A cor é um metadado silencioso. Antes de o leitor decifrar um único rótulo de eixo, a paleta da sua figura já sinalizou se você é cuidadoso ou descuidado, acessível ou excludente, pronto para publicar ou montado às pressas. Ainda assim, a maioria dos pesquisadores escolhe cores por intuição — ou simplesmente aceita os padrões que o Matplotlib ou o Excel oferecem.
Este guia de referência corrige isso. Você aprenderá as três famílias de paletas que todo cientista precisa conhecer, obterá tabelas HEX prontas para copiar e colar de sete paletas de uso imediato e sairá com regras concretas de o que fazer e o que evitar para figuras que você pode enviar com confiança.
O que você vai aprender:
- A diferença entre paletas qualitativas, sequenciais e divergentes — e quando cada uma é a correta
- Quais paletas são seguras para os ~8 % dos leitores com deficiência de visão de cores
- Sete paletas de uso imediato com códigos HEX completos
- Regras práticas para aplicar cores em figuras científicas reais
- Como verificar e finalizar suas figuras com o verificador de figuras do SciDraw AI
Por que a escolha de cores é uma decisão científica
Uma paleta ruim não é apenas feia — ela pode induzir o leitor ao erro ativamente. Mapas de cores arco-íris ("jet") criam fronteiras falsas onde não existe nenhuma nos dados. Contrastes vermelho-verde desaparecem completamente para leitores com deuteranopia (a forma mais comum de daltonismo). Cores qualitativas inconsistentes entre painéis obrigam os leitores a decodificar a legenda cada vez que mudam de painel.
Revistas como Nature, Science e PNAS pedem cada vez mais que os autores garantam que as figuras sejam "acessíveis a leitores daltônicos", e vários editores rejeitam figuras que não passam em um teste básico de conversão para escala de cinza. Escolher a paleta certa desde o início economiza ciclos de revisão.
As três famílias de paletas
Paletas qualitativas
Use quando: Codificar dados categóricos sem ordem intrínseca — tipos celulares, grupos experimentais, espécies, braços de tratamento.
Princípio-chave: Todas as cores devem parecer igualmente proeminentes. Nenhuma tonalidade deve dominar ou sugerir maior importância.
Armadilha a evitar: Usar uma rampa sequencial (claro a escuro) para categorias implica uma hierarquia inexistente.
Paletas sequenciais
Use quando: Codificar uma variável numérica que vai de baixo a alto — nível de expressão gênica, temperatura, concentração, magnitude do valor p.
Princípio-chave: A paleta deve ser perceptualmente uniforme: intervalos iguais nos dados devem parecer intervalos iguais na cor. Isso descarta a maioria dos gradientes feitos à mão.
Armadilha a evitar: Usar uma paleta divergente de duas extremidades quando o zero não é um ponto de referência significativo.
Paletas divergentes
Use quando: Codificar dados em que o ponto médio é significativo — fold-change (centrado em 1 ou log2-fold = 0), coeficientes de correlação (centrados em 0), mapas de anomalias (centrados na média histórica).
Princípio-chave: As duas extremidades devem ter saturação igual e o ponto médio deve ser uma cor neutra e clara (próxima do branco ou cinza claro), não uma terceira tonalidade saturada.
Armadilha a evitar: Uma paleta divergente onde o ponto médio neutro é uma cor viva não relacionada — isso cria uma falsa terceira categoria.
Segurança para daltônicos: o requisito inegociável
Aproximadamente 8 % dos homens e 0,5 % das mulheres têm alguma forma de deficiência de visão de cores. Deuteranopia e protanopia (deficiência vermelho-verde) são as mais comuns. Tritanopia (azul-amarelo) é mais rara, mas ainda afeta uma fração significativa dos leitores.
O teste mais rápido: Converta sua figura para escala de cinza. Se todas as categorias ainda forem distinguíveis, sua figura passa na verificação de acessibilidade mais básica.
O teste definitivo: Passe sua imagem pelo Coblis (Simulador de Daltonismo) ou use o módulo colorblind do Python para simular deuteranopia, protanopia e tritanopia. Antes de enviar a qualquer revista, cole sua figura no verificador de figuras do SciDraw AI para detectar automaticamente problemas de acessibilidade e formatação.
