Il colore è un metadato silenzioso. Prima ancora che il lettore decifri una singola etichetta sugli assi, la palette della tua figura segnala se sei preciso o trascurato, accessibile o esclusivo, pronto per la pubblicazione o assemblato in fretta. Eppure la maggior parte dei ricercatori sceglie i colori d'istinto — o accetta semplicemente i valori predefiniti di Matplotlib o Excel.
Questa guida di riferimento risolve il problema. Imparerai le tre famiglie di palette di cui ogni scienziato ha bisogno, otterrai tabelle HEX pronte da copiare per sette palette di immediato utilizzo e porterai con te regole concrete su cosa fare e non fare per figure che potrai inviare con piena fiducia.
Cosa imparerai:
- La differenza tra palette qualitative, sequenziali e divergenti — e quando ognuna è quella giusta
- Quali palette sono sicure per l'~8 % dei lettori con deficit della visione dei colori
- Sette palette pronte all'uso con codici HEX completi
- Regole pratiche per applicare il colore a figure scientifiche reali
- Come verificare e finalizzare le tue figure con il figure checker di SciDraw AI
Perché la scelta dei colori è una decisione scientifica
Una palette scadente non è solo esteticamente brutta — può attivamente trarre in inganno. Le colormap arcobaleno ("jet") creano confini falsi dove i dati non ne contengono. I contrasti rosso-verde scompaiono del tutto per i lettori con deuteranopia (la forma più comune di daltonismo). Colori qualitativi incoerenti tra i pannelli di una figura costringono i lettori a decodificare la legenda ogni volta che passano da un pannello all'altro.
Riviste come Nature, Science e PNAS chiedono sempre più spesso agli autori di garantire che le figure siano "accessibili ai lettori daltonici", e alcuni editori respingono figure che non superano un test elementare di conversione in scala di grigi. Scegliere la palette giusta fin dall'inizio risparmia cicli di revisione.
Le tre famiglie di palette
Palette qualitative
Da usare quando: Si codificano dati categoriali senza ordine intrinseco — tipi cellulari, gruppi sperimentali, specie, bracci di trattamento.
Principio chiave: Tutti i colori devono apparire ugualmente prominenti. Nessuna tinta deve dominare o suggerire maggiore importanza.
Errore da evitare: Usare una rampa sequenziale (da chiaro a scuro) per categorie implica una graduatoria inesistente.
Palette sequenziali
Da usare quando: Si codifica una variabile numerica che va da bassa ad alta — livello di espressione genica, temperatura, concentrazione, valore p.
Principio chiave: La palette deve essere percettivamente uniforme: passi uguali nei dati devono sembrare passi uguali nel colore. Questo esclude la maggior parte dei gradienti realizzati a mano.
Errore da evitare: Usare una palette divergente a due estremi quando lo zero non è un punto di riferimento significativo.
Palette divergenti
Da usare quando: Si codificano dati in cui il punto mediano è significativo — fold-change (centrato su 1 o log2-fold = 0), coefficienti di correlazione (centrati su 0), mappe di anomalie (centrate sulla media storica).
Principio chiave: I due estremi devono essere ugualmente saturi e il punto mediano deve essere un colore neutro e chiaro (vicino al bianco o al grigio chiaro), non una terza tinta satura.
Errore da evitare: Una palette divergente in cui il punto mediano neutro è un colore vivace non correlato — questo crea una falsa terza categoria.
Sicurezza per il daltonismo: il requisito irrinunciabile
Circa l'8 % degli uomini e lo 0,5 % delle donne presentano qualche forma di deficit della visione dei colori. La deuteranopia e la protanopia (deficit rosso-verde) sono le più comuni. La tritanopia (blu-giallo) è più rara, ma colpisce comunque una frazione significativa dei lettori.
Il test più rapido: Converti la tua figura in scala di grigi. Se tutte le categorie sono ancora distinguibili, la tua figura supera il controllo di accessibilità più elementare.
Il test definitivo: Passa la tua immagine attraverso Coblis (simulatore di daltonismo) o usa il modulo colorblind di Python per simulare deuteranopia, protanopia e tritanopia. Prima di inviare a qualsiasi rivista, carica la tua figura nel figure checker di SciDraw AI per rilevare automaticamente problemi di accessibilità e formattazione.
