• Logo
    PaperBananaKI-Generator für akademische Illustrationen
Startseite
  • Startseite
  • Kreativstudio
  • Generator für wissenschaftliche Illustrationen
  • Poster-Maker
  • Diagramm-Generator
  • Figure Editor
  • Preise
Meine Erstellungen
  • Meine Erstellungen
  • Freunde einladen
LogoPaperBanana
StartseitePrompt-BibliothekBlogPreiseFreunde einladen
  1. Startseite
  2. Werkzeuge
  3. Volcano-Plot-Generator
PaperBanana

PaperBanana – KI-gestützter Generator für akademische Illustrationen

support@paperbanana.me
Alle Tools

Tool-Verzeichnis

KI-Abbildungen

  • Wissenschaftliche Illustration
  • Graphical-Abstract-Generator
  • Wissenschaftlicher Poster-Generator
  • Wissenschaftlicher Diagrammersteller
  • Editor für wissenschaftliche Abbildungen
  • Prompt-Bibliothek

Forschungsdiagramme

  • Generator für konzeptionelle Rahmenmodelle
  • Neuronales-Netz-Diagramm-Generator
  • PRISMA-Flussdiagramm-Generator
  • CONSORT-Flussdiagramm-Generator

Grafische Organizer

  • Graphic-Organizer-Ersteller
  • Frayer-Modell-Generator
  • KWL-Tabellen-Generator
  • Ursache-Wirkungs-Diagramm
  • Vergleichsdiagramm-Generator
  • Mindmap-Generator
  • Handlungsdiagramm-Generator
  • Syntaxbaum-Generator
  • Satzdiagramm-Generator
  • Punnett-Quadrat-Generator
  • Venn-Diagramm-Generator

Mathematik und Physik

  • Faktorbaum-Generator
  • Zahlengeraden-Generator
  • Freikörperbild-Generator
  • Bohrsches Atommodell erstellen

Datenvisualisierung

  • Sankey-Diagramm-Generator
  • Streudiagramm-Generator
  • Dot Plot Maker
  • Forest-Plot-Generator
  • Funnel-Plot-Generator
  • Kaplan-Meier-Kurven-Generator
  • Boxplot-Generator
  • Heatmap-Generator
  • Volcano-Plot-Generator
  • Phylogenetischer Baum-Generator

Bilder und Einreichung

  • Abbildungsprüfung für Fachzeitschriften
  • Bildformat-Konverter

© 2026 PaperBanana. Alle Rechte vorbehalten.

Hilfe

  • Über uns
  • Blog
  • Preise
  • Kontakt

Rechtliches

  • Datenschutzerklärung
  • Nutzungsbedingungen
  • Zulässige Nutzung
Online-Tool für Forschungsdaten · ohne Anmeldung

Volcano-Plot-Generator für RNA-seq & Proteomik—ohne R oder Python

Fügen Sie differentielle Expressionsdaten ein, prüfen Sie die Spalten für log₂-Fold-Change und Signifikanz, passen Sie Grenzwerte und Genlabels an und exportieren Sie ein bearbeitbares SVG oder ein hochauflösendes PNG. Ihre Daten bleiben in Ihrem Browser.

CSV, TSV oder Einfügen aus ExcelAutomatische SpaltenzuordnungGrenzwerte und Labels live anpassenBearbeitbares SVG und PNG

Differentielle Expressionsdaten

Fügen Sie CSV oder TSV ein, kopieren Sie aus Excel oder laden Sie eine Textdatei hoch. Gängige Spaltennamen werden automatisch zugeordnet.

sample-rna-seq.tsv

Ihre Tabelle bleibt in Ihrem Browser. Beim Öffnen des Editors wird in Ihrem Konto ein bearbeitbares Projekt erstellt.

