做了两年多单细胞测序分析，我最大的感触是：很多人的Seurat分析流程跑得通，但一到出图环节就卡住了。倒不是代码报错，而是出来的图总差点意思——颜色土、标签乱、重点不突出，放到文章里自己看着都别扭。DimPlot和FeaturePlot作为Seurat里出镜率最高的两个可视化函数，看似一两行代码就能跑完，但真要讲清楚参数背后的逻辑、调出能直接投稿的图，里面的门道其实不少。这篇内容我打算把这两个函数的参数从头到尾捋一遍，重点聊聊那些默认文档里不会写、但实操中非常关键的小细节，从配色到布局，从数据截断到性能优化，一次讲透。
1. 绘图前的数据基础检查
1.1 三个必查项：Seurat对象结构确认
很多朋友绘图翻车，根子不在画图这一步，而是前面的数据对象没收拾利索。你可以把Seurat对象想象成一个箱子，里面装着表达矩阵、降维结果、细胞注释信息等好几个抽屉，DimPlot和FeaturePlot只是从特定抽屉里取数据来展示。如果抽屉本身是空的或者数据不对，画图函数自然不会给你好脸色。
第一个必查项是DefaultAssay。这一步特别容易忽略，尤其是做过整合分析或者切换过Assay的人。比如你之前用SCTransform处理过数据，又用JoinLayers合并了样本，这时候DefaultAssay到底是RNA还是SCT，直接决定了FeaturePlot里画的基因表达量是哪种来源。如果不确定，跑一句DefaultAssay(object)查一下，或者在画图前用DefaultAssay(object) <- "RNA"显式指定。我自己的习惯是，每次跑新的分析任务前，都先看一眼当前Assay是什么，免得后面所有图都基于错误的数据源。
第二个必查项是meta.data里的分组信息。DimPlot的group.by参数本质上就是在用meta.data里的某一列给细胞着色。很多人group.by传了一个列名结果报错，八成是列名拼写不正确，或者这一列在meta.data里根本不存在。你可以运行colnames(object@meta.data)列出所有列，确认列名无误后再传参。还有一个隐藏细节：如果Idents(object)已经被改过，而你又没指定group.by，DimPlot默认会用当前Idents来分组，这可能会导致图和你的预期不一致。所以，建议画图前先搞清楚当前Idents是什么，必要时用Idents(object) <- "celltype"显式指定。
第三个必查项是降维结果是否齐全。DimPlot默认画UMAP图，如果对象里没有umap这个降维结果，函数会直接报错。同样的道理，FeaturePlot的reduction参数可以指定是umap还是tsne还是pca，你得确认对应的降维结果已经计算过、并且名字没写错。有时候你只跑了PCA没跑UMAP，FeaturePlot默认还是想用UMAP，结果就是报错。养成好习惯：分析流程跑到可视化这一步，先花30秒确认降维结果的存在性，能帮你省下大量排查报错的时间。
1.2 提笔前的三个自检问题
除了检查数据对象，我还建议大家在画图前问自己三个问题，而不是拿起来就画。
第一，这张图的核心信息是什么？是想让读者看到细胞聚类的分群结构，还是想展示某个基因的表达模式，或者是要突出某一群特殊的细胞？这三类需求对应的最优可视化方案是完全不一样的。分群结构适合用DimPlot配离散色板，基因表达适合用FeaturePlot配连续色板，突出亚群则可能需要cells.highlight参数来高亮目标细胞。
第二，读者三秒钟内能抓住重点吗？画图不是给自己看的，而是要给审稿人、给合作者、给将来的自己看的。一张图如果颜色堆砌、标签混乱、图例冗长，读者第一眼茫然，第二眼就会失去耐心。所以，配色要克制，不要五个颜色以上乱用；标签要清晰，字体大小要合适；如果有多重信息，考虑用分面拆开而不是硬塞进一张图。
第三，这张图的尺寸和分辨率满足投稿要求吗？很多人代码跑完了，导出图片时用默认的ggsave参数，结果图很小、字也很小，放到论文里根本看不清。我自己的经验是，单张图导出PDF格式，尺寸至少要比目标版面大1.5倍，这样放进Illustrator排版时还有缩放空间。图片的宽高比也要根据实际内容调整，不要一味追求正方形，长条形的图适合展示分面结果，正方形的图适合展示单panel。
这三个问题想清楚了，再往下走就是具体的技术实现，效率会高很多。你会发现，很多画图时的纠结和返工，其实都是因为一开始没想清楚要表达什么。