Sete paletas de uso imediato com códigos HEX
1. Okabe-Ito (Qualitativa, 8 cores — padrão-ouro para segurança em daltonismo)
Projetada por Masataka Okabe e Kei Ito especificamente para acessibilidade a daltônicos. É o padrão recomendado para figuras científicas qualitativas na maioria dos guias de estilo modernos.
| Amostra | Nome | HEX | RGB |
|---|---|---|---|
| ■ | Preto | #000000 | 0, 0, 0 |
| ■ | Laranja | #E69F00 | 230, 159, 0 |
| ■ | Azul-celeste | #56B4E9 | 86, 180, 233 |
| ■ | Verde-azulado | #009E73 | 0, 158, 115 |
| ■ | Amarelo | #F0E442 | 240, 228, 66 |
| ■ | Azul | #0072B2 | 0, 114, 178 |
| ■ | Vermelhão | #D55E00 | 213, 94, 0 |
| ■ | Roxo-avermelhado | #CC79A7 | 204, 121, 167 |
Ideal para: Até 8 categorias; qualquer figura destinada a públicos amplos ou revistas com requisitos de acessibilidade.
2. Bright de Paul Tol (Qualitativa, 7 cores)
Desenvolvida pelo astrônomo Paul Tol, este conjunto prioriza o contraste em fundos branco e cinza-claro — os mais comuns em figuras de revistas.
| Amostra | Nome | HEX |
|---|---|---|
| ■ | Azul | #4477AA |
| ■ | Ciano | #66CCEE |
| ■ | Verde | #228833 |
| ■ | Amarelo | #CCBB44 |
| ■ | Vermelho | #EE6677 |
| ■ | Roxo | #AA3377 |
| ■ | Cinza | #BBBBBB |
Ideal para: Gráficos de linha e de dispersão com até 7 grupos.
3. Viridis (Sequencial, perceptualmente uniforme)
O mapa de cores sequencial mais amplamente adotado na ciência, incluído como padrão no Matplotlib desde 2015. Perceptualmente uniforme, seguro para daltônicos e imprime bem em escala de cinza.
| Ponto | HEX | Descrição |
|---|---|---|
| 0 % | #440154 | Roxo profundo (baixo) |
| 25 % | #31688E | Azul |
| 50 % | #35B779 | Verde |
| 75 % | #90D743 | Amarelo-verde |
| 100 % | #FDE725 | Amarelo brilhante (alto) |
Ideal para: Mapas de calor, gráficos de densidade, qualquer variável contínua sem um zero significativo.
4. Plasma (Sequencial, perceptualmente uniforme)
Uma alternativa mais quente ao Viridis. Particularmente eficaz quando a impressão colorida é garantida.
| Ponto | HEX |
|---|---|
| 0 % | #0D0887 |
| 25 % | #7E03A8 |
| 50 % | #CC4778 |
| 75 % | #F89540 |
| 100 % | #F0F921 |
Ideal para: Figuras suplementares com impressão colorida rica; mapas de intensidade em microscopia.
5. RdBu (Divergente)
Uma paleta divergente clássica vermelho-azul do ColorBrewer, amplamente usada para matrizes de correlação, fold-change de expressão e mapas de anomalias climáticas.
| Ponto | HEX | Descrição |
|---|---|---|
| −máx | #B2182B | Vermelho forte |
| −meio | #EF8A62 | Vermelho claro |
| 0 | #F7F7F7 | Neutro quase-branco |
| +meio | #67A9CF | Azul claro |
| +máx | #2166AC | Azul forte |
Ideal para: Matrizes de correlação, mapas de calor de fold-change, qualquer dado com ponto médio natural em zero.
6. PRGn (Divergente, mais amigável ao daltonismo)
Paleta divergente roxo-verde. Por evitar o contraste vermelho-verde, funciona significativamente melhor para leitores com deuteranopia e protanopia do que a RdBu.
| Ponto | HEX |
|---|---|
| −máx | #762A83 |
| −meio | #C2A5CF |
| 0 | #F7F7F7 |
| +meio | #7FBF7B |
| +máx | #1B7837 |
Ideal para: Qualquer caso de uso divergente em que a acessibilidade vermelho-verde seja uma preocupação.
