当前位置：首页 > news >正文

iMetaMed | 王诗翔/罗鹏/李剑峰/曾健明—Bizard 平台：加速与提升生物医学数据可视化

news 2026/4/16 3:21:34

点击蓝字关注我们

Bizard 平台：加速与提升生物医学数据可视化

iMetaMed主页：https://onlinelibrary.wiley.com/journal/3066988x

研究论文

● 期刊:iMetaMed

●英文题目: Bizard: A Community-Driven Platform for Accelerating and Enhancing Biomedical Data Visualization

●中文题目: Bizard 平台：加速与提升生物医学数据可视化

● 原文链接: https://onlinelibrary.wiley.com/doi/10.1002/imm3.70038

● DOI: https://doi.org/10.1002/imm3.70038

● 2026年3月19日，中南大学王诗翔等在iMetaMed在线发表了题为 “Bizard: A Community-Driven Platform for Accelerating and Enhancing Biomedical Data Visualization” 的文章。

● 生物医学研究日益依赖异质性、高维度数据集，但有效的数据可视化仍受制于代码资源碎片化、编程门槛高以及缺乏领域特异性指导。Bizard 是一个开源的可视化代码资源库，旨在简化生物医学研究中的数据分析流程。它汇集了多种可执行的可视化脚本，使研究人员能够根据具体研究需求选择并定制最合适的图形方法。该平台提供直观的界面，配备强大的浏览与筛选功能、详尽的教程以及促进知识传播的互动讨论论坛。通过社区驱动的模式，Bizard 持续推动内容优化与功能扩展，正逐步成为提升生物医学数据可视化和分析水平的重要资源。借助 Bizard 的基础设施，研究人员可以提高可视化能力、推动方法学进步并增强结果解读的严谨性，最终加速精准医学和个体化治疗的发展。

● 第一作者：李柯馨、郑虎、黄可昕、柴银盈、彭钰洁、王春阳、易旭洋、金子伦、杨泓、彭云、石盈

● 通讯作者：王诗翔(wangshx@csu.edu.cn)、罗鹏 (luopeng@smu.edu.cn）、

李剑峰 (lee_jianfeng@sjtu.edu.cn)、曾健明 (yb77613@umac.mo)

● 合作作者：卢心河、卞佳睿、王艺润、寇荣骜、高德岷、赵浛博、张娟、黄丹、朱开宇、吴宸旭、杨泽若、匡正、严彬、刘陌、鲍志炜、彭宇中、苗奔奔

● 主要单位：南方医科大学、华中农业大学、中南大学、澳门大学、厦门大学、上海血液学研究所、上海基因编辑重点实验室等

亮点

● 面向生物医学研究的开源专业可视化平。

● 提供超过 750 种图形的可视化方案，涵盖基础分析、组学分析和临床分析。

● 友好的网站设计与中英双语支持。

● 基于 GitHub 的社区驱动运营机制与自动化部署。

摘要

生物医学研究日益依赖异质性、高维度数据集，但有效的数据可视化仍受制于代码资源碎片化、编程门槛高以及缺乏领域特异性指导。Bizard 是一个开源的可视化代码资源库，旨在简化生物医学研究中的数据分析流程。它汇集了多种可执行的可视化脚本，使研究人员能够根据具体研究需求选择并定制最合适的图形方法。该平台提供直观的界面，配备强大的浏览与筛选功能、详尽的教程以及促进知识传播的互动讨论论坛。通过社区驱动的模式，Bizard 持续推动内容优化与功能扩展，正逐步成为提升生物医学数据可视化和分析水平的重要资源。借助 Bizard 的基础设施，研究人员可以提高可视化能力、推动方法学进步并增强结果解读的严谨性，最终加速精准医学和个体化治疗的发展。Bizard 可在 https://openbiox.github.io/Bizard/ 免费访问。