2. DimPlot参数调优：从默认参数到精准表达
2.1 分组、标签与点大小：最常用的三个参数怎么配合
DimPlot的核心任务是把细胞的聚类结构画出来，最基础的参数配置大概长这样：
DimPlot(pbmc, group.by = "seurat_clusters", label = TRUE, pt.size = 0.5)这里面group.by指定分组依据，label控制是否在图上显示分组标签，pt.size控制点的大小。
先说label。默认情况下它是FALSE，图上只有颜色没有文字标签。很多新手第一次画图时，分不清哪块颜色对应哪个cluster，这时候把label=TRUE打开就很直观。但要注意，如果聚类数量太多（比如超过15个），标签文字会叠在一起，密密麻麻看不清。这时候有两个解决方案：一是调小label.size，把字号降下来；二是使用repel=TRUE，让标签自动避开重叠区域，这一招在聚类多的时候特别管用。
实际使用中，我更倾向于先把不加标签的图画出来看一眼全局，再用DimPlot(object, group.by="seurat_clusters", label=TRUE, repel=TRUE, label.size=4)画一个带清晰标签的版本用于日常沟通。如果投稿用的图，我通常会把标签去掉，改在图例里标清楚cluster编号，这样画面更干净，也更符合期刊排版的要求。
再说pt.size。这是无数人踩坑的地方。单细胞数据动辄几千上万个细胞，点的大小对画面观感的影响极其显著。点太大，细胞重叠严重，整个图看起来像糊掉的一团；点太小，稀疏区域的细胞看不清，结构不完整。我的经验是：先输出一张默认参数的图，看整体密度分布；如果细胞密集区糊成一团，就把pt.size从默认的0.5往下调，比如0.2甚至0.1；如果稀疏区细胞点太小看不到，就适当往上调。
更深层的问题是，pt.size的值没有绝对标准，它取决于数据的细胞数量——一万人和十万人，同样用0.5，效果完全不同。我通常的做法是：十万人级别的数据，pt.size设成0.01到0.05之间；一万人级别的数据，设成0.2到0.5之间；千人级别的数据，设成0.5到1之间。当然这只是一个粗略的起点，具体还要配合接下来的shuffle参数做微调。
2.2 顺序、高亮与分面：让复杂信息一眼看懂
DimPlot里还藏着几个进阶参数，能极大提升图的信息表达效率。
第一个是shuffle。这个参数控制细胞点的绘制顺序。默认情况下shuffle=FALSE，细胞按原始顺序绘制。问题是，如果某个clusters的细胞恰好排在后面，它会被其他clusters的细胞盖住，导致明明这个cluster存在，但图上看不清它的轮廓。这在高密度区域特别明显。把shuffle=TRUE打开后，细胞绘制顺序被随机打乱，不同clusters的细胞在重叠区域交替出现，每个cluster的轮廓都更清晰。实测下来，数据量越大，这个参数的效果越明显。
第二个是cells.highlight。这个参数用于高亮指定细胞，通常配合cols参数一起使用。比如你想突出某个亚群，可以这样写：
DimPlot(object, cells.highlight = WhichCells(object, idents = "CD8_T"), cols = c("grey80", "red"))这样非目标细胞全部画成灰色，目标细胞画成红色，重点一目了然。这在做数据探索或者给合作者展示某个特定亚群时非常实用。还有一个变体是cells.highlight传一个向量列表，可以同时高亮多个细胞群，每个群用不同的颜色，例如：
DimPlot(object, cells.highlight = list(CD8 = WhichCells(object, idents = "CD8_T"), Mono = WhichCells(object, idents = "Monocyte")), cols = c("grey80", "#E64B35", "#4DBBD5"))第三个是split.by，它可以把图按某个分组变量拆分成多个panel。比如你想看不同样本间的细胞分群差异，可以用split.by = "sample"把两个样本并排展示，方便比较。但我个人的经验是，split.by虽好，但不要滥用——如果分组变量有太多类别（比如5个以上），图会变得很长，阅读体验反而下降。这时候可以考虑用subset先把目标子集挑选出来，再做分面。
