如何使用R语言绘制Nature级别的图片

# ======================
# 1. 安装与加载必要包
# ======================
# 定义所需的R包名称向量
required_packages <- c("tidyverse", "patchwork", "ggrepel", "viridis", 
                       "ggsci", "RColorBrewer", "ggforce", "ggtext", "scales")

# 检查哪些包尚未安装：比较required_packages与已安装包的差异
new_packages <- required_packages[!(required_packages %in% installed.packages()[,"Package"])]
# 如果有未安装的包，则安装它们
if(length(new_packages)) install.packages(new_packages)

# 加载所有必需的包到当前R
library(tidyverse)     # 数据处理和可视化核心套件（含ggplot2、dplyr等）
library(patchwork)     # 用于组合多个ggplot图形
library(ggrepel)       # 提供避免重叠的智能文本标签
library(viridis)       # 提供科学、美观且色盲友好的颜色渐变
library(ggsci)         # 提供基于顶级期刊（如Nature、Science）的调色板
library(RColorBrewer)  # 提供经典ColorBrewer调色板
library(ggforce)       # 扩展ggplot2功能（如geom_mark_hull用于标注区域）
library(ggtext)        # 支持在图形标题、标签中使用Markdown/HTML格式文本
library(scales)        # 提供调整坐标轴和图例格式的函数

# ======================
# 2. 设置全局图形主题（符合Nature标准）
# ======================
# 自定义一个名为nature_theme的函数，用于定义全局图形样式
nature_theme <- function(base_size = 11, base_family = "sans") {
  # 以theme_minimal为基础，用%+replace%运算符完全替换其部分元素
  theme_minimal(base_size = base_size, base_family = base_family) %+replace%
    theme(
      # 文本元素
      plot.title = element_text(size = 16, face = "bold", hjust = 0.5, 
                                margin = margin(b = 12)), # 主标题：加粗、居中，下边距12点
      plot.subtitle = element_text(size = 12, hjust = 0.5, color = "gray40",
                                   margin = margin(b = 15)), # 副标题：灰色、居中，下边距15点
      axis.title = element_text(size = 12, face = "bold"), # 坐标轴标题：加粗
      axis.text = element_text(size = 10, color = "black"), # 坐标轴刻度标签
      legend.title = element_text(face = "bold", size = 10), # 图例标题：加粗
      legend.text = element_text(size = 9), # 图例项目文本

      # 网格与背景
      panel.grid.major = element_line(color = "gray90", linewidth = 0.3), # 主网格线：浅灰色，细线
      panel.grid.minor = element_blank(), # 隐藏次网格线，使图表更简洁
      panel.border = element_rect(fill = NA, color = "gray70", linewidth = 0.5), # 为每个绘图面板添加细边框
      plot.background = element_rect(fill = "white", color = NA), # 设置整个图形背景为纯白

      # 边距（上、右、下、左）
      plot.margin = margin(15, 20, 15, 20), # 为图形四周留出适当空白

      # 图例样式
      legend.background = element_rect(fill = "white", color = "gray80"), # 图例背景框
      legend.box.background = element_rect(color = "gray80", fill = "white"), # 当有多个图例时的外框
      legend.margin = margin(5, 8, 5, 8), # 图例内部的边距
      legend.key = element_rect(fill = "white"), # 图例中颜色键（小方块）的背景

      # 分面（facet）标签样式
      strip.text = element_text(face = "bold", size = 10), # 分面标签文字：加粗
      strip.background = element_rect(fill = "gray95", color = "gray70") # 分面标签背景：浅灰
    )
}