Sette palette pronte all'uso con codici HEX
1. Okabe-Ito (Qualitativa, 8 colori — standard di riferimento per la sicurezza daltonica)
Progettata da Masataka Okabe e Kei Ito specificamente per l'accessibilità ai daltonici. È il valore predefinito raccomandato per le figure scientifiche qualitative nella maggior parte delle guide di stile moderne.
| Campione | Nome | HEX | RGB |
|---|---|---|---|
| ■ | Nero | #000000 | 0, 0, 0 |
| ■ | Arancione | #E69F00 | 230, 159, 0 |
| ■ | Azzurro cielo | #56B4E9 | 86, 180, 233 |
| ■ | Verde-blu | #009E73 | 0, 158, 115 |
| ■ | Giallo | #F0E442 | 240, 228, 66 |
| ■ | Blu | #0072B2 | 0, 114, 178 |
| ■ | Vermiglione | #D55E00 | 213, 94, 0 |
| ■ | Porpora rossastro | #CC79A7 | 204, 121, 167 |
Ideale per: Fino a 8 categorie; qualsiasi figura destinata a un pubblico ampio o a riviste con requisiti di accessibilità.
2. Bright di Paul Tol (Qualitativa, 7 colori)
Sviluppata dall'astronomo Paul Tol, questo set privilegia il contrasto su sfondi bianchi e grigio chiaro — i più comuni nelle figure delle riviste scientifiche.
| Campione | Nome | HEX |
|---|---|---|
| ■ | Blu | #4477AA |
| ■ | Ciano | #66CCEE |
| ■ | Verde | #228833 |
| ■ | Giallo | #CCBB44 |
| ■ | Rosso | #EE6677 |
| ■ | Viola | #AA3377 |
| ■ | Grigio | #BBBBBB |
Ideale per: Grafici a linee e a dispersione con fino a 7 gruppi.
3. Viridis (Sequenziale, percettivamente uniforme)
La colormap sequenziale più adottata in ambito scientifico, inclusa come predefinita in Matplotlib dal 2015. Percettivamente uniforme, sicura per il daltonismo e ben riproducibile in scala di grigi.
| Punto | HEX | Descrizione |
|---|---|---|
| 0 % | #440154 | Viola intenso (basso) |
| 25 % | #31688E | Blu |
| 50 % | #35B779 | Verde |
| 75 % | #90D743 | Giallo-verde |
| 100 % | #FDE725 | Giallo brillante (alto) |
Ideale per: Heatmap, grafici di densità, qualsiasi variabile continua senza uno zero significativo.
4. Plasma (Sequenziale, percettivamente uniforme)
Un'alternativa più calda a Viridis. Particolarmente efficace quando la stampa a colori è garantita.
| Punto | HEX |
|---|---|
| 0 % | #0D0887 |
| 25 % | #7E03A8 |
| 50 % | #CC4778 |
| 75 % | #F89540 |
| 100 % | #F0F921 |
Ideale per: Figure supplementari con stampa a colori di alta qualità; mappe di intensità in microscopia.
5. RdBu (Divergente)
Una classica palette divergente rosso-blu di ColorBrewer, ampiamente utilizzata per matrici di correlazione, fold-change di espressione e mappe di anomalie climatiche.
| Punto | HEX | Descrizione |
|---|---|---|
| −max | #B2182B | Rosso intenso |
| −medio | #EF8A62 | Rosso chiaro |
| 0 | #F7F7F7 | Neutro quasi-bianco |
| +medio | #67A9CF | Blu chiaro |
| +max | #2166AC | Blu intenso |
Ideale per: Matrici di correlazione, heatmap di fold-change, qualsiasi dato con un punto mediano naturale a zero.
6. PRGn (Divergente, più adatta al daltonismo)
Palette divergente viola-verde. Poiché evita il contrasto rosso-verde, funziona significativamente meglio per i lettori con deuteranopia e protanopia rispetto a RdBu.
| Punto | HEX |
|---|---|
| −max | #762A83 |
| −medio | #C2A5CF |
| 0 | #F7F7F7 |
| +medio | #7FBF7B |
| +max | #1B7837 |
Ideale per: Qualsiasi caso d'uso divergente in cui l'accessibilità rosso-verde è una preoccupazione.