Live-Vorschau

28
Hochreguliert
35
Herunterreguliert
57
Nicht signifikant
RNA-seq: Behandlung vs. KontrolleVolcano Plot von log₂-Fold-Change gegen −log₁₀-Signifikanz.RNA-seq: Behandlung vs. Kontrolle|log₂FC| ≥ 1 · significance ≤ 0.05-5-2.502.5501.753.55.257TP53: log₂FC -2.89, significance 0CDKN2A: log₂FC -2.17, significance 0.01ERBB2: log₂FC 0.22, significance 0.63BRCA1: log₂FC 1.1, significance 0.08MYC: log₂FC -0.06, significance 0.01EGFR: log₂FC -0.42, significance 0.1PTEN: log₂FC -2.21, significance 0.01KRAS: log₂FC -2.7, significance 0GENE_9: log₂FC -2.58, significance 0.01GENE_10: log₂FC 0.23, significance 0.09GENE_11: log₂FC -1.84, significance 0GENE_12: log₂FC 2.38, significance 0.01GENE_13: log₂FC -0.13, significance 0.64GENE_14: log₂FC -1.95, significance 0.03GENE_15: log₂FC -0.34, significance 0.34GENE_16: log₂FC -3.06, significance 0GENE_17: log₂FC -1.22, significance 0.06GENE_18: log₂FC 2.45, significance 6.9e-4GENE_19: log₂FC 1.54, significance 0GENE_20: log₂FC -0.25, significance 0.26GENE_21: log₂FC -0.52, significance 0.38GENE_22: log₂FC -4.24, significance 1.9e-4GENE_23: log₂FC 2.08, significance 0.01GENE_24: log₂FC 0.28, significance 0.08GENE_25: log₂FC -1.57, significance 2.1e-4GENE_26: log₂FC 3.18, significance 7.3e-5GENE_27: log₂FC -4.3, significance 9.6e-6GENE_28: log₂FC 1.28, significance 0.1GENE_29: log₂FC 1.64, significance 0.05GENE_30: log₂FC -0.99, significance 0.17GENE_31: log₂FC -1.77, significance 0.01GENE_32: log₂FC -0.23, significance 0.61GENE_33: log₂FC 0.11, significance 0GENE_34: log₂FC -3.24, significance 6.8e-4GENE_35: log₂FC 0.07, significance 0.24GENE_36: log₂FC 0.89, significance 0.19GENE_37: log₂FC 3.62, significance 0GENE_38: log₂FC 1.22, significance 4.5e-4GENE_39: log₂FC -0.14, significance 0.7GENE_40: log₂FC -2.19, significance 0.02GENE_41: log₂FC 2.27, significance 1.1e-4GENE_42: log₂FC -1.15, significance 0.01GENE_43: log₂FC 1.55, significance 0.04GENE_44: log₂FC -0.6, significance 0.32GENE_45: log₂FC -0.05, significance 0.9GENE_46: log₂FC 3.45, significance 0GENE_47: log₂FC -1.75, significance 0.01GENE_48: log₂FC -0.51, significance 0.4GENE_49: log₂FC 3.58, significance 5.7e-6GENE_50: log₂FC -0.6, significance 0.03GENE_51: log₂FC -0.05, significance 0.35GENE_52: log₂FC 0.16, significance 0GENE_53: log₂FC -0.08, significance 0.51GENE_54: log₂FC -2.33, significance 0GENE_55: log₂FC -3.11, significance 0GENE_56: log₂FC 1.27, significance 0.1GENE_57: log₂FC -0.06, significance 0.08GENE_58: log₂FC -4.29, significance 6.5e-6GENE_59: log₂FC -2.99, significance 