# 应用自定义主题为后续所有ggplot图形的默认主题
theme_set(nature_theme())

# 设置随机数种子，确保每次运行代码时随机生成的数据和图形布局完全相同
set.seed(2024)

# ======================
# 3. 模拟数据生成
# ======================
# 3.1 模拟单细胞轨迹数据 (子图A)
n_cells <- 300 # 定义模拟的细胞数量
pseudotime <- runif(n_cells, 0, 10) # 为每个细胞生成0到10之间的随机伪时间值
# 根据伪时间将细胞划分为三个阶段
cell_stages <- cut(pseudotime, breaks = c(0, 3, 6, 10), 
                   labels = c("Stage 1", "Stage 2", "Stage 3"))
# 创建一个包含所有单细胞数据的tibble（现代数据框）
trajectory_data <- tibble(
  Cell_ID = sprintf("Cell_%04d", 1:n_cells), # 生成格式化的细胞ID
  Pseudotime = pseudotime, # 伪时间值
  # 基于伪时间计算UMAP坐标（加入螺旋趋势和随机噪声），模拟真实的降维轨迹
  UMAP_1 = pseudotime * cos(pseudotime/2) + rnorm(n_cells, 0, 0.5),
  UMAP_2 = pseudotime * sin(pseudotime/2) + rnorm(n_cells, 0, 0.5),
  Stage = cell_stages, # 细胞所属阶段
  Cluster = sample(1:4, n_cells, replace = TRUE, prob = c(0.3, 0.25, 0.25, 0.2)) # 随机分配聚类
)

# 3.2 模拟基因表达热图数据 (子图B)
genes <- paste0("Gene_", sprintf("%02d", 1:15)) # 生成15个基因的名称
# 生成样本名称：3个阶段，每个阶段5个生物学重复
samples <- paste0("Stage", rep(1:3, each = 5), "_Rep", rep(1:5, 3))

set.seed(123) # 为热图数据设置特定种子，确保这部分数据稳定
# 初始化一个15行（基因）×15列（样本）的零矩阵
expression_matrix <- matrix(0, nrow = length(genes), ncol = length(samples))
rownames(expression_matrix) <- genes # 设置行名为基因
colnames(expression_matrix) <- samples # 设置列名为样本

# 创建生物学上合理的表达模式：模拟基因在不同阶段特异性高表达
expression_matrix[1:5, 1:10] <- expression_matrix[1:5, 1:10] + 2.5  # 基因1-5在早期（样本1-10）高表达
expression_matrix[6:10, 6:15] <- expression_matrix[6:10, 6:15] + 2.0  # 基因6-10在中期高表达
expression_matrix[11:15, 11:15] <- expression_matrix[11:15, 11:15] + 3.0  # 基因11-15在晚期高表达

# 添加随机噪声，模拟真实实验数据中的技术变异
expression_matrix <- expression_matrix + matrix(rnorm(length(genes)*length(samples), 0, 0.3), 
                                                nrow = length(genes))

# 将宽格式矩阵转换为长格式数据框，这是ggplot绘制热图所需的结构
heatmap_data <- as.data.frame(expression_matrix) %>%
  rownames_to_column(var = "Gene") %>% # 将行名转换为"Gene"列
  pivot_longer(cols = -Gene, names_to = "Sample", values_to = "Expression") %>% # 转换列
  mutate(
    Stage = str_extract(Sample, "Stage[123]"), # 从样本名中提取阶段信息
    Stage = factor(Stage, levels = c("Stage1", "Stage2", "Stage3")), # 转换为因子并指定顺序
    Gene = factor(Gene, levels = rev(genes)) # 将基因转为因子，并反转顺序使热图从上到下基因1开始
  )

# 3.3 模拟调控网络数据 (子图C - 简版)
set.seed(123) # 为网络数据设置种子
n_nodes <- 15 # 定义节点数量，减少节点数使图形更清晰

# 在固定网格上创建节点坐标
network_nodes <- tibble(
  Node_ID = paste0("TF_", sprintf("%02d", 1:n_nodes)), # 转录因子节点ID
  # 将节点大致放置在5×3的网格上
  x = rep(1:5, each = 3, length.out = n_nodes),
  y = rep(c(1, 2, 3), times = 5, length.out = n_nodes),
  Type = sample(c("Activator", "Repressor"), n_nodes, replace = TRUE, prob = c(0.6, 0.4)),
  Module = sample(c("Early", "Middle", "Late"), n_nodes, replace = TRUE, prob = c(0.4, 0.3, 0.3))
) %>%
  # 添加轻微随机抖动，避免节点在网格上完全对齐，使图形更自然
  mutate(
    x = x + runif(n(), -0.2, 0.2),
    y = y + runif(n(), -0.2, 0.2)
  )