这三个参数配合好，DimPlot才能从“能看”进化到“好用”。
2.3 DimPlot的配色实战：自定义色板与分组颜色
DimPlot的cols参数直接控制每个cluster的颜色。默认配色在聚类少时还可以，但聚类一多，相邻颜色容易混淆，尤其是打印出来或者投影到屏幕上时，有些颜色几乎分不清。
我习惯自己定义调色板。最简单的办法是直接传一个颜色的字符向量：
my_cols <- c("#E64B35", "#4DBBD5", "#00A087", "#3C5488", "#F39B7F", "#8491B4", "#91D1C2", "#DC0000", "#7E6148", "#B09C85") DimPlot(object, group.by = "celltype", cols = my_cols)这里用的是一套比较经典的生物医学配色，来自ggsci包里的pal_npg。你也可以直接用ggsci的函数生成色板：
library(ggsci) my_cols <- pal_npg("nrc")(10) DimPlot(object, group.by = "celltype", cols = my_cols)如果聚类数比你提供的颜色数多，Seurat会自动循环使用颜色，这有时候会导致两个不相邻的cluster颜色一模一样，非常坑。解决方案是：要么提供足够多的颜色，要么把聚类数合并。我自己更倾向于把细胞类型注释好，按细胞类型而不是按cluster着色，这样颜色数量可控，语义也更明确。
还有一个实用小技巧：如果只是想给某一个cluster换颜色，可以命名向量传参。比如想突出CD8_T，其他都用灰色，可以这么做：
cell_cols <- setNames(rep("grey80", length(levels(Idents(object)))), levels(Idents(object))) cell_cols["CD8_T"] <- "#E64B35" DimPlot(object, cols = cell_cols)这种用法在做亚群展示和汇报材料时非常常用，比cells.highlight更灵活，因为你可以保留每个cluster在图例里的位置。
3. FeaturePlot参数调优：表达量可视化的核心细节
3.1 slot参数：data、scale.data和counts怎么选
FeaturePlot的作用是在降维图上给每个细胞按某个基因的表达量着色。这里最核心、也最容易被忽略的是slot参数。slot决定提取的是哪套表达量数据，可选值包括"data"、"scale.data"和"counts"。
默认情况下，FeaturePlot用的是"data"，也就是经过NormalizeData处理后的log标准化数据。这套数据的生物学含义是基因的相对表达水平，画出来的渐变比较自然，适合绝大多数场景。我个人的习惯是，95%的情况都用slot="data"，这是最稳妥的选择。
但也有例外场景。比如某个基因的整体表达水平非常低，只有个别的几个细胞高表达，这时候用"data"画出来的图大部分细胞都是浅灰色，高表达的几个细胞勉强泛红，整体动态范围很小。如果换成slot="scale.data"，因为scale后的数据是按基因做了z-score标准化的，可以放大这个基因在细胞间的表达差异，图上的对比会变得明显得多。但这里要强调一点：scale.data里的负值代表低于平均表达水平，用它画图时颜色映射的零点不再是“不表达”而是“平均水平”，含义上和data不完全一样，做解释时要小心。
counts这个选项更少用到，它表示原始的UMI计数，动态范围极广，画出来往往是一个或几个细胞特别亮、其他全是背景色，通常只用于特殊情况下的检查，不适合常规展示。
一句话总结：日常出图用slot="data"，需要放大低表达基因差异时用slot="scale.data"，但要在方法学里说明清楚。我见过一些审稿人对这个细节非常敏感，你用了哪个数据源最好在methods里写明白，避免后续质疑。
3.2 min.cutoff与max.cutoff：如何避免全图一个色
FeaturePlot画出来最难看的情况是什么？就是全图一片淡蓝色，只有零星几个点稍微红一点。这通常是因为基因表达分布极度倾斜：绝大多数细胞表达量很低甚至为0，极少数细胞表达量很高。默认情况下，FeaturePlot会把表达量从0到最大值映射到整个颜色渐变上，结果就是大部分细胞落在颜色的最低端，看起来全图都差不多。
