CommunityBildgithub.com

Publikations-Abbildungen

Erstellung von publikationsreifen wissenschaftlichen Abbildungen (Q1 / High-Impact-Qualität) mit Python matplotlib – exakte Spaltenbreiten, korrekte Schriftarten und DPI, farbblindsichere Paletten, korrekte statistische Annotation, Multi-Panel-Layout, Vektor- und TIFF-Export sowie einen Entwurf der Abbildungslegende.

Was ist Publikations-Abbildungen?

Diese Fähigkeit (Skill) generiert wissenschaftliche Abbildungen in Q1-Qualität, die von Herausgebern von Zeitschriften wie Nature, Cell, ACS oder Elsevier ohne Überarbeitungswünsche akzeptiert werden. Sie automatisiert mechanische Fehler, die zu Ablehnungen führen (z.B. unlesbare 4-Punkt-Schrift, Regenbogenfarben, Balkendiagramme, die n=3 verbergen, undefinierte Fehlerbalken, unscharfe Rastergrafiken), sodass Sie sich auf die Wahl der richtigen Visualisierung konzentrieren können. Der Skill funktioniert in jeder KI-Agenten-Umgebung, die Python ausführen kann (z.B. Claude Code, Cursor, Codex), und benötigt `matplotlib` und `numpy`; `scipy`, `pandas` oder `rdkit` werden nur für spezifische Anwendungen benötigt. Er unterstützt eine breite Palette von Diagrammtypen, darunter Dosis-Wirkungs-Kurven/IC50, Docking-Scores, Molekulardynamik (RMSD, RMSF, Rg, SASA, H-Brücken), ADMET, QSAR, Box-/Violin-Plots mit Signifikanztests, Volcano-Plots, Heatmaps, Überlebenskurven, ROC, Regression sowie chemische Strukturen in ACS-1996-Stil. Der Workflow umfasst die Festlegung der Zielzeitschrift, die Auswahl des geeigneten Diagrammtyps, die Erstellung der Abbildung mit dem mitgelieferten `scripts/pubfig.py`-Modul, eine strenge Qualitätskontrolle (Audit und visuelle Prüfung) und die Ausgabe reproduzierbarer Skripte sowie Vektor- und TIFF-Exporte. Die Regeln für Q1-Qualität umfassen die korrekte Schriftgröße, farbblindsichere Paletten (Okabe-Ito, Viridis), klare statistische Angaben (Einzelwerte, Fehlerbalken als SD/CI, korrekte Tests) und die Vermeidung von visuellem Rauschen (3D, Schatten, Verläufe).

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/neuxora/publication-figures/tree/HEAD

Installed? Explore more Bild skills: steipete/songsee, affaan-m/frontend-design, mattpocock/improve-codebase-architecture · View all 6 →

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation


name: publication-figures description: Erstelle publikationsreife wissenschaftliche Abbildungen (Q1 / High-Impact-Qualität) mit Python matplotlib – exakte Spaltenbreiten, korrekte Schriftarten und DPI, farbblindsichere Paletten, korrekte statistische Annotation, Multi-Panel-Layout, Vektor- + TIFF-Export sowie einen Entwurf der Abbildungslegende. Nutze diesen Skill immer dann, wenn der Benutzer ein Diagramm, eine Grafik, einen Plot, "Grafik", "Abbildung" oder "Figure" für ein Paper, eine Thesis, ein Manuskript, eine Zeitschrifteneinreichung, ein Poster oder eine Gutachterüberarbeitung wünscht – einschließlich Dosis-Wirkungs-/IC50-, Docking-Scores, Molekulardynamik (RMSD, RMSF, Rg, SASA, H-Brücken), ADMET, QSAR, Box-/Violin-Plots mit Signifikanztests, Volcano-Plots, Heatmaps, Überlebenskurven, ROC, Regression, chemische Strukturen ("Strukturformeln": Verbindungsserien, Gerüste mit R-Gruppen, SAR-Panels im ACS-1996-Stil) oder jede Multi-Panel-Abbildung – und auch, wenn sie darum bitten, einen vorhandenen Plot zu korrigieren, umzustylen oder "publikationsreif" zu machen, selbst wenn sie nicht "Publikation" sagen.