7. Palette qualitativa attenuata ispirata a Nature/Cell (5 colori)
Questa palette approssima lo stile sobrio e di qualità editoriale utilizzato nelle figure delle famiglie di riviste Nature e Cell. Evita l'alta saturazione pur mantenendo una chiara distinzione tra categorie.
| Campione | HEX | Uso tipico |
|---|---|---|
| ■ | #4E79A7 | Gruppo 1 / Controllo |
| ■ | #F28E2B | Gruppo 2 / Trattamento |
| ■ | #E15759 | Gruppo 3 / Evidenziazione |
| ■ | #76B7B2 | Gruppo 4 |
| ■ | #59A14F | Gruppo 5 |
Ideale per: Grafici a barre, box plot e grafici multilinea in manoscritti destinati a riviste ad alto impatto.
Confronto tra palette: quale usare e quando
| Palette | Tipo | Colori | Sicura daltonici | Scala di grigi | Miglior contesto di rivista |
|---|---|---|---|---|---|
| Okabe-Ito | Qualitativa | 8 | Eccellente | Buona | Qualsiasi; riviste orientate all'accessibilità |
| Tol Bright | Qualitativa | 7 | Buona | Moderata | Grafici a linee/dispersione |
| Viridis | Sequenziale | Continua | Eccellente | Eccellente | Heatmap, densità |
| Plasma | Sequenziale | Continua | Eccellente | Buona | Stampa a colori garantita |
| RdBu | Divergente | Continua | Moderata | Buona | Correlazione, fold-change |
| PRGn | Divergente | Continua | Buona | Buona | Divergente critica per accessibilità |
| Nature Muted | Qualitativa | 5 | Buona | Moderata | Manoscritti per riviste ad alto impatto |
Regole pratiche per le figure scientifiche
DA FARE
- Usa palette sequenziali percettivamente uniformi (Viridis, Plasma, Cividis) per dati continui.
- Testa ogni figura in scala di grigi prima dell'invio — molti revisori stampano in bianco e nero.
- Usa la stessa palette in modo coerente su tutti i pannelli di una figura multipannello. Quando costruisci layout multipannello con il creatore di figure scientifiche SciDraw AI, blocca le impostazioni della palette a livello di progetto per garantire la coerenza.
- Scegli palette divergenti solo quando il punto mediano è scientificamente significativo.
- Etichetta l'asse del colore (colorbar) con la variabile esatta e le unità.
- Verifica le figure finite con uno strumento di controllo qualità dedicato. Il figure checker di SciDraw AI segnala automaticamente i problemi comuni di colore e contrasto.
DA NON FARE
- Non usare la colormap jet/arcobaleno per dati scientifici. Non è percettivamente uniforme, crea contorni falsi e fallisce tutti i test per il daltonismo.
- Non codificare più di 8 categorie qualitative con il solo colore — aggiungi ridondanza di forma o motivo.
- Non usare rosso e verde come i due estremi di una palette divergente senza verificare l'accessibilità.
- Non applicare una palette divergente a dati strettamente positivi o strettamente negativi.
- Non cambiare palette tra pannelli di figure che mostrano la stessa variabile.
- Non affidarti al colore come unico canale visivo — combina sempre con forma, stile di linea o annotazione diretta dove possibile.
Applicare queste palette negli strumenti più comuni
Python (Matplotlib / Seaborn)
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
# Palette Okabe-Ito
okabe_ito = ['#000000','#E69F00','#56B4E9','#009E73',
'#F0E442','#0072B2','#D55E00','#CC79A7']
# Usare come ciclo di colori predefinito
plt.rcParams['axes.prop_cycle'] = plt.cycler(color=okabe_ito)
# Viridis è già la colormap sequenziale predefinita di Matplotlib
plt.imshow(data, cmap='viridis')R (ggplot2)
library(ggplot2)
# Okabe-Ito tramite il pacchetto colorblind-friendly
library(ggthemes)
scale_colour_colorblind()
# Oppure specificare manualmente
okabe <- c("#E69F00","#56B4E9","#009E73","#F0E442","#0072B2","#D55E00","#CC79A7")
scale_colour_manual(values = okabe)Adobe Illustrator / Inkscape
Importa i codici HEX direttamente nei campioni di colore. Crea un gruppo di campioni con nome per ciascun progetto per garantire la coerenza della palette tra i pannelli. Poi esporta i file delle figure e usa il creatore di abstract grafici SciDraw AI per integrarli in layout curati e pronti per la pubblicazione.