解决这个问题靠的就是min.cutoff和max.cutoff。看一个具体例子：
FeaturePlot(object, features = "IL6", min.cutoff = 0, max.cutoff = 2)这段代码的意思是把表达量低于0的统统当成最低色，高于2的统统当成最高色，2以上的差异不再体现在颜色上。这样即使IL6的表达量峰值高达5，你也能把0到2这个区间内的差异在图上充分展现出来。实际使用中，max.cutoff需要根据基因的表达分布来定，通常可以先用summary(object[["RNA"]]@data["IL6", ])看一眼分位数，然后把max.cutoff设在90%分位数附近，这样颜色渐变覆盖的就是大多数细胞的实际表达区间。
min.cutoff也有妙用。在有些数据里，由于技术噪声，某些基因在几乎所有细胞里都有一个低水平的本底表达。这种情况下，可以把min.cutoff设成一个略高于本底的值，这样只有超过本底的表达才会在图上显色，画面的信噪比会提升不少。
还有一个官方文档里不太起眼但非常实用的参数：order。把order设为TRUE后，表达量高的细胞会绘制在最上层，表达量低的细胞垫在下层。这在基因在少数细胞高表达时特别管用，否则高表达细胞可能被周围大量低表达细胞的点盖住，看不清楚空间分布。我第一次发现这个参数是在画某个marker基因时，当时还在纳闷为什么表达高的细胞在图上反而不明显，后来加了order=TRUE，效果立竿见影。
3.3 blend功能：双基因共表达一图搞定
FeaturePlot里有一个非常有趣的blend参数，可以实现双基因共表达的可视化。当你传features参数两个基因，并且把blend=TRUE打开时，Seurat会为这两个基因分别着色（默认是红绿两色），然后通过颜色混合来展示共表达的区域——两个基因都高的细胞会呈现黄色，只表达基因1的呈红色，只表达基因2的呈绿色。
举个例子：
FeaturePlot(object, features = c("CD3D", "NKG7"), blend = TRUE)这个功能在看共表达关系的时候特别直观。比如你想快速判断某个亚群是否同时表达两个marker，与其分别画两张图再脑内叠加，不如直接生成一张共表达图，一目了然。
但blend模式也有两个限制。第一，它只支持两个基因，想同时看三个基因的共表达就不行了，那得用其他方案（比如自己用ggplot2叠加或者用split.by）。第二，混合后的颜色其实不太好精确解读，因为人类的颜色感知对色相变化比对亮度变化更敏感，所以它更适合探索性分析，投稿正式图我还是会建议拆分成两个单独的FeaturePlot排在同一行，或者用分面展示，这样信息更精确。
另外，blend在某种程度上有视觉欺诈的风险。比如红色通道和绿色通道各自都有本底信号的时候，混合出来的黄色区域可能并不是真正的双高共表达，而是两个本底信号的叠加。所以用blend看图时，最好配合具体的表达量数值做验证，不要只看颜色拍板。
4. 美学定制：从调色板到主题的完整改造
4.1 为什么默认配色总是不够用
Seurat默认配色的最大问题在于，它用的是ggplot2那套均匀色轮，在聚类数多时区分度不够，颜色相邻的cluster容易看混。另外一个很实际的问题是，红绿色盲人群相当常见，而默认配色里恰好就有很多相近的红绿色调，这对阅读人群并不友好。现在不少期刊开始要求图表符合色盲友好标准，所以早点养成换配色的习惯，对以后投稿有好处。
而且，从发表角度来说，默认配色显得很“样板间”，跟几十篇文章的图放在一起，完全没辨识度。我现在习惯根据自己的研究主题定制一套色板，比如肿瘤免疫方向的课题，我常用强对比的暖色系搭配中性灰，这样既能突出目标信号，又不至于花哨。
4.2 离散色板：期刊风格与色盲友好的选择
DimPlot和分组类图形需要用到离散色板，我的首选是ggsci包里的几个系列。
最通用的是NPG（Nature Publishing Group）配色，它源自Nature系列期刊的图表风格，颜色稳重，适合投稿Nature系或者细胞类的期刊。其次是pal_lancet，这是Lancet的风格，颜色偏淡雅，用在临床样本的分组图上非常舒服。还有pal_jama，JAMA系列的配色，偏学术、极简，适合正式的论文大图。
ggsci的用法很简单：