Publikationsabbildungen (Q1-Standard)

Ziel: eine Abbildung, die ein Redakteur bei Nature / Cell / ACS / Elsevier ohne den Hinweis "Bitte überarbeiten Sie die Abbildungen" akzeptieren würde, plus den Code, der sie reproduziert. Gutachter beurteilen Abbildungen schnell; die meisten Ablehnungsprobleme sind mechanisch (unlesbare 4-Punkt-Schrift, Regenbogenfarben, Balken, die n=3 verbergen, undefinierte Fehlerbalken, unscharfe Rastergrafiken). Dieser Skill automatisiert diese mechanischen Dinge, sodass die Mühe in die Wahl des richtigen Plots fließt.

Funktioniert in jedem Agenten, der Python ausführen kann. Benötigt matplotlib + numpy; scipy/pandas nur für Fitting-/Statistik-Rezepte, rdkit nur für chemische Strukturen. Fehlt eine Bibliothek, installiere sie (pip install matplotlib scipy pandas) oder führe sie aus mit uv run --with matplotlib --with scipy --with pandas python script.py.

Arbeitsablauf

1. Die Anforderungen klären (nur fragen, was nicht erschlossen werden kann)

  • Zielzeitschrift / Verlag → legt Breite, Schriftgröße, Panel-Label-Stil fest. Unbekannt → generic und so sagen.
  • Breite: einspaltig, 1,5 oder doppelspaltig. Multi-Panel (≥3 Panels) normalerweise = doppelspaltig.
  • Die Aussage: ein Satz, den die Abbildung beweisen muss ("Verbindung 3 ist 10× wirksamer als die Referenz"). Jede Designentscheidung dient diesem Satz.
  • Datenform: n pro Gruppe, Replikattyp (technisch vs. biologisch), was die Fehlerbalken darstellen sollen.

Wenn der Benutzer Daten inline oder als Datei geliefert hat, lese sie vollständig und überprüfe sie (Einheiten, fehlende Werte, offensichtliche Ausreißer), bevor du plottest. Erfinde keine Daten; wenn etwas Benötigtes fehlt (z.B. keine Replikatwerte, nur Mittelwerte), sage dies und plotte das, was vertretbar ist.

2. Wähle den Plot für die Daten, nicht aus Gewohnheit

DatenVerwendeVermeide
Gruppen, kleine n (<~15)Punkte (gejittert) + Mittelwert±SD oder Medianlinie; Box+PunkteBalken+SEM allein (verbirgt n und Verteilung)
Gruppen, größere nBox/Violin + Punkte (subsample bei großen)Dynamit-Balken
Dosis / Konzentration–AntwortPunkte Mittelwert±SD auf log x + angepasste 4PL-Kurve, IC50/EC50 mit 95% CILineare x-Achse, Punkte verbinden
Zeitreihen (MD, Kinetik)Dünne Rohlinie (α≈0,3–0,5) + gleitender Durchschnitt; schattierte SD für ReplikateDicke gezackte Linien, Marker auf 5000 Punkten
Pro-Rest (RMSF, Kontakte)Linie/Stufe gegen Restnummer, annotiere Schlüsselreste/-regionenBalken pro Rest
Ranking (Docking-Scores, Wichtigkeit)Horizontales sortiertes Punkt-/Balkendiagramm, Referenz hervorgehobenUnsorted vertikale Balken, 3D
Zwei kontinuierliche VariablenStreudiagramm + Fit + 95%-CI-Band + r/R², p, n; y=x-Linie für Vorhersage-gegen-BeobachtungUnbeschrifteter Fit
Matrix (Expression, Interaktionen)Heatmap, wahrnehmungsuniform/divergent cmap, geclustert, wenn sinnvolljet/rainbow
Omics differentiellVolcano (log2FC vs −log10 adj. P) mit SchwellenwertenUnadjustiertes P
ProportionenGestapeltes Balken- oder PunktdiagrammKreis / Donut, 3D irgendetwas
Viele Eigenschaften pro Verbindung (ADMET)Heatmap normalisierter Eigenschaften oder Small MultiplesRadar, außer der Benutzer besteht darauf (Fläche verzerrt)
Chemische Strukturen (Serie, Gerüst + R-Gruppen, SAR)pubfig.draw_structures: Vektor, ACS-1996-Stil, ein Maßstab, Gerüst ausgerichtet, fette VerbindungsnummernScreenshots/JPEG von ChemDraw, gemischte Bindungslängen, aromatische Kreise