# 创建边数据（确保from和to不同）
set.seed(456) # 为边的生成使用不同的种子
n_edges <- 25 # 定义边的数量
edge_list <- list() # 初始化一个空列表来存储边

# 使用循环生成边，确保连接不重复且不是自连接
for(i in 1:n_edges) {
  repeat { # 重复抽样直到找到符合条件的节点对
    from_idx <- sample(1:n_nodes, 1) # 随机选取一个起始节点索引
    to_idx <- sample(1:n_nodes, 1) # 随机选取一个终止节点索引
    if(from_idx != to_idx) { # 确保不是同一个节点（避免自环）
      # 检查是否已存在完全相同的连接
      existing <- sapply(edge_list, function(e) 
        e$from == from_idx && e$to == to_idx)
      if(!any(existing)) { # 如果此连接尚不存在
        edge_list[[i]] <- list( # 将此边信息添加到列表中
          from_idx = from_idx,
          to_idx = to_idx,
          Weight = runif(1, 0.4, 1), # 边的权重（强度）
          Type = sample(c("Activation", "Repression"), 1, prob = c(0.7, 0.3)) # 调控类型
        )
        break # 找到有效边，退出当前repeat循环
      }
    }
  }
}

network_edges <- bind_rows(edge_list) # 将边列表转换为一个tibble数据框

# 将索引转换为实际的节点ID和坐标，方便绘图时映射
network_edges <- network_edges %>%
  mutate(
    from = network_nodes$Node_ID[from_idx], # 根据索引获取起始节点名称
    to = network_nodes$Node_ID[to_idx], # 根据索引获取终止节点名称
    from_x = network_nodes$x[from_idx], # 起始节点的x坐标
    from_y = network_nodes$y[from_idx], # 起始节点的y坐标
    to_x = network_nodes$x[to_idx], # 终止节点的x坐标
    to_y = network_nodes$y[to_idx] # 终止节点的y坐标
  )

# 3.4 模拟功能验证数据 (子图D)
# 创建所有条件与检测指标的组合
validation_data <- expand.grid(
  Condition = c("Control", "KO1", "KO2", "OE1", "OE2"), # 实验条件：对照、两个敲低、两个过表达
  Assay = c("Proliferation", "Differentiation", "Migration", "Apoptosis"), # 功能检测指标
  stringsAsFactors = FALSE # 返回字符向量而非因子
)

validation_data <- validation_data %>%
  mutate(
    # 根据条件分配不同的模拟测量值，反映预期的生物学效应
    Value = case_when(
      Condition == "Control" ~ rnorm(n(), 1.0, 0.1), # 对照组的基准值
      Condition == "KO1" ~ rnorm(n(), 0.3, 0.15), # 敲低1：值较低
      Condition == "KO2" ~ rnorm(n(), 0.6, 0.12), # 敲低2：值中等
      Condition == "OE1" ~ rnorm(n(), 1.8, 0.18), # 过表达1：值较高
      Condition == "OE2" ~ rnorm(n(), 1.4, 0.14) # 过表达2：值稍高
    ),
    # 模拟p值：对照设为1，处理组根据效应大小生成不同显著水平的p值
    p_value = case_when(
      Condition == "Control" ~ 1.0,
      Condition %in% c("KO1", "KO2") ~ 10^(-runif(n(), 3, 8)), # 敲低通常效应强，p值很小
      Condition %in% c("OE1", "OE2") ~ 10^(-runif(n(), 2, 6)) # 过表达效应稍弱，p值稍大
    ),
    # 根据p值范围转换为显著性标记符号
    Significance = case_when(
      p_value > 0.05 ~ "ns", # 不显著
      p_value > 0.01 ~ "*", # p < 0.05
      p_value > 0.001 ~ "**", # p < 0.01
      TRUE ~ "***" # p < 0.001
    )
  )

