📚 课程目录第2章可视化基础

可视化基础：常见图表类型及工具选择

说到药物数据的可视化，我觉得最核心的问题就两个：用什么图、拿什么画。

你可能手头有海量的化合物活性数据、临床试验的时序记录、或者药物-靶点之间的关联网络。但数据本身不会说话。图表，就是你的翻译官。

这一章，我就带你过一遍实战中最常用的三种图表：折线图、柱状图、网络图。我会结合药物数据的具体场景，说说每种图的脾气秉性，以及我踩过的坑。

折线图：盯着时间轴看变化

折线图在药物数据里出场率极高。说白了，它最适合展示连续变量的趋势。

比如药代动力学(PK)研究，你给大鼠灌了药，然后每隔半小时采血测血药浓度。把时间点放在X轴，浓度放在Y轴，连成线。这就是一条典型的药时曲线。

什么时候用折线图？

时间序列数据（血药浓度 vs 时间）
剂量-效应关系（梯度剂量下的响应变化）
稳定性考察（某个化合物在不同pH下的降解曲线）

我在一个项目里遇到过这样的问题：有同事把不同批次的PK数据放在同一张折线图上，但没注意横轴对齐。结果有的批次是0、0.5、1、2小时，另一批是0、1、2、4小时。折线在中间段直接「断崖」。嗯，这里要注意——折线图的横轴必须是等距或等比的连续变量，否则横轴刻度意义会乱掉。

一个有问题的做法：

# 错：批次A的时间点是[0, 0.5, 1, 2]，批次B的是[0, 1, 2, 4]
# 直接把两个Series画在同一坐标上，不标注横轴偏差
# 结果：一条线在1h处下降，另一条还在升，观众以为差异显著，其实是采样点不同

那怎么才算对？确保X轴的基准统一。要么全用绝对时间，要么全用相对时间，并且在图例或注释里写清楚。

柱状图：比大小，看差异

柱状图就简单多了。你有个分类变量，然后对每个类别展示一个数值。对比意味非常强烈。

药物数据里常见的用法：

不同化合物对同一个靶点的抑制率（IC50值对比）
不同给药组之间的统计学差异（p值标记）
各器官组织中的药物分布浓度

我个人习惯把柱状图和误差线绑定在一起用。只有柱子没有误差线，看着总觉得少了点什么。

我做药物筛选报告时的一个小技巧

不要把30个化合物的IC50全部堆在一根柱子上。阅读效率太差了。我的做法是先排个序，只展示Top 10或者按机制分组。比如激酶类放一起，GPCR类放一起，观众看得舒服，汇报也省事。

柱状图的坑在哪里？我踩过一次——Y轴从非零起点开始。

# 假设两组数据：对照组的抑制率是12%，给药组是18%
# 如果Y轴从10%开始，两组差异会显得特别夸张
# 读者会觉得涨幅很大，但其实只有6%的差距
# 正确的做法：Y轴始终从0开始，除非你明确标注了截断符号

注意：柱状图的柱子长度代表数值大小。如果Y轴不从0开始，柱子长度会失真。这不是简单的视觉问题，在学术发表里属于数据操纵。

网络图：看清药物和靶点怎么「勾搭」

网络图是药物图谱可视化里最「性感」的部分。它展示的是实体和实体之间的关系。

举个具体场景：一个药物可能作用在多个靶点上，每个靶点又参与多条信号通路，每条通路又和若干疾病相关。把这些关系画在一起，就是一张药物-靶点-通路-疾病的四层网络。

网络图由两个核心元素构成：

节点（Node）：代表实体，比如药物、靶点蛋白、基因、疾病
边（Edge）：代表关系，比如「抑制」、「激活」、「结合」

这种图在药物重定位研究里特别有用。你可以快速发现：这个老药居然和一个新靶点有连接？那说不定能换个适应症。

我建议新手先用一个小数据集练手。比如5个药物、10个靶点，关系不超过30条。

# 一个极简的边列表（CSV格式）
drug,target,action
阿司匹林,COX1,抑制
阿司匹林,COX2,抑制
伊马替尼,BCR-ABL,抑制
伊马替尼,c-KIT,抑制
...

有了这个基础数据结构，大部分可视化工具都能直接解析成网络图。

工具选择：用什么画？

工具没有绝对好坏，只有合不合适。我按场景给你分个类：

场景	推荐工具	理由
快速出图，脚本化，批量处理	Python (Matplotlib / Seaborn / Plotly)	生态最强，支持折线+柱状+基础网络
交互式探索，前端展示	D3.js / ECharts	定制化高，支持大规模网络，动画流畅
拖拽式，非编程人员	Cytoscape / Gephi	专门做网络图，开箱即用，布局算法丰富
药物图谱专用，知识图谱	Neo4j + Bloom / yFiles	查询+可视化一体，适合大规模图数据

我个人习惯是：原型阶段用Python快速验证，定稿阶段用D3.js或ECharts做交付。你想想看，如果你要给老板看，拖拽一个Gephi导出的静态图可能不够「高级」；但如果你投期刊，Cytoscape的导出质量非常可靠。

举个Plotly的例子，画一个最简单的折线图：

import plotly.graph_objects as go

fig = go.Figure()
fig.add_trace(go.Scatter(
    x=[0, 0.5, 1, 2, 4, 8],
    y=[0, 12, 45, 78, 92, 88],
    mode='lines+markers',
    name='化合物A'
))
fig.update_layout(title='大鼠口服给药后血药浓度-时间曲线',
                  xaxis_title='时间 (h)',
                  yaxis_title='血药浓度 (ng/mL)')
fig.show()

这段代码跑完，你就有一条标准的药时曲线了。标注点、改颜色、加图例都很直观。

工具选择的黄金法则：

不要为了学工具而学工具。先确认你要讲什么故事，再选顺手的工具。如果数据只有几十个节点，Gephi几分钟搞定；如果数据有几百万条边，那就必须上D3.js或者图数据库了。

最后，我用一张结构图，把这一章的核心逻辑串起来。这张图展示三种图表类型、它们适合的药物数据场景，以及对应的推荐工具。

你看，这张图就是典型的三层结构。顶部是图表类型，中间映射到应用场景，底部推荐工具。你以后做任何可视化汇报，都可以用这种分层法来梳理思路——先定图，再连数据，最后选工具。