library(ggsci) # NPG：10个颜色 cols_npg <- pal_npg("nrc")(10) # Lancet：9个颜色 cols_lancet <- pal_lancet("lanonc")(9) # JAMA：7个颜色 cols_jama <- pal_jama("default")(7)如果聚类数超过这些色板的最大颜色数，就需要用colorRampPalette扩展：
cols_extended <- colorRampPalette(pal_npg("nrc")(10))(20)还有一个色盲友好的选择是RColorBrewer里的Set2、Dark2系列，颜色数量不多但区分度很好，尤其是Set2的低饱和度配色，看久了不累。
我自己的经验是，离散色板选好后，建议固定下来，在整个项目所有图里统一使用，这样不同图放在一起才成体系，汇报和投稿时整个图片组的风格是统一的，看起来非常专业。
4.3 连续色板：FeaturePlot的正确打开方式
FeaturePlot的底色是连续渐变色，默认是灰色到蓝色。灰色底本身没问题，但蓝色在高表达区的视觉效果不够有冲击力。我更喜欢用viridis色系，尤其是plasma或inferno变体，它们的颜色变化既有亮度又有色相，黑白打印时也能分辨。而viridis本身是蓝-黄渐变，对色盲读者很友好，是学术配色的安全牌。
在FeaturePlot里改连续色板，最直接的方式是改cols参数，传两个或三个颜色：
# 灰色到红色 FeaturePlot(object, features = "CD3D", cols = c("grey90", "red")) # 深蓝到黄色，viridis风格 FeaturePlot(object, features = "CD3D", cols = c("#440154", "#FDE725"))实际上FeaturePlot的cols会被传给ggplot2的scale_color_gradientn，所以你可以传任意多个颜色形成渐变节点，构造更复杂的映射：
FeaturePlot(object, features = "CD3D", cols = c("navy", "purple", "orange", "yellow"))这种多节点渐变的优点是能增加动态范围，但缺点是可能过度夸大低表达区域的差异，导致解读误差。我的建议是，日常列文用三色渐变就足够：浅灰代表不表达，中间色代表中等表达，深色代表高表达。比如c("grey90", "#F0A868", "#B31B1B")，简单清晰，普适性强。
4.4 主题调整与图例优化：投稿级别的细节打磨
很多人在Seurat图形里只关注颜色，却忽略了主题和图例，这恰恰是拉低图形质感的隐形因素。通过DimPlot和FeaturePlot返回的是一个ggplot对象，因此可以直接用ggplot2的主题函数来微调。
比如你想去掉灰色背景、加粗坐标轴、调整图例位置，可以这样：
p <- DimPlot(object, group.by = "celltype", cols = my_cols) p + theme_bw() + theme(panel.grid = element_blank(), axis.line = element_line(color = "black", linewidth = 0.5), axis.text = element_text(size = 10), axis.title = element_text(size = 12), legend.text = element_text(size = 10), legend.key.size = unit(0.4, "cm"))这里theme_bw()是白底黑框，比默认的灰色网格清爽得多；panel.grid = element_blank()去掉网格线，避免网格和细胞点重叠干扰视线；图例字体和键大小的调整则能让整体比例更协调。
图例位置如果默认在图右侧，而你希望放在底部：
p + theme(legend.position = "bottom", legend.direction = "horizontal")如果你用split.by分面，图例会默认重复出现在每个panel上，版面很乱。此时可以用guides(color = guide_legend(override.aes = list(size = 3)))调整图例点的大小，配合分面布局，让整体更整洁。
