方二維碼），邀你進群。溫馨提示：添加博主時，請備註一下研究方向+單位/學校！

在看，也是一種習慣↓

相關焦點

  • 跟Nature學繪圖:PPT繪製腸道菌群示意圖
    繼續使用PPT跟著Nature學習插圖的繪製。本例使用PPT2019（其他版本也行）繪製，Nature原圖如下，是2020年元月份關於「腸道細菌代謝膳食纖維」的報導配圖。
  • 【繪圖】散點圖+線性回歸,你一定用得到!
    散點圖，作為一種最基礎的圖形，其繪圖方式相當簡單，兩列數值分別作為x軸和y軸即可作圖。但是，正如我們說的，作圖是為了更好地呈現數據中潛在的規律，試想一下，如果我們要分析兩列數據的相關性，該如何從散點圖中呈現呢？
  • 「可愛到爆」的擬人化科研繪圖—肝臟小菇涼
    在很多科研圖中間，有一類圖會特別讓人眼前一亮，那就是「擬人化」的手繪科研圖，就是把科研中比較嚴肅的對象或者功能比如
  • 最新南方CASS教程+視頻講解+插件大合集,小白3天學會繪圖
    最新南方CASS教程+視頻講解+插件大合集，小白3天學會繪圖為了計算土石方工程量,對著方格網，握著計算器,沒日沒夜過:你是不是為了做一份地形圖，面對測量數據不知所措; 你曾經是不是為了把坐標數據輸入到CAD桌面一絲不苟的工作,花費太多的時間,而且還經常出錯
  • 空心籠狀結構 | 科研繪圖系列之3ds Max初級
    這裡是SciArts科研繪圖系列之3ds Max初級教程。籠狀結構是一種常見的結構，下面這篇Science就是一個籠狀結構的材料，由於是初級教程了，這期我們就繪製一下這篇Science的簡化版。【正文】1. 打開我們上期創建的ZIF-67模型(菱形十二面體)，添加晶格命令。顯示支柱和節點，設置半徑為相同的大小，勾選平滑，設置合適的分段數。
  • 今日Paper|強化學習;可重構GANs;BachGAN;時間序列分類等
    from=leiphonecolumn_paperreview0409推薦原因本文的研究內容以及創新點：這是一篇關於文本摘要的文章。from=leiphonecolumn_paperreview0409推薦原因本文的研究目的和創新點：本文針對生成文本摘要任務，提出了一種新的模型，該模型的框架依託深度遞歸生成解碼器（DRGN），它是一種面向序列到序列的編/解碼器模型。
  • 大年初一,單細胞分析從nature communication開始
    辛丑年初始，風風專欄打算開一個新的系列——從零開始單細胞系列一。看到後面帶了個一，大家就可以猜到這是一個長期系列，如果後面有新的內容或者你們有新的單細胞相關的需求，我們可以再開個二，與時俱進嘛！今天大年初一嘛，所以主要是跟大家聊一聊這個系列會有什麼內容。
  • PPT科研繪圖(二):常見球體及衍生系列繪製教程-超實用!
    背景介紹　　01　　繼上一章《》，本章節主要講科研中最常用的球體及其系列的衍生圖的
  • 【C4D教程046】1T、2H、3R三種類型二硫化鉬的畫法
    網上關於MoS2結構的繪圖教程不在少數，我之前也出過一期3DMAX的教程（點擊下方文字可查看）但是這些教程基本上不會告訴你畫的是哪一種MoS2，可能出教程的人自己也不知道MoS2竟然有三種不同的結構（如下圖所示，分別為1T、2H、3R<至於什麼1T'、1T''之類的，此處自動忽略>）。
  • OriginPro:如何獲取Contour圖的自定義邊界【數據繪圖】
    左圖是以，看不出來美國地圖的輪廓；右圖是，一眼就認出是美國的地圖。 一般有如下幾種方法： 本教程告訴你使用插件獲取等高線圖邊界的方法！ 源數據為格式數據。
  • python數據可視化(一)seaborn介紹及繪圖風格設置
    seaborn庫是對matplotlib庫更高級別的封裝，相當於提供了各種統計圖的模板，我們只需要將自己的數據傳入相應的方法即可，所以說，如果你學懂了前面matplotlib中的基礎繪圖方法的話，學習本主題內容將非常輕鬆（註：由於系統編輯器限制，所有代碼行有加粗的無序列表表示。）首先，我們還是來看一下seaborn庫主要學習的內容及篇幅安排。