Rezepte mit funktionierendem Code für alle oben genannten befinden sich in references/recipes.md – lese den benötigten Abschnitt, anstatt von Grund auf neu zu schreiben.

3. Erstelle es mit scripts/pubfig.py

Kopiere scripts/pubfig.py neben das Abbildungsskript (damit das Skript des Benutzers eigenständig läuft und in das Supplementary / Code-Repository kann), dann:

import matplotlib.pyplot as plt, numpy as np
import pubfig

spec = pubfig.setup("acs")    # nature, science, cell, elsevier, acs, rsc, wiley, springer, plos, frontiers, mdpi, ieee, generic
fig, axs = plt.subplots(1, 2, figsize=pubfig.figsize("acs", "double", aspect=0.42))
# ... plot, verwende pubfig.OKABE_ITO Farben (bereits der Standard-Zyklus), pubfig.GREY für Kontrollen
pubfig.label_panels(axs, spec)           # a/b oder A/B je nach Zeitschriftenstil
pubfig.audit(fig, "acs", "double")       # behebe alles, was es meldet, führe erneut aus, bis es sauber ist
pubfig.save(fig, "figures/fig2_dose_response")   # .pdf .svg .tiff(600 dpi, RGB) .png

Was setup() dir gibt, damit du nicht dagegen ankämpfst: Arial/Helvetica Sans in Zeitschriftengröße, obere/rechte Spines aus, nach außen gerichtete Ticks, rahmenlose Legende, Okabe-Ito-Farbzyklus, Viridis-Standard-cmap, TrueType-Schriftarteinbettung (kein Type 3 – viele Einreichungssysteme lehnen diese ab), SVG-Text bearbeitbar gehalten, constrained layout an. Rufe nicht tight_layout() auf oder speichere mit bbox_inches="tight": beides ändert die endgültige Größe und bricht die exakte Spaltenbreite.

Weitere Helfer: sig_bracket(ax, x1, x2, y, p=..., exact=False), p_to_stars(p), format_p(p), check_file(path, journal, width). Strukturen: draw_structures(fig, smiles_or_mols, labels, ncols=, rect_mm=<Fläche oder leere Panelachsen>, core=<Gerüst>), draw_structure(...) für eine, mol_svg(mol) für ein eigenständiges ACS-1996-SVG. Führe python pubfig.py check fig.pdf fig.tiff --journal acs --width double für die Ausgaben als letzte Prüfung aus.

4. Regeln, die Q1 von "Abbildungen überarbeiten" trennen

Diese sind wichtig, weil die Abbildung in ihrer endgültigen Größe gedruckt wird, von Menschen mit Farbenblindheit gelesen wird (~8% der Männer) und auf statistische Ehrlichkeit geprüft wird.