# ======================
# 4. 绘制各个子图（带A、B、C、D标号）
# ======================
# 4.1 子图A：单细胞轨迹图
p_A <- ggplot(trajectory_data, aes(x = UMAP_1, y = UMAP_2)) + # 初始化ggplot，设置x和y轴美学映射
  # 绘制散点：颜色和填充根据Stage，形状根据Cluster
  geom_point(aes(color = Stage, fill = Stage, shape = as.factor(Cluster)), 
             size = 3.5, alpha = 0.85, stroke = 0.8) + # size点大小，alpha透明度，stroke边框粗细
  # 绘制一条连接所有点的路径，用于指示轨迹方向
  geom_path(aes(group = 1), color = "gray40", alpha = 0.6, 
            linewidth = 1.2, linetype = "dashed") +
  # 使用ggforce的geom_mark_hull为每个Stage绘制凸包区域并进行标注
  geom_mark_hull(aes(fill = Stage, label = Stage), 
                 alpha = 0.1, expand = unit(8, "mm"), # alpha区域透明度，expand区域扩展范围
                 concavity = 2, size = 0.5) + # concavity控制凸包形状
  # 手动设置颜色标度（适用于分类变量）
  scale_color_manual(values = c("Stage 1" = "#4E79A7", 
                                "Stage 2" = "#F28E2B", 
                                "Stage 3" = "#E15759"),
                     name = "Developmental\nStage") + # \n在图例标题中换行
  scale_fill_manual(values = c("Stage 1" = "#4E79A7", 
                               "Stage 2" = "#F28E2B", 
                               "Stage 3" = "#E15759"),
                    name = "Developmental\nStage") +
  scale_shape_manual(values = c(21, 22, 23, 24), name = "Cell\nCluster") + # 设置形状编号
  # 添加图形标题和坐标轴标签
  labs(title = "Single-cell trajectory analysis",
       subtitle = "Pseudotemporal ordering reveals developmental continuum",
       x = "UMAP 1", y = "UMAP 2",
       tag = "A") + # 添加"A"标号
  # 精细控制图例的顺序和外观
  guides(
    color = guide_legend(order = 1), # 颜色图例排第一
    fill = guide_legend(order = 1), # 填充图例与颜色图例顺序相同（合并显示）
    shape = guide_legend(order = 2) # 形状图例排第二
  ) +
  # 调整主题元素：将图例放置在图形内部
  theme(
    legend.position = c(0.85, 0.15), # 图例位置（相对坐标：0到1之间）
    legend.box = "vertical", # 多个图例垂直排列
    legend.spacing.y = unit(0.2, "cm"), # 图例项之间的垂直间距
    plot.tag = element_text(size = 24, face = "bold"), # 设置标号样式：大号加粗
    plot.tag.position = c(0.02, 0.98) # 标号位置：左上角（x=2%，y=98%）
  )

# 4.2 子图B：基因表达热图
p_B <- ggplot(heatmap_data, aes(x = Sample, y = Gene, fill = Expression)) +
  # 使用geom_tile绘制热图：每个单元格是一个瓷砖
  geom_tile(color = "white", linewidth = 0.5) + # 设置瓷砖间的白色缝隙
  # 设置填充颜色梯度：使用RdBu（红-蓝）渐变色，但用rev()反转，使高表达为红，低表达为蓝
  scale_fill_gradientn(
    colors = rev(brewer.pal(11, "RdBu")), # 从RColorBrewer包获取11个颜色的RdBu渐变
    limits = c(-2, 4), # 固定颜色映射的值域范围
    breaks = c(-2, 0, 2, 4), # 在图例上显示这几个刻度
    labels = c("-2", "0", "2", "4"), # 图例刻度标签
    name = "Expression\nZ-score", # 图例标题
    guide = guide_colorbar( # 自定义连续型图例（颜色条）的外观
      barwidth = unit(0.5, "cm"), # 颜色条宽度
      barheight = unit(3, "cm"), # 颜色条高度
      title.position = "left", # 标题位置
      title.hjust = 0.5 # 标题水平对齐方式
    )
  ) +
  # 调整坐标轴：取消x轴和y轴的默认扩展（使瓷砖紧贴坐标轴）
  scale_x_discrete(expand = expansion(mult = 0)) +
  scale_y_discrete(expand = expansion(mult = 0)) +
  # 添加图形标题和坐标轴标签
  labs(title = "Dynamic gene expression profiles",
       subtitle = "Stage-specific expression patterns across development",
       x = "Samples (biological replicates)", y = "",
       tag = "B") + # 添加"B"标号
  # 进一步自定义主题
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, size = 9), # x轴标签旋转45度
    axis.text.y = element_text(size = 10, face = "italic"), # y轴（基因名）用斜体
    panel.grid = element_blank(), # 热图中不需要网格线
    legend.position = "right", # 图例在右侧
    legend.title = element_text(angle = 90, vjust = 0.5, hjust = 0.5), # 图例标题旋转90度
    plot.tag = element_text(size = 24, face = "bold"), # 设置标号样式：大号加粗
    plot.tag.position = c(0.02, 0.98) # 标号位置：左上角
  ) +
  # 按Stage对样本进行分面，使不同阶段的样本在x轴上分组显示
  facet_grid(. ~ Stage, scales = "free_x", space = "free_x") # 每个分面x轴独立，空间自由分配