  • 測繪太麻煩,工程測量計算+Cass各種資料教程,迅速製作不是問題
    人們在工作時，通常會把測量和繪圖的相關工作稱為工程測量，有勘測、設計、施工、竣工、檢測等一系列程序，也離不開南方Cass的幫助。Cass是一套集地形、空間和、數據建庫、土石方算量等功能於一體的軟體系統。
  • 今日Paper | 空間注意力網絡;深度信念網絡;GhostNet;位置預測等
    發表時間：2020/3/11論文連結：https://paper.yanxishe.com/review/14230?from=leiphonecolumn_paperreview0330推薦原因本文已被CVPR2020接收。
  • Graphpad 作圖教程 | 手把手教你繪製「森林圖」
    如下圖選擇「Special uses of column tables」裡的「Metanalysis (forest plot)」子選項，後點擊 「creat」。　　　　4.　　7.　　8.圖做好了就差數據分析了。
  • Python 繪圖庫 Matplotlib 入門教程
    （點擊上方公眾號，可快速關注）來源：強波的技術博客qiangbo.space/2018-04-06/matplotlib_l1/Matplotlib是一個Python語言的2D繪圖庫條形圖，散點圖等。如果你已經有了本文的運行環境，將上面的代碼保存到一個文本文件中（或者通過Github獲取本文的源碼），然後通過下面的命令就可以在你自己的電腦上看到上面的圖形了:python3 test.py 注1：後面的教程中，我們會逐步講解如何定製圖中的每一個細節。例如：坐標軸，圖形，著色，線條樣式，等等。
  • 如何用matplotlib繪圖呢?
    使用過python做數據分析的小夥伴都知道，matplotlib是一款命令式、較底層、可定製性強、圖表資源豐富、簡單易用、出版質量級別的python 2D繪圖庫。matplotlib算是python繪圖的元老級庫，類似程式語言裡的C語言。
  • 在線tSNE分析,精品教程,一學就會,一做就對
    本次教程為大家帶來是，是如何根據表達譜數據，通過運用tSNE分析的方法，顯示樣本與樣本之間的差異性。然後，便是繪圖的時刻了~ggpubr提供了非常多的作圖函數，可以方便大家繪製更美觀的科研做圖。這樣，我們一張tSNE圖就做完啦~當然，我們還不能僅僅滿足於現有的成果，作圖是一個細緻的過程，我們需要精雕細琢。比如我們有時候需要直接在圖上顯示樣本名稱，從圖上反映出樣本之間的分布。
  • R包ComplexHeatmap繪製個性化熱圖
    ComplexHeatmap包由顧祖光博士創建，是一個非常全面的繪製熱圖的R包，可以利用它來繪製許多文獻中的美圖，例如下圖展示的16S文獻分析中的熱圖。使用默認參數，一行命令即可出圖#默認對行和列都進行聚類Heatmap(mat)
  • How to Select a Suitable Column?
    Therefore, you may feel confused about how to choose a suitable column.Common requirements for column are high column efficiency, good selectivity, fast analysis speed, etc.
  • 今日Paper|社交媒體謠言檢測;連續手語識別;細粒度服裝相似性學習...
    from=leiphonecolumn_paperreview0218推薦原因近些年,人們對於社交媒體上的虛假新聞和謠言逐漸關注的起來. 一些虛假的新聞/謠言在經過社交媒體的放大後將產生比較大的影響,甚至造成公眾恐慌. 一些工作嘗試利用各種深度模型來提升檢測效果.本文設計另一種雙向圖卷積神經網絡來同時從上到下+從下到上的進行謠言檢測.實驗結果也驗證了本文算法的有效性。