Cómo hacer un volcano plot para RNA-seq y expresión diferencial (2026)

Todo el propósito es separar la señal del ruido de un vistazo. Eso significa que tres cosas deben quedar sin ambigüedad: dónde están tus cortes, qué puntos los superan y qué puñado de genes vale la pena nombrar.

Paso 1: Describe el gráfico que quieres

Empieza en el editor y dile a la IA qué es la figura. Sé explícito con los ejes, el tipo de datos y los umbrales: la especificidad es lo que convierte una dispersión genérica en un volcano plot correcto.

Un ejemplo completo:

• "Crea un volcano plot de un experimento de RNA-seq que compara tratado vs. control. Eje X de log2 fold-change de −6 a 6, eje Y de −log10 del p-valor ajustado. Usa |log2FC| > 1 y p ajustado < 0.05 como cortes. Colorea los genes sobreexpresados de rojo, los reprimidos de azul y los no significativos de gris, y traza líneas verticales punteadas en ±1 y una línea horizontal punteada al nivel de p = 0.05."

Paso 2: Define los umbrales y sus líneas

Los umbrales son el corazón de la figura, y son justo lo que querrás cambiar sin tener que redibujar. Importan dos cortes:

• Corte de fold-change — típicamente |log2FC| > 1 (un cambio de 2 veces), aunque 0.585 (1.5 veces) y 2 (4 veces) también son comunes.
• Corte de significancia — normalmente el p-valor ajustado (FDR de Benjamini-Hochberg), no el p-valor crudo. 0.05 y 0.01 son los estándares.

Ajústalos conversando:

• "Cambia el corte de fold-change a |log2FC| > 0.585 (1.5 veces)."
• "Usa p ajustado < 0.01 en lugar de 0.05 y mueve la línea horizontal punteada en consecuencia."
• "Pon las líneas de umbral en gris claro y punteadas para que no compitan con los puntos."

Paso 3: Colorea los genes sobreexpresados y reprimidos

El color es lo que hace legible un volcano plot. La convención es un esquema de tres colores: uno para los genes sobreexpresados de forma significativa, otro para los reprimidos de forma significativa, y un gris neutro para todo lo que no superó los cortes.

• "Colorea de rojo los genes sobreexpresados (a la derecha de +1 y por encima del umbral de p); de azul los reprimidos (a la izquierda de −1); y todo lo demás de gris al 40 % de opacidad."
• "Añade una leyenda: rojo = sobreexpresado, azul = reprimido, gris = no significativo."
• "Haz los puntos significativos algo más grandes y los no significativos más pequeños y semitransparentes."

Mantener tenue la nube de no significativos empuja la mirada hacia las esquinas, justo donde está la historia.

Paso 4: Etiqueta tus principales hits

Los revisores quieren ver nombrados los genes destacados, pero un muro de etiquetas solapadas es peor que ninguna. Sé selectivo y deja que la IA coloque el texto sin colisiones.

• "Etiqueta los 10 genes con menor p-valor ajustado con su símbolo génico, usando líneas guía finas y sin texto solapado."
• "Etiqueta solo estos genes: TP53, BRCA1, MYC, EGFR y CDKN1A."
• "Pon en negrita las etiquetas de los tres genes sobreexpresados más significativos."

Aquí es donde describir el cambio supera a colocar cuadros de texto a mano: pides los hits y la IA se encarga de la distribución. Una vez que se vea bien, puedes afinar cualquier etiqueta individual — consulta cómo editar texto y etiquetas en figuras de IA para ediciones de texto puntuales.

Errores comunes (y cómo solucionarlos)

• Usar el p-valor crudo en lugar del ajustado. La inflación por pruebas múltiples hace que todo parezca significativo. Solución: "Gráfica el −log10 del p-valor ajustado (FDR), no el crudo, en el eje Y."
• Ejes asimétricos o truncados que ocultan una dirección. Si el eje X va de 0 a 6, los genes reprimidos desaparecen. Solución: "Haz el eje X simétrico, de −6 a 6, centrado en 0."
• Demasiadas etiquetas. Cuarenta nombres de genes solapados = ilegible. Solución: "Etiqueta solo los 8 mejores hits y elimina el resto."
• Sin líneas de umbral. Los cortes están implícitos pero invisibles. Solución: "Añade líneas punteadas en los cortes de fold-change y de p-valor para que las regiones queden explícitas."
• Esquema de color que ignora la dirección. Un solo color para todos los genes significativos pierde la historia de sobreexpresión/represión. Solución: "Usa colores separados para los genes sobreexpresados y los reprimidos."
• Truncar el −log10(p) en silencio. Los genes con p = 0 se disparan al infinito. Solución: "Limita el eje Y y marca los puntos truncados con una flecha abierta para que sea honesto."

Exporta y úsalo

Cuando la figura esté lista, expórtala para su destino. Pide lo que necesites:

• "Exporta esto como un PNG a 300 DPI con el tamaño de una columna de revista."
• "Dame una versión vectorial (SVG) para colocarla en Illustrator."
• "Exporta a 1200 px de ancho con fondo transparente para mis diapositivas."

Un volcano plot rara vez viaja solo. Si tus resultados de expresión diferencial alimentan una revisión sistemática o estás armando una figura de resultados de varios paneles, combínalo con cómo hacer un forest plot para resúmenes de tamaño de efecto, y vuelve a cómo editar texto y etiquetas en figuras de IA cuando un nombre de gen necesite un retoque de último momento. Todo sigue siendo editable en el editor de SciDraw AI.

Preguntas frecuentes

¿Cómo hago un volcano plot para RNA-seq sin programar? Abre el generador de volcano plots, describe tu comparación (tratado vs. control), indica tus umbrales de log2 fold-change y p-valor ajustado, y la IA construye la figura. Refinas colores, etiquetas y cortes escribiendo instrucciones: no se necesita R ni Python.

¿Qué umbrales debería usar en un volcano plot? Los valores por defecto más comunes son |log2FC| > 1 (un cambio de 2 veces) y un p-valor ajustado < 0.05. Los estudios más estrictos usan |log2FC| > 1 con p ajustado < 0.01. Usa siempre el p-valor ajustado (FDR), no el crudo, e indica tus cortes en el pie de figura.

¿El eje Y debe ser el p-valor crudo o el ajustado? Usa el p-valor ajustado (Benjamini-Hochberg / FDR) graficado como −log10. El RNA-seq prueba decenas de miles de genes, así que el p-valor crudo marcaría como significativos demasiados. Graficar −log10(p ajustado) mantiene honesto tu conjunto de significativos.

¿Cómo etiqueto solo los genes más importantes? Pídele a la IA que etiquete los N genes con menor p-valor ajustado, o nombra los genes específicos que te interesan. Pide líneas guía finas y sin texto solapado para que las etiquetas sigan siendo legibles incluso en un gráfico denso.

¿Puedo hacer un volcano plot también para proteómica o metabolómica? Sí. Los mismos ejes y umbrales se aplican a cualquier experimento de abundancia diferencial: proteómica, metabolómica o single-cell. Solo indícale al generador de volcano plots el tipo de datos y tus cortes, y adapta las etiquetas y el coloreado.

Haz tu volcano plot ahora

Deja de pelearte con geom_text_repel. Describe tus datos de expresión diferencial, define tus umbrales y deja que la IA dibuje una figura limpia, etiquetada y lista para publicar. Abre el generador de volcano plots o entra directo al editor de SciDraw AI y haz tu volcano plot en minutos.