ScholarPlot：AI 驱动的顶刊级科研图表生成工具

专为科研人打造，一键生成符合 Nature/Science/Cell/Lancet 标准的专业学术配图

🎯 为什么需要 ScholarPlot？

访问 figure.thirdme.com

科研人的配图之痛

每一位科研工作者都经历过这样的困境：

• 时间黑洞：一张机制图画了三天，实验进度被严重拖延
• 技能门槛：PS、AI、PPT 轮番上阵，依然做不出满意的效果
• 反复修改：审稿人一句"图表不够专业"，又得推倒重来
• 风格不统一：多人协作的论文，配图风格五花八门

ScholarPlot 的解决方案

用 AI 的方式，彻底改变科研配图的工作流。

你只需要用自然语言描述需求——就像和同事交流一样——AI 就能理解你的意图，自动生成符合顶级期刊标准的专业图表。不需要任何设计基础，不需要学习复杂软件，甚至不需要精确的数据格式。

🔬 核心功能详解

1. 自然语言驱动的智能生成

传统配图工具需要你手动设置每一个参数：坐标轴范围、刻度间隔、颜色代码、字体大小……ScholarPlot 完全不同。

你只需要这样说：

“帮我画一张柱状图，对比 Control、Drug A、Drug B 三组的细胞存活率，分别是 100%、75%、45%，加上误差棒和显著性标记”

AI 自动完成：

• 识别图表类型（柱状图）
• 解析数据结构（三组对比）
• 设置合理的坐标轴范围
• 添加误差棒
• 标注显著性符号
• 选择专业配色方案
• 确保白色背景、规范标注

2. 全面覆盖的图表类型

ScholarPlot 支持科研论文中最常用的 20+ 种图表类型，覆盖从基础数据展示到复杂机制说明的所有需求。

📊 数据展示类

图表类型	适用场景	典型应用
柱状图	分类数据对比	不同处理组的表达量对比、不同时间点的指标变化
折线图	连续趋势展示	时间序列数据、剂量-效应曲线、生长曲线
散点图	相关性分析	两变量相关性、回归分析、PCA降维可视化
箱线图	数据分布对比	多组数据分布、异常值展示、中位数对比
热力图	矩阵数据可视化	基因表达谱、相关性矩阵、聚类分析结果

📈 统计分析类

图表类型	适用场景	典型应用
生存曲线	Kaplan-Meier分析	临床试验生存期、无进展生存期、总生存期
结合曲线	亲和力分析	蛋白-配体结合、药物-靶点亲和力、EC50曲线
ROC曲线	诊断性能评估	生物标志物敏感性/特异性、模型预测性能

🔬 实验结果类

图表类型	适用场景	典型应用
Western Blot	蛋白印迹实验	蛋白表达水平、信号通路验证
流式细胞图	流式分析结果	细胞周期、凋亡检测、免疫分型
显微镜图	形态学展示	细胞形态、组织切片、免疫荧光

🧬 机制说明类

图表类型	适用场景	典型应用
机制示意图	分子机制解释	信号通路、调控网络、作用机制
流程图	实验/分析流程	研究设计、方法学流程、数据处理管线
模型图	假说/理论展示	研究假设、理论模型、概念框架

3. 符合顶刊发表标准

ScholarPlot 生成的每一张图表，都严格遵循 Nature、Science、Cell、Lancet、NEJM 等顶级期刊的配图规范：

视觉规范

• 纯白背景：符合期刊印刷要求
• 专业配色：避免过于鲜艳或对比度不足的颜色
• 清晰边框：坐标轴、刻度线粗细适中
• 合理留白：四周边距充足，不显拥挤

标注规范

• 规范字体：使用 Arial、Helvetica 等无衬线字体
• 适当字号：确保缩小后仍清晰可读
• 完整单位：坐标轴标注包含物理量和单位
• 清晰图例：图例位置得当，不遮挡数据