# 4.3 子图C：简版调控网络图 (使用 geom_curve)
p_C <- ggplot() + # 初始化一个空的ggplot，因为我们将分图层添加网络边和节点
  # 第一层：绘制曲线边，使用geom_curve
  geom_curve(data = network_edges,
             aes(x = from_x, xend = to_x,
                 y = from_y, yend = to_y,
                 color = Type, alpha = Weight), # 颜色和透明度根据边属性映射
             curvature = 0.2, # 设置曲线弯曲度
             linewidth = network_edges$Weight * 1.2, # 线宽与权重成正比（注意：此映射在aes外）
             arrow = arrow(length = unit(0.15, "inches"), type = "closed")) + # 添加箭头表示方向
  # 第二层：在边的上方绘制节点，防止边覆盖节点
  geom_point(data = network_nodes,
             aes(x = x, y = y, fill = Module, shape = Type),
             size = 9, color = "white", stroke = 1.5) + # 节点：大尺寸，白色边框
  # 第三层：在节点上添加文本标签
  geom_text(data = network_nodes,
            aes(x = x, y = y, label = str_remove(Node_ID, "TF_")), # 标签只显示编号
            size = 3.5, fontface = "bold", color = "white") +
  # 设置边的颜色标度
  scale_color_manual(values = c("Activation" = alpha("#4E79A7", 0.8), # 激活边用半透明蓝色
                                "Repression" = alpha("#E15759", 0.8)), # 抑制边用半透明红色
                     name = "Regulation\nType") + # 添加图例标题
  # 设置节点的填充颜色标度
  scale_fill_manual(values = c("Early" = "#4E79A7", 
                               "Middle" = "#F28E2B", 
                               "Late" = "#E15759"),
                    name = "Temporal\nModule") + # 添加图例标题
  # 设置节点的形状标度
  scale_shape_manual(values = c("Activator" = 21, "Repressor" = 22), # 21和22是带填充的形状
                     name = "TF Type") + # 添加图例标题
  # 设置边的透明度标度，但不显示对应的图例（guide = "none"）
  scale_alpha_continuous(range = c(0.4, 0.9), guide = "none") +
  # 添加图形标题和副标题
  labs(title = "Transcriptional regulatory network",
       subtitle = "Core circuit governing cell fate decisions",
       x = "", y = "", # 清空坐标轴标签，网络图通常不需要
       tag = "C") + # 添加"C"标号
  theme_void() + # 使用完全空白的主题（无坐标轴、网格、背景等）
  theme(
    # 在void主题基础上，添加回标题和副标题的样式
    plot.title = element_text(size = 14, face = "bold", hjust = 0.5, margin = margin(b = 5)),
    plot.subtitle = element_text(size = 11, hjust = 0.5, color = "gray40", margin = margin(b = 10)),
    legend.position = "right", # 图例在右侧
    legend.box = "vertical", # 多个图例垂直排列
    legend.spacing.y = unit(0.2, "cm"), # 图例项间距
    plot.margin = margin(10, 10, 10, 10), # 图形边距
    plot.tag = element_text(size = 24, face = "bold"), # 设置标号样式：大号加粗
    plot.tag.position = c(0.02, 0.98) # 标号位置：左上角
  ) +
  coord_fixed(ratio = 1) # 固定纵横比为1:1，防止图形拉伸变形

