statistical-significance-annotation

图表上的统计显著性标注

概述

统计显著性标注（星号表示法）是放置在比较图上的视觉标记，用于指示组间假设检验的结果。它们由连接两组的括号和表示 p 值范围的星号组成。恰当的标注可确保图表中的视觉结论与定量证据一致，使图表达到可发表的标准并符合科学严谨性。本指南介绍标准惯例、何时以及如何进行标注，并提供可复用的 matplotlib 实现。

核心概念

标准星号表示法

广泛采用的惯例是将 p 值范围映射为星号：

符号	P 值范围	含义
ns	p > 0.05	不显著
*	p <= 0.05	显著
**	p <= 0.01	高度显著
***	p <= 0.001	极显著
****	p <= 0.0001	极其显著

转换函数：

def pvalue_to_asterisk(p: float) -> str:
    """Convert a p-value to standard asterisk notation."""
    if p <= 0.0001:
        return "****"
    elif p <= 0.001:
        return "***"
    elif p <= 0.01:
        return "**"
    elif p <= 0.05:
        return "*"
    else:
        return "ns"

校正后的 p 值与原始 p 值

• 单次比较（一次 t 检验）：使用原始 p 值。
• 多重比较（针对 3 组或更多组进行成对检验、比较多个基因）：使用校正后的 p 值（FDR/Benjamini-Hochberg 或 Bonferroni）。使用原始 p 值进行标注会夸大显著性。
• 预先计算的结果（DESeq2 的 padj、ANOVA 事后检验）：使用已提供的校正值。

选择比较对象

并非每一对组都需要标注。选择符合以下条件的比较：

• 直接支持分析文本中提出的结论
• 具有生物学意义（例如，处理组与对照组，而非对照组 A 与对照组 B）
• 数量有限，以保持图表易读（通常每个面板 1-5 组比较）

决策框架

Does the plot compare groups?
├── No (scatter, heatmap, PCA, line trend) → Do NOT annotate
└── Yes (box, violin, bar, strip)
    ├── Does the analysis claim significance? → Annotate the claimed comparisons
    ├── Exploratory (no specific claim) → Annotate vs control only, or skip
    └── Too many groups (>6 pairwise) → Annotate key comparisons only

场景	是否标注？	比较对象
DEG 箱线图：处理组与对照组	是	处理组与对照组
多组 ANOVA，带事后检验	是	仅标注显著的事后检验比较
10 种细胞类型的基因表达	有选择地标注	仅与参考细胞类型比较
PCA 或 UMAP	否	N/A
热图或火山图	否	N/A
相关性散点图	否	在正文/图例中报告 r 和 p
探索性柱状图，无假设	可选	若适用，与对照组比较

最佳实践

1. 让标注与文本结论一致：图上的每个星号都必须对应分析中描述的统计检验。未经计算检验，切勿进行标注。
2. 多重比较时使用校正后的 p 值：检验不止一对时，务必使用经过 FDR 或 Bonferroni 校正的 p 值。在图例中注明校正方法。
3. 限制标注的比较数量：仅标注与分析结论相关的比较。过度标注会使图表显得杂乱并分散重点。
4. 清晰放置括号：将括号放在数据范围上方，并留出足够的垂直间距，避免与数据点、误差线或其他括号重叠。多个括号应以一致的间距堆叠。
5. 注明统计检验：务必在图表标题、说明或图例中注明所用检验（t 检验、Mann-Whitney U、Wilcoxon、ANOVA + Tukey HSD 等）。
6. 注明样本量：在坐标轴标签（例如，“对照组（n=30）”）或图例中显示每组的 n 值。
7. 使用粗体标题：将图表标题设为 fontweight='bold'，以符合发表要求。

常见陷阱

1. 在多组图中标注所有成对比较

   • 如何避免：只选择由假设驱动的比较。对于 k 个组，k*(k-1)/2 个比较很快就会让图变得难以阅读。只显示与对照组的比较或特定对比。

2. 进行多重比较时使用原始 p 值

   • 如何避免：使用 statsmodels.stats.multitest.multipletests(pvals, method='fdr_bh')，或使用上游工具提供的调整后 p 值（DESeq2 的 padj）。

3. 括号与数据或其他括号重叠

   • 如何避免：为堆叠的括号使用递增的垂直偏移量。将第一个括号放在数据最大值加误差线的上方，然后为每个后续括号增加固定偏移量。

4. 只标星号，却不说明使用了哪种检验

   • 如何避免：始终在图标题或注释中注明检验名称（例如，“Mann-Whitney U 检验”或“Tukey HSD 事后检验”）。

5. 不同图中的标注方式不一致

   • 如何避免：在整个分析中使用相同的 pvalue_to_asterisk() 函数。定义一次并重复使用。

6. 为每组不显著的比较都标注“ns”

   • 如何避免：只有当不显著本身是值得关注的发现时才显示“ns”（例如，显示两种处理之间没有差异）。对于未进行比较的组对，不要标注 ns。

7. 将注释放在数据下方

   • 如何避免：始终将括号和星号放在被比较组的上方，绝不放在下方。

工作流

步骤 1：执行统计检验

在绘图前运行适当的检验并收集 p 值：

from scipy import stats

# Two-group comparison
stat, pval = stats.mannwhitneyu(group_a, group_b, alternative='two-sided')
# or for normal data:
stat, pval = stats.ttest_ind(group_a, group_b)