7. Paleta qualitativa discreta inspirada na Nature/Cell (5 cores)
Esta paleta aproxima o estilo contido e de qualidade editorial usado nas figuras das famílias de revistas Nature e Cell. Evita alta saturação mantendo distinção clara entre categorias.
| Amostra | HEX | Uso típico |
|---|---|---|
| ■ | #4E79A7 | Grupo 1 / Controle |
| ■ | #F28E2B | Grupo 2 / Tratamento |
| ■ | #E15759 | Grupo 3 / Destaque |
| ■ | #76B7B2 | Grupo 4 |
| ■ | #59A14F | Grupo 5 |
Ideal para: Gráficos de barras, box plots e gráficos de múltiplas linhas em manuscritos submetidos a revistas de alto impacto.
Comparativo de paletas: qual usar e quando
| Paleta | Tipo | Cores | Segura daltônico | Escala de cinza | Melhor contexto de revista |
|---|---|---|---|---|---|
| Okabe-Ito | Qualitativa | 8 | Excelente | Boa | Qualquer; revistas focadas em acessibilidade |
| Tol Bright | Qualitativa | 7 | Boa | Moderada | Gráficos de linha/dispersão |
| Viridis | Sequencial | Contínua | Excelente | Excelente | Mapas de calor, densidade |
| Plasma | Sequencial | Contínua | Excelente | Boa | Impressão colorida garantida |
| RdBu | Divergente | Contínua | Moderada | Boa | Correlação, fold-change |
| PRGn | Divergente | Contínua | Boa | Boa | Divergente crítico em acessibilidade |
| Nature Muted | Qualitativa | 5 | Boa | Moderada | Manuscritos para revistas de alto impacto |
Regras práticas para figuras científicas
FAÇA
- Faça: Use paletas sequenciais perceptualmente uniformes (Viridis, Plasma, Cividis) para dados contínuos.
- Faça: Teste cada figura em escala de cinza antes de enviar — muitos revisores imprimem em preto e branco.
- Faça: Use a mesma paleta consistentemente em todos os painéis de uma figura com múltiplos painéis. Quando criar layouts multipanel com o criador de figuras científicas do SciDraw AI, bloqueie as configurações de paleta no nível do projeto para garantir consistência.
- Faça: Escolha paletas divergentes apenas quando o ponto médio for cientificamente significativo.
- Faça: Rotule o eixo de cores (barra de cores) com a variável exata e as unidades.
- Faça: Execute as figuras finalizadas por uma verificação de qualidade dedicada. O verificador de figuras do SciDraw AI sinaliza automaticamente problemas comuns de cor e contraste.
NÃO FAÇA
- Não faça: Use o mapa de cores jet/arco-íris para dados científicos. Ele não é perceptualmente uniforme, cria contornos falsos e falha em todos os testes de daltonismo.
- Não faça: Codifique mais de 8 categorias qualitativas somente com cores — adicione redundância de forma ou padrão.
- Não faça: Use vermelho e verde como as duas extremidades de uma paleta divergente sem verificar a acessibilidade.
- Não faça: Aplique uma paleta divergente a dados estritamente positivos ou estritamente negativos.
- Não faça: Mude paletas entre painéis que mostram a mesma variável.
- Não faça: Confie na cor como único canal visual — combine sempre com forma, estilo de linha ou anotação direta quando possível.