# 4.4 子图D：功能验证条形图
p_D <- ggplot(validation_data, aes(x = Condition, y = Value, fill = Condition)) +
  # 绘制条形图
  geom_bar(stat = "identity", width = 0.7, color = "black", linewidth = 0.4) + # stat='identity'表示直接使用y值
  # 在条形顶端添加误差条（此处为固定值的模拟误差）
  geom_errorbar(aes(ymin = Value - 0.1, ymax = Value + 0.1), 
                width = 0.2, linewidth = 0.5, color = "black") + # width误差条两端短横线的宽度
  # 在条形上方添加显著性标记
  geom_text(aes(label = Significance, y = Value + 0.15), 
            size = 4.5, fontface = "bold", vjust = 0) + # vjust=0使文本底部对齐指定y位置
  # 为每个条件手动指定填充色
  scale_fill_manual(values = c("Control" = "#4E79A7", 
                               "KO1" = "#E15759", "KO2" = "#F28E2B",
                               "OE1" = "#59A14F", "OE2" = "#76B7B2"),
                    name = "Condition") +
  # 调整y轴：底部从0开始，顶部扩展15%的空间用于放置显著性标记
  scale_y_continuous(expand = expansion(mult = c(0, 0.15)), 
                     breaks = seq(0, 2.5, 0.5)) + # 设置y轴刻度间隔为0.5
  # 添加图形标题和坐标轴标签
  labs(title = "Functional validation assays",
       subtitle = "Phenotypic consequences of genetic perturbations",
       x = "Experimental Condition", 
       y = "Normalized Response\n(Relative to Control)",
       tag = "D") + # 添加"D"标号
  # 按检测指标（Assay）进行分面，在一行中显示所有指标
  facet_wrap(~ Assay, nrow = 1) +
  theme(
    axis.text.x = element_text(angle = 45, hjust = 1, size = 10), # x轴标签旋转
    strip.text = element_text(size = 10, face = "bold"), # 分面标签加粗
    panel.spacing.x = unit(1.2, "lines"), # 增加分面之间的水平间距
    legend.position = "none", # 隐藏图例（颜色信息已通过x轴和条形本身展示）
    plot.tag = element_text(size = 24, face = "bold"), # 设置标号样式：大号加粗
    plot.tag.position = c(0.02, 0.98) # 标号位置：左上角
  )

# ======================
# 5. 组合子图并添加主标题
# ======================
# 使用patchwork语法组合图形：| 表示并排，/ 表示换行
final_plot <- 
  (p_A | p_B) /  # 第一行：A和B并列
  (p_C | p_D) +  # 第二行：C和D并列

  # 使用plot_annotation添加整个组合图的主标题、副标题和脚注
  plot_annotation(
    title = '<span style="font-size:22pt; font-weight:bold;">Cellular Plasticity and Fate Determination</span>',
    subtitle = 'An integrated multi-modal analysis of developmental transitions',
    caption = '**Fig. 1 |** Single-cell trajectory analysis reveals developmental continuum (A). \nDynamic gene expression profiles show stage-specific patterns (B). \nCore transcriptional network regulates cell fate decisions (C). \nFunctional validation confirms phenotypic consequences of genetic perturbations (D).',
    theme = theme(
      # 主标题使用ggtext的element_markdown以解析HTML标签（如<span>）
      plot.title = element_markdown(hjust = 0.5, margin = margin(t = 5, b = 10)),
      # 副标题
      plot.subtitle = element_text(hjust = 0.5, size = 14, color = "gray40",
                                   margin = margin(b = 20)),
      # 脚注也使用element_markdown以解析加粗标记（** **）
      plot.caption = element_markdown(hjust = 0, size = 10, color = "gray30",
                                      lineheight = 1.4, margin = margin(t = 20)),
      plot.background = element_rect(fill = "white", color = NA) # 确保组合图背景为白色
    )
  )

# ======================
# 6. 保存高质量图片
# ======================
# 保存为高分辨率PNG（用于在文档、PPT中查看或初步提交）
ggsave("Nature_Main_Figure_with_Labels.png", plot = final_plot,
       width = 16, height = 14, dpi = 600, bg = "white") # 尺寸宽16英寸高14英寸，分辨率600DPI

# 保存为矢量PDF（强烈推荐用于期刊投稿，可无限缩放不失真）
ggsave("Nature_Main_Figure_with_Labels.pdf", plot = final_plot,
       width = 16, height = 14, device = cairo_pdf) # 使用cairo_pdf设备确保字体嵌入

# 在R控制台输出提示信息
cat("✅ 主图已生成完成！\n")
cat("📁 已保存文件：\n")
cat("   • Nature_Main_Figure_with_Labels.png (600 DPI PNG)\n")
cat("   • Nature_Main_Figure_with_Labels.pdf (矢量PDF，推荐投稿使用)\n")
cat("\n💡 图片特点：\n")
cat("   • 符合Nature期刊图形规范\n")
cat("   • 四面板科学叙事结构（A、B、C、D标号清晰）\n")
cat("   • 一致的配色方案和视觉风格\n")
cat("   • 专业标注和科学图注\n")