Paletas de colores científicas para artículos de investigación: referencia completa con códigos HEX
Paletas cualitativas, secuenciales y divergentes para figuras científicas. Selecciones seguras para daltonismo, tablas HEX listas para usar y reglas para visualizaciones con calidad de publicación.
El color es metadato silencioso. Antes de que un lector descifre una sola etiqueta de eje, la paleta de tu figura ya ha señalado si eres cuidadoso o descuidado, accesible o excluyente, listo para publicar o ensamblado con prisa. Sin embargo, la mayoría de los investigadores eligen los colores por intuición —o simplemente aceptan lo que Matplotlib o Excel ofrecen por defecto.
Esta guía de referencia corrige eso. Aprenderás las tres familias de paletas que todo científico necesita, obtendrás tablas HEX listas para copiar de siete paletas de uso inmediato y te llevarás reglas concretas de qué hacer y qué no para figuras que puedes enviar con confianza.
Qué aprenderás:
La diferencia entre paletas cualitativas, secuenciales y divergentes, y cuándo cada una es la correcta
Qué paletas son seguras para el ~8 % de lectores con deficiencia en la visión del color
Siete paletas de uso inmediato con códigos HEX completos
Reglas prácticas para aplicar color en figuras científicas reales
Una paleta deficiente no es simplemente poco atractiva: puede inducir a error activamente. Los mapas de color arcoíris ("jet") crean fronteras falsas donde no existe ninguna en los datos. Los contrastes rojo-verde desaparecen por completo para los lectores con deuteranopía (la forma más común de daltonismo). Los colores cualitativos inconsistentes entre paneles obligan a los lectores a decodificar la leyenda cada vez que cambian de panel.
Revistas como Nature, Science y PNAS piden cada vez más a los autores que garanticen que las figuras sean "accesibles para lectores daltónicos", y varios editores rechazan figuras que no superan una prueba básica de conversión a escala de grises. Elegir la paleta adecuada desde el principio ahorra ciclos de revisión.
Davie Chen is a researcher at the Faculty of Animation and Intermedia, University of Arts in Poznan, studying generative AI for scientific figure creation, patent illustration, and manuscript drafting. SciDraw AI is one of the research-to-product tools built from this work.
Miles de investigadores usan SciDraw AI para crear en minutos figuras listas para publicar en artículos, solicitudes de financiación y envíos a revistas, sin experiencia en diseño.
Usar cuando: Se codifica una variable numérica que va de baja a alta — nivel de expresión génica, temperatura, concentración, magnitud del valor p.
Principio clave: La paleta debe ser perceptualmente uniforme: pasos iguales en los datos deben verse como pasos iguales en el color. Esto descarta la mayoría de los gradientes hechos a mano.
Error a evitar: Usar una paleta divergente de dos extremos cuando el cero no es un punto de referencia significativo.
Usar cuando: Se codifican datos donde el punto medio es significativo — cambio de pliegue (centrado en 1 o log2-fold = 0), coeficientes de correlación (centrados en 0), mapas de anomalías (centrados en la media histórica).
Principio clave: Los dos extremos deben estar igualmente saturados y el punto medio debe ser un color neutro y claro (cercano al blanco o gris claro), no un tercer tono saturado.
Error a evitar: Una paleta divergente donde el punto medio neutral es un color brillante no relacionado — esto crea una falsa tercera categoría.
Las tres familias de paletas — cualitativa, secuencial y divergente — codifican cada una un tipo distinto de datos científicos.
Aproximadamente el 8 % de los hombres y el 0,5 % de las mujeres tienen alguna forma de deficiencia en la visión del color. La deuteranopía y la protanopía (deficiencia rojo-verde) son las más comunes. La tritanopía (azul-amarillo) es más rara, pero aún afecta a una fracción significativa de los lectores.
La prueba más rápida: Convierte tu figura a escala de grises. Si todas las categorías siguen siendo distinguibles, tu figura supera la verificación de accesibilidad más básica.
La prueba definitiva: Pasa tu imagen por Coblis (simulador de daltonismo) o usa el módulo colorblind de Python para simular deuteranopía, protanopía y tritanopía. Antes de enviar a cualquier revista, pega tu figura en el comprobador de figuras de SciDraw AI para detectar automáticamente problemas de accesibilidad y formato.
Diseñada por Masataka Okabe y Kei Ito específicamente para la accesibilidad en daltonismo (referencia CUD original). Se desarrolló empíricamente en lugar de a partir de una fórmula, y es la opción predeterminada recomendada para figuras científicas cualitativas en la mayoría de las guías de estilo modernas.