Aplicando essas paletas nas ferramentas mais comuns
Python (Matplotlib / Seaborn)
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
# Paleta Okabe-Ito
okabe_ito = ['#000000','#E69F00','#56B4E9','#009E73',
'#F0E442','#0072B2','#D55E00','#CC79A7']
# Usar como ciclo de cores padrão
plt.rcParams['axes.prop_cycle'] = plt.cycler(color=okabe_ito)
# Viridis já é o mapa de cores sequencial padrão do Matplotlib
plt.imshow(data, cmap='viridis')R (ggplot2)
library(ggplot2)
# Okabe-Ito via pacote colorblind-friendly
library(ggthemes)
scale_colour_colorblind()
# Ou especificar manualmente
okabe <- c("#E69F00","#56B4E9","#009E73","#F0E442","#0072B2","#D55E00","#CC79A7")
scale_colour_manual(values = okabe)Adobe Illustrator / Inkscape
Importe os códigos HEX diretamente para amostras de cores. Crie um grupo de amostras nomeado para cada projeto para garantir consistência de paleta entre painéis. Em seguida, exporte os arquivos de figura e use o criador de resumos gráficos do SciDraw AI para integrá-los em layouts bem elaborados e prontos para publicação.
Da paleta à figura pronta para publicar
Escolher as cores corretas é o primeiro passo. A prontidão para publicação também exige:
- Tamanhos de fonte corretos (mínimo 6 pt para rótulos na maioria das revistas; 8–10 pt recomendados)
- Espessuras de linha que sobrevivam ao redimensionamento (mín. 0,5 pt)
- Dimensões da figura que correspondam às especificações da revista
- Resolução de pelo menos 300 DPI para elementos rasterizados
O criador de figuras científicas do SciDraw AI trata automaticamente dos requisitos de dimensão e resolução, e o criador de resumos gráficos do SciDraw AI ajuda a integrar suas figuras de dados em um resumo de uma única página visualmente coerente. Execute o arquivo finalizado pelo verificador de figuras para capturar o que você pode ter perdido.
Perguntas frequentes
P: Devo sempre usar Viridis para mapas de calor?
Viridis é um excelente padrão, mas não é a única opção. Inferno e Cividis também são perceptualmente uniformes e seguros para daltonismo. Escolha com base no contexto visual: Viridis é lido como "frio para quente" por muitos públicos, o que pode ou não combinar com a narrativa dos seus dados. Se os seus dados representam intensidade ou contagem sem narrativa direcional, os três são apropriados.
P: Posso usar mais de 8 cores em uma paleta qualitativa?
Pode, mas não deve depender somente da cor quando tem mais de 8 categorias. Além de 8 tonalidades, a percepção humana de distinção categórica se degrada significativamente. Adicione marcadores de forma (círculos, quadrados, triângulos), estilos de linha (sólido, tracejado, pontilhado) ou rótulos diretos para complementar a codificação por cores.
P: Qual a resolução mínima de barra de cores que devo incluir?
Uma barra de cores deve ter no mínimo 5 marcas rotuladas em intervalos regulares em toda a faixa de dados. Inclua as unidades exatas no rótulo da barra de cores. Para paletas divergentes, sempre inclua e rotule explicitamente o valor do ponto médio.
P: Minha revista pede figuras em CMYK. Esses códigos HEX ainda se aplicam?
Códigos HEX são RGB. Antes da submissão final, converta sua figura para CMYK usando o perfil ICC da revista (geralmente Adobe RGB 1998 ou sRGB IEC61966-2.1 como perfil de origem). As cores vão mudar levemente — verifique cuidadosamente a prova CMYK, especialmente os amarelos saturados (como a extremidade brilhante do Viridis), que podem ficar opacos. Solicite uma prova de cor ao departamento de produção em caso de dúvida.
P: Existe uma paleta única segura o suficiente para todos os tipos de daltonismo?
Nenhuma paleta única é perfeita para os três tipos principais (protanopia, deuteranopia, tritanopia) simultaneamente, mas Okabe-Ito é a que mais se aproxima para dados qualitativos. Para paletas sequenciais e divergentes, Cividis é especificamente otimizado para todas as formas de deficiência de visão de cores. Use o simulador Coblis para verificar sua paleta específica em relação às três condições.
P: Como garantir que minhas cores pareçam corretas em diferentes monitores e projetores?
Calibre seu monitor para o espaço de cor sRGB, que é a premissa padrão para figuras acadêmicas destinadas a telas. Para apresentações projetadas em salas grandes, aumente o contraste e evite cores muito claras (qualquer coisa acima de ~85 % de luminosidade vai desaparecer na maioria dos projetores). Teste seus slides no ambiente de projeção real quando possível.