Dalla palette alla figura pronta per la pubblicazione
Scegliere i colori giusti è solo il primo passo. La prontezza alla pubblicazione richiede anche:
- Dimensioni dei caratteri corrette (minimo 6 pt per le etichette nella maggior parte delle riviste; si raccomandano 8–10 pt)
- Spessori di linea che resistano alla riduzione (min. 0,5 pt)
- Dimensioni della figura conformi alle specifiche della rivista
- Risoluzione di almeno 300 DPI per gli elementi raster
Il creatore di figure scientifiche SciDraw AI gestisce automaticamente i requisiti di dimensioni e risoluzione, e il creatore di abstract grafici SciDraw AI ti aiuta a integrare le tue figure di dati in un riassunto visivamente coerente su una singola pagina. Fai passare il file finito attraverso il figure checker per non perderti nulla.
FAQ
D: Dovrei usare sempre Viridis per le heatmap?
Viridis è un'ottima scelta predefinita, ma non è l'unica opzione. Inferno e Cividis sono anch'esse percettivamente uniformi e sicure per il daltonismo. Scegli in base al contesto visivo: Viridis si legge come "da freddo a caldo" per molti pubblici, il che potrebbe o meno adattarsi alla narrazione dei tuoi dati. Se i tuoi dati rappresentano intensità o conteggio senza una narrativa direzionale, tutti e tre sono adeguati.
D: Posso usare più di 8 colori in una palette qualitativa?
Puoi, ma non dovresti affidarti al solo colore quando hai più di 8 categorie. Oltre 8 tinte, la percezione umana della distinzione categoriale si degrada significativamente. Aggiungi marcatori di forma (cerchi, quadrati, triangoli), stili di linea (continua, tratteggiata, punteggiata) o etichette dirette per integrare la codifica cromatica.
D: Quale risoluzione minima della colorbar dovrei includere?
Una colorbar dovrebbe avere almeno 5 segni etichettati a intervalli regolari sull'intero intervallo dei dati. Includi le unità esatte nell'etichetta della colorbar. Per le palette divergenti, includi e indica sempre esplicitamente il valore del punto mediano.
D: La mia rivista richiede figure in CMYK. Questi codici HEX sono ancora applicabili?
I codici HEX sono in RGB. Prima dell'invio finale, converti la tua figura in CMYK usando il profilo ICC della rivista (generalmente Adobe RGB 1998 o sRGB IEC61966-2.1 come profilo sorgente). I colori subiranno lievi variazioni — controlla attentamente la prova CMYK, soprattutto per i gialli saturi (come l'estremo brillante di Viridis), che possono diventare opachi. Richiedi una prova colore all'ufficio produzione in caso di dubbi.
D: Esiste una singola palette sufficientemente sicura per tutti i tipi di daltonismo?
Nessuna palette è perfetta per tutti e tre i tipi principali (protanopia, deuteranopia, tritanopia) contemporaneamente, ma Okabe-Ito si avvicina di più per i dati qualitativi. Per palette sequenziali e divergenti, Cividis è specificamente ottimizzata per tutte le forme di deficit della visione dei colori. Usa il simulatore Coblis per verificare la tua palette specifica rispetto a tutte e tre le condizioni.
D: Come mi assicuro che i miei colori appaiano corretti su monitor e proiettori diversi?
Calibra il monitor sullo spazio colore sRGB, che è l'assunzione standard per le figure accademiche destinate allo schermo. Per presentazioni proiettate in una sala grande, aumenta il contrasto ed evita colori molto chiari (qualsiasi cosa sopra circa l'85 % di luminosità risulterà sbiadita sulla maggior parte dei proiettori). Testa le tue diapositive nell'ambiente di proiezione reale quando possibile.