Muestra
Nombre
HEX
RGB
■
Negro
#000000
0, 0, 0
■
Naranja
#E69F00
230, 159, 0
■
Azul cielo
#56B4E9
86, 180, 233
■
Verde azulado
#009E73
0, 158, 115
■
Amarillo
#F0E442
240, 228, 66
■
Azul
#0072B2
0, 114, 178
■
Bermellón
#D55E00
213, 94, 0
■
Púrpura rojizo
#CC79A7
204, 121, 167
Ideal para: Hasta 8 categorías; cualquier figura dirigida a audiencias amplias o revistas con requisitos de accesibilidad.
Desarrollada por el astrónomo Paul Tol, este conjunto prioriza el contraste en fondos blancos y gris claro — los más habituales en figuras de revistas científicas.
Muestra
Nombre
HEX
■
Azul
#4477AA
■
Cian
#66CCEE
■
Verde
#228833
■
Amarillo
#CCBB44
■
Rojo
#EE6677
■
Púrpura
#AA3377
■
Gris
#BBBBBB
Ideal para: Gráficos de líneas y diagramas de dispersión con hasta 7 grupos.
El mapa de color secuencial más ampliamente adoptado en ciencia, incluido como predeterminado en Matplotlib desde 2015. Perceptualmente uniforme, seguro para daltonismo e imprime bien en escala de grises.
Punto
HEX
Descripción
0 %
#440154
Púrpura profundo (bajo)
25 %
#31688E
Azul
50 %
#35B779
Verde
75 %
#90D743
Amarillo-verde
100 %
#FDE725
Amarillo brillante (alto)
Ideal para: Mapas de calor, gráficos de densidad, cualquier variable continua sin un cero significativo.
Una paleta divergente clásica rojo-azul de ColorBrewer, ampliamente utilizada para matrices de correlación, cambio de pliegue de expresión y mapas de anomalías climáticas.
Punto
HEX
Descripción
−máx
#B2182B
Rojo intenso
−medio
#EF8A62
Rojo claro
0
#F7F7F7
Neutro casi blanco
+medio
#67A9CF
Azul claro
+máx
#2166AC
Azul intenso
Ideal para: Matrices de correlación, mapas de calor de cambio de pliegue, cualquier dato con un punto medio natural en cero.
Paleta divergente púrpura-verde. Al evitar el contraste rojo-verde, funciona significativamente mejor para lectores con deuteranopía y protanopía que RdBu.
Punto
HEX
−máx
#762A83
−medio
#C2A5CF
0
#F7F7F7
+medio
#7FBF7B
+máx
#1B7837
Ideal para: Cualquier caso de uso divergente donde la accesibilidad rojo-verde sea una preocupación.
Esta paleta aproxima el estilo discreto y de calidad editorial utilizado en figuras de las familias de revistas Nature y Cell. Evita la alta saturación mientras mantiene una distinción clara entre categorías.
Muestra
HEX
Uso típico
■
#4E79A7
Grupo 1 / Control
■
#F28E2B
Grupo 2 / Tratamiento
■
#E15759
Grupo 3 / Destacado
■
#76B7B2
Grupo 4
■
#59A14F
Grupo 5
Ideal para: Gráficos de barras, diagramas de caja y gráficos de múltiples líneas en manuscritos dirigidos a revistas de alto impacto.
Una hoja de referencia ordenada con fichas categóricas y degradados perceptualmente uniformes facilita reutilizar paletas verificadas en SciDraw AI.
Usa paletas secuenciales perceptualmente uniformes (Viridis, Plasma, Cividis) para datos continuos.
Prueba cada figura en escala de grises antes de enviarla — muchos revisores imprimen en blanco y negro.
Usa la misma paleta de forma consistente en todos los paneles de una figura multipanel. Cuando construyas diseños multipanel con el creador de figuras científicas de SciDraw AI, bloquea la configuración de la paleta a nivel de proyecto para garantizar la coherencia.
Elige paletas divergentes solo cuando el punto medio sea científicamente significativo.
Etiqueta tu eje de color (barra de color) con la variable exacta y las unidades.
Pasa las figuras terminadas por una comprobación de calidad dedicada. El comprobador de figuras de SciDraw AI marca automáticamente los problemas comunes de color y contraste.
No uses el mapa de color jet/arcoíris para datos científicos. No es perceptualmente uniforme, crea contornos falsos y falla en todas las pruebas de daltonismo.
