Como Fazer um Volcano Plot para RNA-seq e Expressão Diferencial (2026)

O objetivo é separar sinal de ruído num piscar de olhos. Isso significa que três coisas precisam ser inequívocas: onde estão seus cortes, quais pontos os ultrapassam, e qual punhado de genes vale a pena nomear.

Passo 1: Descreva o gráfico que você quer

Comece no editor e diga à IA o que é a figura. Seja explícito sobre os eixos, o tipo de dado e os limiares — a especificidade é o que transforma um gráfico de dispersão genérico num volcano plot correto.

Um exemplo preenchido:

• "Crie um volcano plot para um experimento de RNA-seq comparando tratado vs. controle. Eixo x de log2 fold-change de −6 a 6, eixo y de −log10 do p-valor ajustado. Use |log2FC| > 1 e p ajustado < 0,05 como cortes. Colora genes superexpressos de vermelho, subexpressos de azul, não significativos de cinza, e trace linhas verticais tracejadas em ±1 e uma linha horizontal tracejada no nível de p = 0,05."

Passo 2: Defina limiares e linhas de corte

Os limiares são o coração da figura, e são exatamente o tipo de coisa que você quer mudar sem redesenhar tudo. Dois cortes importam:

• Corte de fold-change — tipicamente |log2FC| > 1 (mudança de 2 vezes), mas 0,585 (1,5 vez) e 2 (4 vezes) também são comuns.
• Corte de significância — normalmente o p-valor ajustado (FDR de Benjamini-Hochberg), não o p-valor bruto. 0,05 e 0,01 são padrão.

Ajuste-os conversando:

• "Mude o corte de fold-change para |log2FC| > 0,585 (1,5 vez)."
• "Use p ajustado < 0,01 em vez de 0,05 e mova a linha horizontal tracejada de acordo."
• "Deixe as linhas de limiar cinza-claras e tracejadas para não competirem com os pontos."

Passo 3: Colora genes super e subexpressos

A cor é o que torna um volcano plot legível. A convenção é um esquema de três cores: uma cor para genes significativamente superexpressos, uma para significativamente subexpressos, e um cinza neutro para tudo que não passou nos cortes.

• "Colora genes superexpressos (à direita de +1, acima do limiar de p) de vermelho; subexpressos (à esquerda de −1) de azul; o resto de cinza com 40% de opacidade."
• "Adicione uma legenda: vermelho = super, azul = sub, cinza = não significativo."
• "Deixe os pontos significativos um pouco maiores e os não significativos menores e semitransparentes."

Manter a nuvem de genes não significativos esmaecida empurra o olhar para os cantos — exatamente onde está a história.

Passo 4: Rotule seus principais achados

Os revisores querem ver os genes de destaque nomeados, mas uma parede de rótulos sobrepostos é pior que nenhum. Seja seletivo e deixe a IA posicionar o texto sem colisões.

• "Rotule os 10 principais genes por p-valor ajustado com seus símbolos gênicos, usando linhas de chamada finas e sem texto sobreposto."
• "Rotule apenas estes genes: TP53, BRCA1, MYC, EGFR e CDKN1A."
• "Coloque em negrito os rótulos dos três genes superexpressos mais significativos."

É aqui que descrever a mudança supera posicionar caixas de texto na mão: você pede os achados, a IA cuida do layout. Quando ficar do jeito certo, você pode ajustar finamente qualquer rótulo individual — veja como editar texto e rótulos em figuras de IA para edições de texto pontuais.

Erros comuns (e como corrigi-los)

• Usar o p-valor bruto em vez do ajustado. A inflação por testes múltiplos faz tudo parecer significativo. Correção: "Plote o −log10 do p-valor ajustado (FDR), não o p-valor bruto, no eixo y."
• Eixos assimétricos ou truncados que escondem uma direção. Se o eixo x vai de 0 a 6, os genes subexpressos somem. Correção: "Deixe o eixo x simétrico, de −6 a 6, centrado em 0."
• Rótulos demais. Quarenta nomes de genes sobrepostos = ilegível. Correção: "Rotule apenas os 8 principais achados e remova o resto."
• Sem linhas de limiar. Os cortes ficam implícitos, mas invisíveis. Correção: "Adicione linhas tracejadas nos cortes de fold-change e p-valor para que as regiões fiquem explícitas."
• Esquema de cores que ignora a direção. Uma única cor para todos os genes significativos perde a história super/sub. Correção: "Use cores separadas para genes super e subexpressos."
• Limitar o −log10(p) silenciosamente. Genes com p = 0 disparam ao infinito. Correção: "Limite o eixo y e marque os pontos truncados com uma seta aberta para ser honesto."

Exporte e use

Quando a figura estiver pronta, exporte-a para seu destino. Peça o que você precisa:

• "Exporte isto como um PNG de 300 DPI dimensionado para uma única coluna de revista."
• "Me dê uma versão vetorial (SVG) para eu colocar no Illustrator."
• "Exporte com 1200 px de largura e fundo transparente para meus slides."

Um volcano plot raramente viaja sozinho. Se seus resultados de expressão diferencial alimentam uma revisão sistemática ou você está montando uma figura de resultados com múltiplos painéis, combine-o com como fazer um forest plot para resumos de tamanho de efeito, e revisite como editar texto e rótulos em figuras de IA quando o nome de um gene precisar de um ajuste de última hora. Tudo permanece editável no editor SciDraw AI.

Perguntas frequentes

Como faço um volcano plot para RNA-seq sem programar? Abra o gerador de volcano plot, descreva sua comparação (tratado vs. controle), informe seus limiares de log2 fold-change e p-valor ajustado, e a IA monta a figura. Você refina cores, rótulos e cortes digitando instruções — sem precisar de R ou Python.

Quais limiares devo usar em um volcano plot? Os padrões mais comuns são |log2FC| > 1 (mudança de 2 vezes) e p-valor ajustado < 0,05. Estudos mais rigorosos usam |log2FC| > 1 com p ajustado < 0,01. Sempre use o p-valor ajustado (FDR), não o bruto, e informe seus cortes na legenda da figura.

O eixo y deve ser o p-valor bruto ou o ajustado? Use o p-valor ajustado (Benjamini-Hochberg / FDR) plotado como −log10. O RNA-seq testa dezenas de milhares de genes, então o p-valor bruto marcaria muitos como significativos por acaso. Plotar −log10(p ajustado) mantém seu conjunto significativo honesto.

Como rotulo apenas os genes mais importantes? Diga à IA para rotular os N principais genes por p-valor ajustado, ou nomeie os genes específicos que lhe interessam. Peça linhas de chamada finas e sem texto sobreposto para que os rótulos fiquem legíveis mesmo num gráfico denso.

Também posso fazer um volcano plot para proteômica ou metabolômica? Sim. Os mesmos eixos e limiares se aplicam a qualquer experimento de abundância diferencial — proteômica, metabolômica ou single-cell. Basta informar ao gerador de volcano plot o tipo de dado e seus cortes, e ele adapta os rótulos e as cores.

Faça seu volcano plot agora

Pare de brigar com o geom_text_repel. Descreva seus dados de expressão diferencial, defina seus limiares e deixe a IA desenhar uma figura limpa, rotulada e pronta para publicação. Abra o gerador de volcano plot ou vá direto ao editor SciDraw AI e faça seu volcano plot em minutos.