Größe und Schrift

  • Designe in der endgültigen Druckgröße (das macht figsize). Text 5–8 pt in der Endgröße, niemals unter dem Zeitschriftenminimum; Achsenbeschriftungen ≥ Tick-Beschriftungen; eine Schriftfamilie durchgängig.
  • Achsenbeschriftungen: Größe + Einheit in Klammern – Konzentration (µM), RMSD (nm), ΔG (kcal mol⁻¹). Verwende echte Symbole (µ, °, ⁻¹, −) via Unicode oder Mathtext, nicht "uM" oder "-1".
  • Mathtext Sub-/Superskripte (IC$_{50}$, mL$^{-1}$) werden mit 70 % der Beschriftungsgröße gedruckt; audit gibt einen note: aus, wenn dies unter das Zeitschriftenminimum fällt. Die meisten Zeitschriften akzeptieren es, aber für ein striktes Minimum (ACS 4,5 pt) gib diesen Beschriftungen die Größe, die der Hinweis vorschlägt.
  • Linien ≥ 0,5 pt, Marker groß genug, um sie im Druck zu sehen (~3–4 pt).

Farbe

  • Okabe-Ito für Kategorien (Standardzyklus); grau für Kontrolle/Träger/nicht signifikant; dieselbe Verbindung/Bedingung erhält dieselbe Farbe in jedem Panel und jeder Abbildung des Papers.
  • Sequenzielle Daten → viridis/cividis; Daten um Null zentriert (Fold Change, Z-Score, Korrelation) → divergierend RdBu_r mit TwoSlopeNorm(vcenter=0) oder symmetrischen Grenzen. Niemals jet/rainbow.
  • Verlasse dich nicht ausschließlich auf Farbe, wenn es billig ist, einen zweiten Hinweis hinzuzufügen (Markierungsform, Linienstil, direkte Beschriftungen). Rot–Grün-Paare sind tabu.

Statistik (angeben, sonst fragen die Gutachter nach)

  • Zeige einzelne Datenpunkte, wann immer n klein ist. Sage, was die Fehlerbalken sind (SD, SEM, 95% CI) – SD zur Beschreibung der Variabilität, CI für Inferenz; SEM allein wird von vielen Zeitschriften abgeraten.
  • Berichte n und ob die Replikate biologisch oder technisch sind.
  • Nenne den Test, überprüfe seine Annahmen (Normalverteilung, Varianzgleichheit, gepaart vs. unabhängig), korrigiere für multiples Testen (Tukey/Dunnett/Holm/BH). Bevorzuge exakte P-Werte in der Legende oder im Plot, wenn die Zeitschrift es zulässt (format_p); Sterne sind in Ordnung, wenn definiert.
  • Fitte oder teste niemals nur auf Mittelwerten, wenn rohe Replikate existieren. Stutze keine Balkenachse oberhalb von Null.

Chemische Strukturen (siehe references/journals.md → Chemical structures)

  • ACS Document 1996 Stil bei 100 % (Bindung 14,4 pt, Linie 0,6 pt, Arial 10 pt) – draw_structures macht das; füge niemals Screenshots oder JPEGs ein.
  • Ein Maßstab für jede Struktur in der Abbildung (gleiche Bindungslängen); das gemeinsame Gerüst in derselben Ausrichtung (core=); fette Verbindungsnummern, die mit dem Text übereinstimmen; schwarz und weiß.
  • Strukturen nur aus den SMILES/SDF/MOL des Benutzers: Zeichne niemals eine Struktur aus einem Namen, den du "erinnerst", ohne den Benutzer zu bitten, sie zu überprüfen. Bevorzuge seine MOL-Dateien (behalten ihre Ausrichtung); ansonsten SMILES.
  • Farbe nur, um einen Punkt zu verdeutlichen (variierter Substituent, Pharmakophor, Bioisoster): highlight={SMARTS: Farbe}, highlight_style="halo" (Standard, graustufensicher) oder "color"; ≤ 3 Okabe-Ito-Farben, eine Bedeutung pro Farbe im gesamten Paper, in der Legende angegeben. Keine CPK-Färbung jedes Heteroatoms in Schema-/Tabellenstrukturen.
  • Exportiere .mol-Dateien zusammen mit der Abbildung, damit der Benutzer sie in ChemDraw bearbeiten kann; speichere Strukturabbildungen mit 1200 dpi (pubfig.save(..., dpi=1200)).