1.4e-4GENE_60: log₂FC -0.36, significance 0.02GENE_61: log₂FC -1.21, significance 0.1GENE_62: log₂FC 1.35, significance 0.01GENE_63: log₂FC -0.05, significance 0.53GENE_64: log₂FC -0.12, significance 0.8GENE_65: log₂FC -4.01, significance 2.5e-6GENE_66: log₂FC -4.33, significance 1.8e-4GENE_67: log₂FC 3.6, significance 1.4e-4GENE_68: log₂FC -0.11, significance 0GENE_69: log₂FC 1.95, significance 4.0e-4GENE_70: log₂FC 3.2, significance 7.5e-5GENE_71: log₂FC 3.55, significance 0GENE_72: log₂FC 0.1, significance 0.23GENE_73: log₂FC -3.59, significance 6.5e-4GENE_74: log₂FC -3.5, significance 0GENE_75: log₂FC 4.06, significance 2.3e-4GENE_76: log₂FC -3.05, significance 0GENE_77: log₂FC 3.15, significance 0GENE_78: log₂FC -1.58, significance 0.05GENE_79: log₂FC 0.19, significance 0GENE_80: log₂FC 2.6, significance 0.01GENE_81: log₂FC -0.58, significance 0GENE_82: log₂FC 2.5, significance 3.6e-4GENE_83: log₂FC -0.05, significance 0GENE_84: log₂FC 0.43, significance 0.04GENE_85: log₂FC -0.1, significance 0.03GENE_86: log₂FC -1.52, significance 0.06GENE_87: log₂FC -1.33, significance 0GENE_88: log₂FC 0.25, significance 0.11GENE_89: log₂FC 0.17, significance 0.24GENE_90: log₂FC -1.87, significance 0.02GENE_91: log₂FC 3.71, significance 4.6e-4GENE_92: log₂FC 1.28, significance 0.01GENE_93: log₂FC 0.92, significance 0GENE_94: log₂FC -1.24, significance 0GENE_95: log₂FC -0.11, significance 0.11GENE_96: log₂FC -0.08, significance 0.03GENE_97: log₂FC 0.63, significance 0.07GENE_98: log₂FC -4.04, significance 2.4e-4GENE_99: log₂FC 0.07, significance 0.01GENE_100: log₂FC -0.53, significance 0.12GENE_101: log₂FC -2.1, significance 0GENE_102: log₂FC -0.05, significance 0.01GENE_103: log₂FC -2.87, significance 5.4e-4GENE_104: log₂FC -1.55, significance 0.01GENE_105: log₂FC 1.19, significance 0.03GENE_106: log₂FC 0.75, significance 0.26GENE_107: log₂FC -3.93, significance 3.1e-4GENE_108: log₂FC 0.35, significance 0.37GENE_109: log₂FC -2.62, significance 0GENE_110: log₂FC -0.2, significance 0.69GENE_111: log₂FC 2.94, significance 6.6e-4GENE_112: log₂FC 0.05, significance 0.06GENE_113: log₂FC 1.65, significance 0GENE_114: log₂FC 0.07, significance 0.61GENE_115: log₂FC 4.27, significance 1.1e-4GENE_116: log₂FC 4.05, significance 2.0e-4GENE_117: log₂FC 2.52, significance 0.01GENE_118: log₂FC 0.91, significance 0.03GENE_119: log₂FC 0.12, significance 0.56GENE_120: log₂FC 0.32, significance 0.11GENE_65GENE_58GENE_27GENE_49GENE_115GENE_66GENE_22GENE_116log₂-Fold-Change−log₁₀ SignifikanzHerunterHochNicht signifikant

