如何用 AI 画科研论文配图

论文配图，为什么总在投稿前返工

实验数据有了、图也画了，临到投稿却常常被打回重做。问题多半出在格式细节上：期刊对图的尺寸、字号、线宽各有硬性规范，默认画出来的图往往不达标；配色没考虑色盲友好，多组数据在审稿端难以区分；要带误差棒、显著性标注、面板编号的综合图，手动拼一遍既慢又容易不一致；最后还要同时交矢量图和高分辨率位图。这些调参工作琐碎又反复，常常吃掉投稿前最后的时间。

这个技能能帮你产出什么

它把"出版级图表"所需的格式工作打包成一套方案。样式上，按 Nature、Science、Cell 等期刊规范配置图表尺寸、字号与线宽；配色上，提供 Okabe-Ito、Wong、Paul Tol 等色盲友好调色板；图型上，支持线图、散点图、箱线图、热图以及多面板组合图，并能添加误差棒、显著性标注和面板编号；导出上，可同时生成矢量图（PDF、EPS、SVG）和 300dpi 位图（PNG、TIFF），满足投稿要求。整套流程让研究者少做手动调参，图表也更便于后续复现。

怎么用它

用法是把数据、目标期刊和图表要求用自然语言说清楚，让它直接出图。例如可以这样对它说：

它适合这些场景：实验数据需要整理为符合 Nature 单栏或双栏要求的论文图表；多组结果需要在同一图中用色盲友好方案清晰区分；科研汇报需要带误差棒、显著性标注和面板编号的综合图；投稿前需要同时生成 PDF 矢量图和 PNG/TIFF 预览文件。

大家常问

论文配图为什么在投稿前容易被打回返工？

返工多出在格式细节：图表类型与数据关系不匹配、配色非色盲友好、误差棒未标含义、分辨率或矢量格式不达标，以及没逐条核对目标期刊的尺寸、字号、线宽规范。投稿前按这几项自查，能大幅降低被退改的概率。

科研图的配色为什么要做成色盲友好？

约8%的男性、0.5%的女性存在色觉缺陷，红绿色盲最常见，红绿对比在他们眼中几乎无法区分。科研图首要是准确传递信息，因此应避免只靠颜色区分，配合形状、线型或直接标注，并保证转灰度后仍可分辨。

科研图导出时，矢量格式和位图格式有什么区别？

矢量格式用数学描述线条与文字，无限缩放都清晰，适合统计图表，是投稿首选；位图由像素构成，清晰度靠分辨率（一般≥300dpi），适合显微照片、电泳胶图等连续色调图像。线条文字图优先矢量。

图里的误差棒和显著性标注分别说明什么？

误差棒反映数据的变异或估计的不确定性（标准差/标准误/置信区间），须在图注注明用的是哪种；显著性标注表示组间差异是否达到统计显著（如*、**、***）。两者互补不能互相替代，误差棒重叠也未必不显著。