# Multi-group: ANOVA + post-hoc
from scipy.stats import f_oneway
stat, pval_anova = f_oneway(group_a, group_b, group_c)

# Post-hoc pairwise (if ANOVA significant)
from itertools import combinations
from statsmodels.stats.multitest import multipletests

pairs = list(combinations(["A", "B", "C"], 2))
groups = {"A": group_a, "B": group_b, "C": group_c}
raw_pvals = []
for g1, g2 in pairs:
    _, p = stats.mannwhitneyu(groups[g1], groups[g2], alternative='two-sided')
    raw_pvals.append(p)

# Adjust for multiple comparisons
rejected, adj_pvals, _, _ = multipletests(raw_pvals, method='fdr_bh')

步骤 2：在图中添加括号注释

使用此辅助函数在任意 matplotlib 坐标轴上绘制带星号的括号：

def add_significance_bracket(ax, x1, x2, y, p_value, dh=0.02, barh=0.015, fontsize=11):
    """Draw a significance bracket with asterisk notation between two x positions.

    Args:
        ax: matplotlib Axes object.
        x1, x2: x-axis positions of the two groups (0-indexed).
        y: y-coordinate for the bracket (top of bracket line).
        p_value: p-value for the comparison.
        dh: vertical offset above bracket for the text (in axes fraction).
        barh: height of the bracket tips (in axes fraction).
        fontsize: font size for the asterisk text.
    """
    asterisk = pvalue_to_asterisk(p_value)

    # Draw bracket: two tips and a connecting line
    ax.plot([x1, x1, x2, x2], [y - barh, y, y, y - barh],
            lw=1.2, color='black')
    # Place asterisk text centered above the bracket
    ax.text((x1 + x2) / 2, y + dh, asterisk,
            ha='center', va='bottom', fontsize=fontsize, fontweight='bold')

步骤 3：与 Seaborn 图集成

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# Example: box plot with significance annotation
fig, ax = plt.subplots(figsize=(6, 5))
sns.boxplot(data=df, x="group", y="value", ax=ax, palette="Set2")
sns.stripplot(data=df, x="group", y="value", ax=ax,
              color="black", alpha=0.4, size=3, jitter=True)

# Determine bracket y-position from data
y_max = df["value"].max()
y_range = df["value"].max() - df["value"].min()
offset = y_range * 0.08  # spacing between brackets

# Add brackets for each significant comparison
# pairs_with_pvals: list of (group1_idx, group2_idx, p_value)
pairs_with_pvals = [(0, 1, 0.003), (0, 2, 0.042)]

for i, (x1, x2, pval) in enumerate(pairs_with_pvals):
    bracket_y = y_max + offset * (i + 1)
    add_significance_bracket(ax, x1, x2, bracket_y, pval)

ax.set_title("Gene Expression by Treatment", fontweight='bold', fontsize=14)
ax.set_ylabel("Expression (log2 CPM)")
# Extend y-axis to fit brackets
ax.set_ylim(top=y_max + offset * (len(pairs_with_pvals) + 1.5))

plt.tight_layout()
plt.savefig("expression_comparison.png", dpi=150, bbox_inches='tight')

步骤 4：为分组柱状图添加注释

对于带误差线的柱状图，将括号放在误差线上方：

fig, ax = plt.subplots(figsize=(7, 5))
bar_plot = sns.barplot(data=df, x="gene", y="fold_change", hue="condition",
                       ax=ax, palette="Set2", ci="sd", capsize=0.05)

# For grouped bars, calculate x positions manually
# Each gene has multiple bars offset by group
n_groups = df["condition"].nunique()
n_genes = df["gene"].nunique()
bar_width = 0.8 / n_groups

for gene_idx in range(n_genes):
    # x positions of the two bars within this gene group
    x1 = gene_idx - bar_width / 2
    x2 = gene_idx + bar_width / 2
    # Get the max value + error for this gene
    gene_data = df[df["gene"] == df["gene"].unique()[gene_idx]]
    y_top = gene_data["fold_change"].mean() + gene_data["fold_change"].std()
    p_val = pvals_per_gene[gene_idx]  # pre-computed

    if p_val <= 0.05:  # only annotate significant results
        add_significance_bracket(ax, x1, x2, y_top + 0.1, p_val)

ax.set_title("Fold Change by Condition", fontweight='bold', fontsize=14)
plt.tight_layout()
plt.savefig("fold_change_comparison.png", dpi=150, bbox_inches='tight')

操作指南

1. 始终先执行检验再绘图：应先运行统计检验并保存结果，再编写任何绘图代码。不要在绘图代码块内计算 p 值。
2. 使用一致的样式：在同一分析的所有图中使用相同的 add_significance_bracket 函数和 pvalue_to_asterisk 转换方式。
3. 在解读文字中报告检验详情：展示图表时，说明所用检验、每组的样本数，以及 p 值是否经过调整。
4. 调整 y 轴范围：添加括号后，扩大 y 轴上限以避免内容被裁切。使用 ax.set_ylim(top=...) 或 ax.margins(y=0.15)。
5. 对于 DESeq2/edgeR 结果：直接使用 padj（调整后 p 值）。不要对原始计数重新进行检验。

延伸阅读

• Graphpad：如何报告统计显著性 — 星号标注惯例
• Nature Methods：显著性要点 — 图表的统计学最佳实践
• Weissgerber 等人（2015）超越柱状图和折线图 — 为什么应在统计注释旁显示单个数据点

相关技能

• seaborn-statistical-plots — Seaborn 绘图基础；可在 Seaborn 图表上使用本指南中的注释工作流
• scientific-visualization — 通用科学图表设计原则