【实战教学】学姐手把手教你用ChatGPT完美复现CNS图表！

特别鸣谢：本期投稿来自南方医科大学的氢氧根学姐

接下来开始展示美女学姐的经验分享"如何用ChatGPT复现CNS图"

原图来自这篇Nature文章的Fig 2I

文献地址：https://www.nature.com/articles/s41586-024-07630-7

设定角色

首先，我们给GPT定义一个角色，“R语言数据可视化专家”，使得GPT聚焦特定技能：这种指定强调了R语言和数据可视化这两个领域的专业技能，帮助GPT专注于相关的技术和工具，如ggplot2、plotly、lattice等R包。并告诉GPT：我期望GPT在R语言数据可视化方面表现如专家，可以让GPT调整回答的深度和技术细节，以确保信息的准确性和实用性。

明确图标类型和内容

然后，不要着急直接让GPT给出复现代码，而是让GPT解读图片类型和包含的信息，当然，你可以更加明确地指出需要关注哪些信息，比如：

图表类型：首条形图、折线图、散点图、热图、雷达图等。这有助于确定使用哪种R语言的绘图包和函数来复现。

数据信息：数据种类，如数值类型、类别类型等，数据的维度和结构，比如单变量、多变量等。

视觉元素：包括颜色使用、图例说明、标签和标题等，这些都是复现图表时需要准确掌握的细节。

附加特征：比如图中是否有错误条、数据聚合形式（平均数、中位数等）、使用的比例尺或转换（如对数尺度）等。

这个prompt提供了一个明确的任务方向和需要关注的细节，这有助于确保生成的代码能够尽可能接近原图。

选择绘图方法

前面GPT已经识别了特定的图表类型，比如条形图、散点图、折线图等，接下来的这句prompt能让GPT提供适用于R语言中的不同方法或包，来帮助你绘制指定的图表类型。

另外，像这个案例中展示的，GPT一般会给出不同的方法以及各种方法的优缺点，以便你选择最适合展示你数据的图表类型。

生成和使用测试数据

这句prompt为完成任务提供了明确的方向和执行步骤，确保输出的质量和准确性：

明确任务需求：要求在R中生成测试数据并复现图表，这要求GPT不仅提供绘图代码，还需要构造适合的示例数据。

细节规定：要求数据大小和颜色尽可能保持一致，这强调了视觉一致性的重要性，提示GPT在生成图表时需要注意细节的精确匹配。

选择具体的方法：通过指定“用方法1复现”，明确了使用哪种特定的绘图方法。

然后就可以愉快地将代码复制到Rstudio作图啦！

修改和优化

如果代码报错，直接将报错信息扔给GPT就行，它会帮你解决。

最开始，它画的图是这样的：

有点丑，我们提出修改要求让GPT帮我们修改：

如果GPT没有完全理解我们的意思，可以进行澄清：

逐步提出具体的修改需求进行优化我们的图：

最终的代码：

# 安装并加载fmsb包
if (!require(fmsb)) {
    install.packages("fmsb")
    library(fmsb)
}
# 创建雷达图数据
# 假设每个基因有三种不同的细胞类型的表达数据
genes <- c("Prdm1", "Eomes", "Ccr7", "Cxcx3", "Cxcx4", "Cxcx5", "Cxcx6", "Cx3cr1", "Pdcd1", "Tigit", "Lag3", "Havcr2", "Sell", "Cd69", "Cd160", "Crem", "Tbx21", "Tox", "Klrg1", "Prf1", "Gzmb")
min_values <- rep(0, length(genes))  # 假设最小表达值为0
max_values <- rep(1, length(genes))  # 假设最大表达值为1
# 创建三组数据，模拟不同的细胞类型
data1 <- runif(length(genes), 0.5, 1)
data2 <- runif(length(genes), 0.3, 0.7)
data3 <- runif(length(genes), 0.1, 0.5)
# 组成最终的数据框
data <- rbind(min_values, max_values, data1, data2, data3)
# 转换为数据框并添加列名
data <- as.data.frame(data)
colnames(data) <- genes
# 定义点的颜色和填充颜色
point_colors <- c("blue", "red", "black")  # 点的颜色
fill_colors <- c(rgb(0,0,1,0.3), rgb(1,0,0,0.3), rgb(0,0,0,0.3))  # 填充颜色，透明度调至0.3
# 设置图形背景色和绘制雷达图
par(bg="white")  # 设置图形背景色为白色
radarchart(data, axistype=1, 
           pcol=point_colors,  # 点的颜色
           pfcol=fill_colors,  # 填充颜色
           plwd=2,  # 设置线的宽度更细
           plty=1,
           cglcol="grey", cglty=2, axislabcol="white", caxislabels=rep("", length(genes)),  # 将轴标签颜色设置为白色，以隐藏标签
           cglwd=0.8, vlcex=1.2)
# 添加图例，仅含有实心圆点
legend("topright", legend=c("CX3CR1+", "CXCR6+", "CXCR6+  10^8 Ad-HBV"), 
       col=point_colors, pch=19, pt.cex=1.2, 
       pt.bg=fill_colors, bty="n", cex=0.8)

最终出图：

总结GPT复现数据图6大步骤：

1.设定角色：在任务开始时，为GPT设定一个特定的角色，比如“R语言数据可视化专家”。设定角色可以帮助GPT聚焦在特定领域的专业知识和技能，从而提供更准确和专业的建议和代码。

2.明确图表类型和内容：让GPT明确需要复现的图表类型和包含的信息。明确图表的类型（如条形图、散点图、折线图等），识别图表中的数据类型和各个数据点的关系。

3.选择合适的绘图方法：询问在R语言中有哪些方法可以绘制该类型的图表。了解不同的R语言包（如ggplot2、lattice、plotly等）及其适用场景和优缺点，选择最适合当前需求的方法。

4.生成和使用测试数据：生成与原图表数据相似的测试数据，并用选定的方法绘制图表。确保测试数据的大小和结构与原图表一致，并在代码中保持一致的颜色和样式。

5.进行具体的修改和优化：根据需要进行具体的图表修改，如调整点的大小、修改填充色的透明度、调整网格线样式等。明确每一项具体修改的目标和预期效果，通过精细调整提高图表的视觉效果和可读性。

6.迭代和反馈：在每一步完成后进行检查和反馈，必要时进行调整。通过逐步迭代和调整，确保最终结果符合预期，并不断优化图表的各个细节。