Layout

  • Panels teilen Achsen/Grenzen, wenn sie verglichen werden sollen; richte sie aus; beschrifte Panels mit fetten Buchstaben im Stil der Zeitschrift (Nature/Elsevier Kleinbuchstabe a, Cell/ACS/Science Großbuchstabe A).
  • Legenden innerhalb des freien Bereichs der Achsen oder direkte Beschriftungen an den Linienenden; keine Titel innerhalb des Plots (die Legende/Bildunterschrift trägt den Titel); keine Gitterlinien, es sei denn, das Ablesen exakter Werte ist wichtig (dann hellgrau, 0,3 pt).
  • Entferne Chartjunk: kein 3D, keine Schatten, keine Verlaufsfüllungen, keine umrahmten Legenden, keine redundanten Farbskalen.

5. Überprüfe, bevor du es übergibst

  1. pubfig.audit(...) gibt keine Probleme zurück.
  2. python pubfig.py check <files> --journal J --width W → OK für das PDF und das TIFF.
  3. Betrachte das PNG (öffne/zeige das Bild). Überprüfe auf: überlappende Beschriftungen/Legende auf Daten, abgeschnittenen Text, Panel-Buchstaben, die mit Tick-Beschriftungen kollidieren, unlesbare dichte Punkte, Farben, die über Panels hinweg inkonsistent sind. Behebe und rendere erneut – der erste Render ist selten endgültig.

6. Liefern

Lege die Ausgaben in einem figures/-Ordner ab (oder wo der Benutzer es wünscht):

  • figX_name.pdf (+ .svg) – Vektor, für Einreichung/Bearbeitung in Illustrator/Inkscape
  • figX_name.tiff – 600 dpi RGB (300 für Fotos, 1000–1200 für reine Strichzeichnungen, falls die Zeitschrift es verlangt)
  • figX_name.png – Vorschau
  • figX_name.py + pubfig.py – reproduzierbares Skript
  • figX_name_legend.md – Entwurf der Abbildungslegende, in der Sprache des Benutzers, sofern nicht die Zeitschriftensprache abweicht:
**Abbildung X. <Ein-Satz-Überschrift, die das Ergebnis angibt.>** (a) <Was geplottet ist, Achsen, Bedingungen.> (b) ...
Daten sind Mittelwert ± SD von n = 3 unabhängigen Experimenten (biologische Replikate), jedes in technischem Triplikat; Punkte zeigen einzelne Replikate.
Kurven sind Vier-Parameter-Logistik-Fits; IC50-Werte (95% CI) sind in der Legende angegeben. Statistische Signifikanz: einseitige ANOVA mit Dunnett's Post-hoc-Test gegenüber dem Träger; *P < 0,05, **P < 0,01, ***P < 0,001.

Danach informiere den Benutzer kurz: was jedes Panel zeigt, die von Ihnen berechneten Schlüsselzahlen (IC50s, P-Werte, R²), jede von Ihnen getroffene Ermessensentscheidung (z.B. "SD statt SEM verwendet", "log-transformierte Konzentration") und alles, was sie bestätigen müssen (Zeitschriftenbreite, Replikattyp).

Referenzdateien

  • references/recipes.md – getesteter Code für jeden Plottyp: Gruppenvergleich + Statistik, Dosis-Wirkung 4PL/IC50, MD-Zeitreihen (inkl. GROMACS .xvg-Leser), RMSF, Docking-Ranking & Interaktions-Heatmap, Volcano, geclusterte Heatmap, Regression / QSAR Vorhersage-gegen-Beobachtung, Kaplan–Meier, ROC, ADMET-Heatmap, Multi-Panel-Mosaike, chemische Strukturserien / Gerüste mit R-Gruppen, Struktur + Daten SAR-Panels.
  • references/journals.md – Breiten-/Höhen-/Schrift-/DPI-/Format-Tabelle pro Verlag und die Einreichungsformat-Fallstricke (CMYK, geschichtete Dateien, Bildintegritätsregeln für Blots/Mikrografien).

Verwandte Skills