Punkte werden aus Ihren Werten berechnet. Prüfen Sie Spalten und Grenzwerte vor der Einreichung gegen den Analyseplan.

Brauchst du eine wissenschaftliche Illustration für deine Arbeit?

Verwandle deine Forschungsmethoden, Mechanismen und Abläufe mit paper banana in verständliche Abbildungen.

Grundlagen

Was ist ein Volcano Plot und welche Daten zeigt er?

Ein Volcano Plot ist ein Streudiagramm, das Effektstärke und statistische Signifikanz verbindet. Die horizontale Achse zeigt den log₂-Fold-Change, die vertikale Achse −log₁₀ von p-Wert, adjustiertem p-Wert, FDR oder q-Wert. Merkmale oben links und rechts weisen große Änderungen und starke statistische Evidenz auf.

Forschende prüfen damit Tausende Gene, Proteine, Metaboliten oder Screening-Merkmale gleichzeitig. Eine klare Darstellung trennt signifikant hochregulierte, herunterregulierte und nicht signifikante Merkmale und beschriftet nur relevante Kandidaten.

Das Tool berechnet jeden Punkt aus Ihrer Tabelle. Es prüft die zugeordneten Spalten und ungültige Zeilen vor dem Zeichnen, damit eine saubere Abbildung weder eine fehlerhafte p-Wert-Skala noch fehlende Fold-Change-Werte verdeckt.

01

Merkmals-ID

Gensymbol, Protein-ID, Metabolit, SNP oder Screening-Merkmal.

02

Effektstärke

Eine um null zentrierte log₂-Fold-Change-Spalte.

03

Signifikanz

p-Wert, adjustierter p-Wert, FDR oder q-Wert zwischen 0 und 1.

04

Grenzwerte

Regeln für Effektstärke und Signifikanz zur Klassifikation.

Volcano-Plot-Beispiele für RNA-seq, Proteomik und Metabolomik

Laden Sie ein passendes Beispiel und prüfen Sie Datenformat, Grenzwerte, Labels und Farbgruppen, bevor Sie es durch Ihre eigenen Ergebnisse ersetzen.

Für echte Forschungsarbeit

Volcano Plots für Omik-Analyse und Manuskriptrevision

Kommen Sie von der Tabelle mit differentieller Expression zu einer prüfbaren Abbildung, ohne die Analyse in einem zweiten Plot-Tool nachzubauen.

RNA-seq-Forschende prüfen einen Volcano Plot

RNA-seq-Manuskripte und Abschlussarbeiten

DESeq2-, edgeR- oder limma-Ausgabe einfügen, Spalten prüfen und im Ergebnisteil diskutierte Gene beschriften.

Proteomik-Analyse mit signifikanten Proteinen

Proteomik- und Metabolomik-Screens

Protein- oder Metabolit-IDs und adjustierte Signifikanz ohne neuen Code verarbeiten.

Forschungsteam prüft einen bearbeitbaren Volcano Plot

Revision durch Mitautoren und Reviewer

Grenzwerte und Labels ändern, während Daten und Plot-Einstellungen zusammenbleiben.

Was Sie steuern können

Differentielle Expressionsdaten vor dem Plotten validieren

Spaltenzuordnung, Prüfung ungültiger Zeilen, Grenzwerte, Labels, Statistik und Export bleiben in einem sichtbaren Ablauf.

DESeq2-, edgeR- und limma-Spalten ohne Umbenennen zuordnen

Erkennt die Überschriften gene, symbol, feature, protein, log2FoldChange, logFC, pvalue, padj, FDR und qvalue. Die erkannte Zuordnung bleibt sichtbar, damit Sie sie vor dem Export prüfen können.

Mit Ihren Daten testen
Workflow zur Zuordnung und Validierung von Expressionsspalten

log₂FC- und p-Wert-Grenzen live testen

Ändern Sie den absoluten log₂FC-Grenzwert, die Signifikanzschwelle und die Zahl der Labels. Plot sowie die Anzahlen für Hoch, Herunter und Nicht signifikant werden gemeinsam aktualisiert.

Mit Ihren Daten testen
Grenzwert- und Genlabel-Steuerung mit Live-Vorschau

Bearbeitbares SVG mit reproduzierbaren Einstellungen exportieren

Laden Sie SVG für die Vektorbearbeitung, PNG für Dokumente und Folien oder JSON mit Tabelle und Einstellungen herunter. Öffnen Sie das SVG in PaperBanana für den letzten Feinschliff bei Labels und Layout.

Mit Ihren Daten testen
Exportworkflow für SVG PNG JSON und weitere Bearbeitung
Integrierte Datenprüfung

log₂FC, p-Werte, padj und FDR vor dem Export prüfen

Eine Vulkanform kann trotzdem falsch sein, wenn die Spalten die falsche Skala nutzen oder ungültige Werte enthalten. Das Tool prüft die Eingabe und meldet ausgeschlossene Zeilen, ohne Ihre Ergebnisse still zu verändern.