No codifiques más de 8 categorías cualitativas solo con color — añade redundancia de forma o patrón.
No uses rojo y verde como los dos extremos de una paleta divergente sin comprobar la accesibilidad.
No apliques una paleta divergente a datos estrictamente positivos o estrictamente negativos.
No cambies las paletas entre paneles de figuras que muestran la misma variable.
No confíes en el color como único canal visual — combina siempre con forma, estilo de línea o anotación directa donde sea posible.
Un mapa de color perceptualmente uniforme (izquierda) representa los datos con fidelidad, mientras que el mapa arcoíris "jet" (derecha) inventa fronteras falsas.
import matplotlib.pyplot as pltimport matplotlib.colors as mcolors# Paleta Okabe-Itookabe_ito = ['#000000','#E69F00','#56B4E9','#009E73', '#F0E442','#0072B2','#D55E00','#CC79A7']# Usar como ciclo de colores predeterminadoplt.rcParams['axes.prop_cycle'] = plt.cycler(color=okabe_ito)# Viridis ya es el mapa de colores secuencial predeterminado de Matplotlibplt.imshow(data, cmap='viridis')
library(ggplot2)# Okabe-Ito mediante el paquete colorblind-friendlylibrary(ggthemes)scale_colour_colorblind()# O especificar manualmenteokabe <- c("#E69F00","#56B4E9","#009E73","#F0E442","#0072B2","#D55E00","#CC79A7")scale_colour_manual(values = okabe)
Importa los códigos HEX directamente a las muestras de color. Crea un grupo de muestras con nombre para cada proyecto para garantizar la coherencia de la paleta entre paneles. Luego exporta tus archivos de figura y usa el creador de resúmenes gráficos de SciDraw AI para integrarlos en diseños pulidos y listos para publicar.
P: ¿Debería usar siempre Viridis para mapas de calor?
Viridis es un excelente valor predeterminado, pero no es la única opción. Inferno y Cividis también son perceptualmente uniformes y seguros para daltonismo. Elige según el contexto visual: Viridis se lee como "frío a cálido" para muchas audiencias, lo que puede o no coincidir con la narrativa de tus datos. Si tus datos representan intensidad o recuento sin una narrativa direccional, los tres son apropiados.
P: ¿Puedo usar más de 8 colores en una paleta cualitativa?
Puedes, pero no deberías depender solo del color cuando tienes más de 8 categorías. Más allá de 8 tonos, la percepción humana de la distinción categórica se degrada significativamente. Añade marcadores de forma (círculos, cuadrados, triángulos), estilos de línea (sólido, discontinuo, punteado) o etiquetas directas para complementar la codificación de color.
P: ¿Cuál es la resolución mínima de barra de color que debo incluir?
Una barra de color debe tener como mínimo 5 marcas etiquetadas a intervalos regulares en todo el rango de datos. Incluye las unidades exactas en la etiqueta de la barra de color. Para paletas divergentes, incluye y etiqueta siempre explícitamente el valor del punto medio.
P: Mi revista pide figuras en CMYK. ¿Siguen siendo válidos estos códigos HEX?
Los códigos HEX son RGB. Antes de la entrega final, convierte tu figura a CMYK usando el perfil ICC de la revista (normalmente Adobe RGB 1998 o sRGB IEC61966-2.1 como perfil de origen). Los colores cambiarán ligeramente — revisa cuidadosamente la prueba CMYK, especialmente los amarillos saturados (como el extremo brillante de Viridis), que pueden volverse apagados. Solicita una prueba de color al departamento de producción en caso de duda.
P: ¿Existe una sola paleta suficientemente segura para todos los tipos de daltonismo?
Ninguna paleta única es perfecta para los tres tipos principales (protanopía, deuteranopía, tritanopía) simultáneamente, pero Okabe-Ito se acerca más para datos cualitativos. Para paletas secuenciales y divergentes, Cividis está específicamente optimizado para todas las formas de deficiencia en la visión del color. Usa el simulador Coblis para verificar tu paleta específica contra las tres condiciones.
P: ¿Cómo me aseguro de que mis colores se vean correctamente en diferentes monitores y proyectores?
Calibra tu monitor al espacio de color sRGB, que es la suposición estándar para figuras académicas destinadas a pantalla. Para presentaciones proyectadas en una sala grande, aumenta el contraste y evita colores muy claros (cualquier cosa por encima del ~85 % de luminosidad se lavará en la mayoría de los proyectores). Prueba tus diapositivas en el entorno de proyección real cuando sea posible.