数据呈现规范

• 误差展示：正确标注标准差或标准误
• 显著性标记：规范使用 、、 等符号
• 统计信息：必要时包含 p 值、n 数等

4. 对话式迭代优化

第一次生成的图表可能不完全符合你的预期——这很正常。ScholarPlot 支持对话式的迭代优化：

初次生成后，你可以继续说：

“把颜色改成蓝色系”

“字体再大一点”

“Y轴范围改成0到150”

“添加一条虚线表示阈值”

“把图例移到右上角”

AI 会在原有图表基础上进行修改，直到你完全满意。这个过程就像和设计师沟通一样自然，但响应速度快得多。

5. 多语言支持

ScholarPlot 支持中英文两种输出语言，你可以根据目标期刊的要求选择：

• 英文输出：适用于 SCI 期刊投稿
• 中文输出：适用于中文期刊、学位论文、课题申报

语言设置只影响图表中的文字标注（坐标轴、图例、注释等），数据展示方式保持一致。

📋 典型使用场景

场景一：SCI 论文投稿

需求：导师要求一周内完成论文修改，审稿人指出"Figure 2 的配图不够专业"。

传统方式：重新学习 GraphPad Prism 或 R 语言 ggplot2，花 2-3 天调整配色、字体、布局……

使用 ScholarPlot：

1. 描述原图的数据和存在的问题
2. 10秒生成新图
3. 根据审稿意见迭代 2-3 轮
4. 30分钟内完成所有配图修改

场景二：组会汇报

需求：明天组会要汇报最新数据，需要几张清晰的结果图。

使用 ScholarPlot：

1. 直接描述实验结果数据
2. 快速生成多张图表
3. 统一风格，直接用于 PPT

场景三：学位论文

需求：硕士/博士论文需要大量配图，而且风格必须统一。

使用 ScholarPlot：

1. 确定一种图表风格
2. 用相同的描述模板生成所有图表
3. 保证全文配图风格一致

场景四：课题申报

需求：国自然申请书需要清晰的技术路线图和研究框架示意图。

使用 ScholarPlot：

1. 描述研究思路和技术路线
2. AI 生成专业的流程图和机制图
3. 提升申请书的视觉专业度

🔌 多种接入方式

Web 界面

最直观的使用方式，适合日常使用：

1. 访问 figure.thirdme.com
2. 登录账号
3. 点击「新建图表」，描述需求，生成图表

REST API

适合需要批量生成或集成到自己工作流的用户：

# 发起生成请求
curl -X POST https://figure.thirdme.com/api/v1/charts/generate \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "description": "三组样本的蛋白表达水平对比柱状图",
    "chartType": "bar",
    "language": "en",
    "aspectRatio": "16:9",
    "imageSize": "2K"
  }'

# 查询生成状态
curl https://figure.thirdme.com/api/v1/charts/status/{taskId} \
  -H "Authorization: Bearer YOUR_API_KEY"

MCP 协议

支持 Model Context Protocol (MCP)，可与 Claude Desktop、Cursor 等 AI 工具无缝集成。配置后，你可以直接在这些工具中通过对话生成科研图表。

🎨 设计理念

为什么选择 AI 生成而非模板？

传统的图表工具提供大量模板，但模板的问题在于：

• 需要精确匹配你的数据结构
• 调整灵活性有限
• 风格选择受限于模板库

AI 生成的优势：

• 理解意图：不需要精确格式，自然语言即可
• 无限灵活：任何你能描述的图表都能生成
• 持续进化：AI 模型不断升级，能力持续增强

为什么基于 Nano Banana？

ScholarPlot 底层使用 Google 的 Nano Banana 模型（Gemini 3 Pro Image），这是目前最先进的多模态 AI 模型之一：

• 强大的自然语言理解能力
• 精准的图像生成能力
• 对科学图表的专业理解

结合 ScholarPlot 针对科研场景优化的提示词工程，能够稳定输出高质量的学术图表。

---

ScholarPlot — 让每一位科研人都拥有专业的配图能力