Effektspalte prüfen

Die X-Achse benötigt numerischen log₂-Fold-Change; linearer Fold Change muss zuerst umgerechnet werden.

p-Werte und adjustierte Signifikanz prüfen

Signifikanz muss größer als 0 und höchstens 1 sein; Nullwerte, negative, fehlende und nicht numerische Werte werden gemeldet.

Ungültige Zeilen sichtbar halten

Gültige und ungültige Zeilen werden getrennt gezählt, damit fehlende Daten nicht verschwinden.

Datenprüfung von Spalten und ungültigen Werten vor dem Plotten
Spaltenzuordnung und ungültige Zeilen bleiben vor SVG-, PNG- oder JSON-Export sichtbar.Daten geprüft

Warum Forschende es nutzen

Publikationsreifen Volcano Plot ohne R oder Python erstellen

Konzentrieren Sie sich auf die Interpretation, während das Tool Plot, gut lesbare Labels und Export übernimmt.

Ohne Code

Keine Plot-Pakete einrichten

Erstellen Sie die Abbildung, ohne R, Python, ggplot2, Plotly oder EnhancedVolcano zu installieren.

Auto-Mapping

Vertraute Spaltennamen verwenden

Direkt mit vorhandener Ausgabe starten, ohne alles in drei feste Spalten umzubenennen.

Prüfbar

Statistische Gruppen nachvollziehen

Hoch-, herunterregulierte, nicht signifikante und ungültige Merkmale zählen.

Lesbar

Nur stärkste Treffer beschriften

Labelzahl begrenzen und nach Effekt und Signifikanz priorisieren.

SVG

Vektorqualität bewahren

SVG für Journal, Poster oder Bearbeitung durch Mitautoren exportieren.

Privat

Forschungsdaten lokal halten

Eingefügte und hochgeladene Daten bleiben in Ihrem Browser, bis Sie bewusst ein bearbeitbares Projekt öffnen.

Vier Schritte

Volcano Plot online in vier Schritten erstellen

Tabelle vorbereiten, erkannte Spalten prüfen, Grenzwerte anpassen und die Abbildung exportieren.

01

Tabelle einfügen oder Datei hochladen

Nutzen Sie CSV, TSV, TXT oder aus Excel kopierte Zeilen. Enthalten sein müssen ein Merkmalsname, ein log₂-Fold-Change und eine Signifikanzspalte.

02

Erkannte Spaltenzuordnung prüfen

Bestätigen, welche Überschriften Labels, X-Werte und Signifikanz liefern.

03

Grenzwerte und Genlabels setzen

Absoluten log₂FC-Cutoff, p- oder adjustierten Signifikanz-Cutoff und Labelzahl wählen.

04

Herunterladen oder weiter bearbeiten

Exportieren Sie SVG, PNG oder JSON. Öffnen Sie das SVG in PaperBanana, wenn das Manuskript noch Anpassungen bei Typografie oder Anmerkungen braucht.

Jetzt plotten
Daten einfügen, Grenzen setzen und SVG im Generator exportieren
Das JSON bewahrt Quelldaten und Einstellungen für reproduzierbare Revisionen.

Weiter im Workflow

Bereite deine Forschungsabbildungen zur Einreichung vor

Erstelle ergänzende Diagramme, überarbeite Beschriftungen und Layout und prüfe anschließend die Bildanforderungen und Dateiformate für die Einreichung.

Alle Tools ansehen
Wissenschaftlicher Analyseworkflow

Wissenschaftlicher Diagramm-Maker

Editor passt Labels einer SVG-Abbildung an

Editor für Forschungsabbildungen

Abbildungsprüfung für die Einreichungsanforderungen exportierter Forschungsbilder

Abbildungsprüfung für Fachzeitschriften

Bildformat-Konverter zur Vorbereitung von Forschungsabbildungen als TIFF, JPEG oder PDF

Bildformat-Konverter

Häufig gestellte Fragen

Fragen zu Daten, Grenzwerten und Export

Welche Datenspalten brauche ich für einen Volcano Plot?+

Benötigt werden eine Merkmals-ID, eine numerische log₂-Fold-Change-Spalte und eine Signifikanzspalte mit p-Wert, adjustiertem p-Wert, FDR oder q-Wert. Der Generator erkennt gängige Überschriften wie gene, symbol, protein, log2FoldChange, logFC, pvalue, padj, FDR und qvalue und zeigt die Zuordnung zur Prüfung an.