我个人的经验是：图形主题的调整一次到位，项目里所有图共用一套主题配置，可以封装成一个自定义函数theme_publication()，然后反复调用，省时省力又统一。
5. 常见问题与排查技巧实录
5.1 经典报错与快速定位
画图报错是家常便饭，我挑几个最常见的分享下排查思路。
Error: Assay has not been processed这类报错通常是因为DefaultAssay指定的Assay没有进行过标准化或降维处理。处理办法是检查当前的Assay是不是你想要的那个，如果不是，切换回正确的Assay，或者重新执行处理流程。
Cannot find features这类报错说明你要画的基因名不在表达矩阵里。先确认基因名有没有写错（比如大小写，Seurat里小鼠基因首字母大写、人类基因全大写），再确认这个基因是否落在了Features里。有些基因经过过滤后可能被移除，可以运行rownames(object)检查一下。
还有一个很隐蔽的报错是The following requested variables were not found，这通常是group.by指定的meta.data列名不存在，用colnames(object@meta.data)核对即可。
5.2 图形效果不理想：从灰蒙蒙到看不清
画完发现图灰蒙蒙、表达差异看不清，这几乎都是min.cutoff和max.cutoff没设置好导致的。没有截断时，少数高表达细胞拉高了颜色映射的上限，其余细胞全被压在低值区域，图自然“灰”。我遇到这种情况的第一反应是查看基因表达分位数，再据此设置截断值，效果立竿见影。这个问题的根源不是数据有问题，而是可视化的映射区间没选好。
DimPlot点太大糊成一团，或者点太小看不清结构，这时候优先调pt.size和shuffle。如果数据量极大，可以考虑先把图保存为PDF，然后打开看，因为屏幕上缩放时点的大小观感和打印/PDF呈现还是有差别的，不要只看屏幕就下结论。
5.3 海量数据下的卡顿与内存优化
单细胞数据动辄几万甚至几十万细胞，FeaturePlot默认要绘制所有细胞，画图慢得让人怀疑人生。一个很实用的优化是开启Seurat自带的栅格化，把点转换成位图来绘制：
DimPlot(object, raster = TRUE) FeaturePlot(object, features = "CD3D", raster = TRUE)raster=TRUE之后，大的细胞群会以位图形式呈现，绘制速度和文件大小都会大幅优化，而且图上细胞重叠区域的观感甚至更好。要注意的是，raster图的缩放细节有限，如果你的数据量很小，不要用它。另一个降低渲染压力的方法是用cells参数或者subset先选一个子集再画，比如想看CD4-T的某个marker，先subsets出CD4-T细胞再画FeaturePlot，速度快很多，图也更聚焦。
我在处理一个二十万细胞的样本时，最初用默认参数画FeaturePlot，每次都要等接近一分钟，开了raster=TRUE之后，基本一两秒就出来了，所以强烈建议大数据量的朋友记住这个参数。
6. 除了画图参数，还值得收藏的几个小习惯
有一个我屡试不爽的检查方法：每次画完FeaturePlot，我都会随机抽几个高表达细胞做数值验证，用GetAssayData核对它们的表达量确实比低表达区高，确保图没有骗我。尤其是用了scale.data绘图或者min.cutoff/max.cutoff截断之后，这一步能避免很多“图上看着高、实际数据却不对”的尴尬情况。
还有个细节是关于图片导出的。我会写一个统一的保存函数，用ggsave保存，按需指定格式、尺寸和分辨率。投稿用的图建议导出PDF或TIF，分辨率300dpi以上；日常汇报用PNG就够，尺寸不要小于1500x1500像素，省得投影时糊掉。保存文件名的规范也建议固定下来，比如03_DimPlot_CD4_vs_CD8.pdf这种格式，时间久了翻文件时能省很多力气。
做单细胞可视化这一年多下来，我最大的体会是：画图这件事，七分在数据准备和语义设计，三分在参数调优。数据没理解透，参数调出花来也是空中楼阁；但理解了数据想要传达的故事，合理运用DimPlot和FeaturePlot的隐藏参数，确实能让一张普通的聚类图或者表达图提升好几个档次。希望这篇内容能帮你少走一些弯路，把你自己的图打磨得既准确又好看。
