Paletas de cores científicas para artigos de pesquisa: referência completa com códigos HEX | SciDraw AI - Ferramenta de IA para figuras cientificas | Graphical Abstract e TOC online
2026/06/07
Paletas de cores científicas para artigos de pesquisa: referência completa com códigos HEX
Paletas qualitativas, sequenciais e divergentes para figuras científicas. Escolhas seguras para daltonismo, tabelas HEX prontas para usar e regras práticas para visualizações de dados com qualidade de publicação.
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
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.
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.
Milhares de pesquisadores usam o SciDraw AI para criar em minutos figuras prontas para publicação em artigos, projetos e submissões a periódicos — sem experiência em design.
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.
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.
As três famílias de paletas — qualitativa, sequencial e divergente — codificam, cada uma, um tipo diferente de dados científicos.
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.
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.
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.
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.
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.
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.
Uma folha de referência organizada com chips categóricos e gradientes perceptualmente uniformes facilita reutilizar paletas validadas no SciDraw AI.
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: 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.
Um mapa de cores perceptualmente uniforme (à esquerda) representa os dados fielmente, enquanto o mapa arco-íris "jet" (à direita) inventa fronteiras 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 cores padrãoplt.rcParams['axes.prop_cycle'] = plt.cycler(color=okabe_ito)# Viridis já é o mapa de cores sequencial padrão do Matplotlibplt.imshow(data, cmap='viridis')
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.
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.