Soll ich p-Wert, adjustierten p-Wert oder FDR verwenden?+

Bei Hochdurchsatzexperimenten sind adjustierte p-Werte oder FDR meist besser vertretbar, weil Tausende Merkmale gleichzeitig getestet werden. Verwenden Sie das Maß aus Ihrer statistischen Analyse und nennen Sie es in Achse, Bildunterschrift oder Methodenteil, damit Leserinnen und Leser den Grenzwert richtig interpretieren können.

Wie berechne ich log2 Fold Change und p-Werte?+

Berechnen Sie sie vor dem Plotten mit einem geeigneten differentiellen oder statistischen Workflow. DESeq2, edgeR und limma erzeugen diese Spalten für Sequenzierungsdaten; Proteomik-Pipelines liefern vergleichbare Effekt- und Signifikanzfelder. Der Volcano-Plot-Generator visualisiert diese Ergebnisse, ersetzt aber nicht die zugrunde liegende statistische Analyse.

Kann ich ohne R oder Python aus Excel einen Plot erstellen?+

Kopieren Sie Merkmal, log₂-Fold-Change und Signifikanz aus Excel in das Datenfeld; Tabulatoren werden automatisch erkannt. Alternativ speichern Sie das Arbeitsblatt als CSV oder TSV und laden es hoch. Der Browser zeichnet die Abbildung ohne Installation von R, Python oder Kommandozeilenwerkzeugen.

Welche log2FC- und Signifikanzgrenzen soll ich verwenden?+

Ein verbreiteter Ausgangspunkt ist |log₂FC| ≥ 1 und adjustierter p-Wert oder FDR ≤ 0,05. Die richtige Wahl hängt von Design, Power, Fachstandards und Analyseplan ab. Die Steuerelemente visualisieren Ihre Regel, wählen oder validieren das wissenschaftliche Kriterium aber nicht für Sie.

Eignet sich das für Proteomik, Metabolomik, GWAS oder miRNA?+

Jeder Merkmalsvergleich mit Effektspalte und gültiger Signifikanzspalte ist darstellbar. Als IDs eignen sich Proteine, Metaboliten, SNPs, miRNAs oder Screening-Treffer. Prüfen Sie fachspezifische Vorverarbeitung und Korrektur multipler Tests, bevor hervorgehobene Punkte als biologische oder klinische Kandidaten interpretiert werden.

Ist der exportierte Volcano Plot publikationsgeeignet?+

SVG bewahrt editierbare Vektorpunkte, Text, Grenzlinien und Labels; PNG eignet sich für Dokumente und Folien. Prüfen Sie vor der Einreichung Breite, Schriftgröße, Farben, Bildunterschrift und Dateiformate des Zieljournals und gleichen Sie jeden geplotteten Wert mit der ursprünglichen Analyse ab.

Verlassen meine Forschungsdaten den Browser?+

Eingefügte und hochgeladene Tabellen werden lokal verarbeitet, sodass Quelldaten beim Plotten und Herunterladen das Gerät nicht verlassen. Sie werden nur dann an PaperBanana gesendet, wenn Sie ausdrücklich eine Kontofunktion öffnest, die ein bearbeitbares Projekt erstellt. Prüfen Sie vor Cloud-Bearbeitung die Datenrichtlinien Ihrer Institution.

Bereit, Ihre Daten zu plotten?

Differentielle Expressionsdaten in einen bearbeitbaren Volcano Plot umwandeln

Tabelle einfügen, Zuordnung bestätigen, Grenzwerte anpassen und eine bearbeitbare Abbildung herunterladen. Keine Anmeldung nötig.

Jetzt Volcano Plot erstellen