视频解读

Bilibili：https://www.bilibili.com/video/BV19FDnB6Ea2/

Youtube：https://youtu.be/9Qw21aMo4I8

中文翻译、PPT、中/英文视频解读等扩展资料下载

请访问期刊官网：https://onlinelibrary.wiley.com/journal/3066988x

全文解读

引言

在生物医学大数据时代，可视化已成为不可或缺的分析透镜，能够将晦涩、高维的数据集转化为直观且能够激发假设的叙述，从而推动基础发现和临床决策。高通量测序技术、高分辨率成像技术以及各类组学技术的快速发展，产生了海量而复杂的生物医学数据。这些数据蕴含着揭示生命奥秘、理解疾病机制以及开发诊断和治疗方法的巨大潜力。然而，如何从这些复杂数据集中有效提取有意义的信息，并将其转化为清晰、准确且有说服力的可视化表达，已经成为每一位生物医学研究者面临的重要挑战。

R 生态系统凭借其无与伦比的统计能力、庞大的软件包体系和灵活的图形功能，已成为完成此类任务的首选环境。然而，制作高质量的可视化并非易事。研究人员往往面临多重挑战：首先，技术门槛较高。许多强大的可视化工具（如 ggplot2）需要扎实的编程基础，这对缺乏计算背景的生物学或医学研究者构成了显著障碍。其次，资源分散且缺乏组织。尽管互联网上存在大量零散的可视化代码和教程，但质量参差不齐，研究人员需要投入大量时间和精力去查找、筛选并适配这些资源。此外，个性化定制也较为困难。即使找到了基础代码，若要根据特定的生物医学数据类型及具体投稿要求进行调整和优化，往往仍需深入理解和反复调试。最后，缺乏与领域知识的深度融合。通用可视化教程通常无法在生物医学语境下提供解释和应用案例，导致研究人员难以将图表与实际科学问题紧密联系起来。

当前，尽管已有多种优秀的可视化工具可用于分析生物医学中的不同类型数据，但大量绘图软件包及其相关代码实现的快速涌现，仍常常给研究人员带来显著挑战。他们必须根据具体需求选择最合适的可视化方法，并进行相应定制。这一过程需要较高的编程能力、持续的交互式探索、迭代试验、优化，以及有效的跨学科沟通。虽然许多在线可视化平台降低了编程技能要求，但这些工具往往缺乏透明的代码，且难以根据个性化需求进行修改。R Graph Gallery 在 R 语言数据可视化方面作出了重要贡献，但其主要侧重于提供多样化图表类型或基础绘图功能，缺乏生物医学特异性的可视化内容。FigureYa 虽然对生物医学领域的数据可视化做出了重要贡献，但其网站设计和社区运营仍有提升空间。一个整合代码存储、教程学习、数据适配和社区交流的综合性生态级平台仍然较为稀缺。研究人员需要一个不仅能够“开箱即用”，还能够支持“边用边学”“在应用中理解”和“协同共创”的环境。这样的平台将能够系统性地应对从数据到洞见、再从洞见到发表这一完整流程中的可视化挑战。

为应对这一挑战，我们在此提出 Bizard（https://openbiox.github.io/Bizard/），一个基于社区协作的综合可视化代码资源库。Bizard 作为面向生物医学研究人员的全方位参考型数据可视化平台，不仅提供丰富的代码资源，还提供可复现的指导文档。它具备高级浏览与筛选机制、精选参考代码、多样化可视化方法示例以及用于促进同行知识交流的互动讨论论坛。最终，Bizard 旨在增强数据驱动研究能力，并培育一个持续成长的社区。

结果

Bizard 概述

Bizard 是一款用于存储可视化代码并为用户提供协作平台的生物信息学工具，其特点在于高度开放性和综合性（图 1）。目前，Bizard 已收录超过 750 个图形（独立渲染图像），涵盖 70 余种图表类型（表 S1）。依托其出色的数据覆盖能力和广泛的应用场景，Bizard 为用户提供了多样化选择。聚焦生物医学领域，Bizard 涵盖常见的生物医学可视化代码，并为用户提供详尽的可视化教程与定制化指南。通过整合生物医学数据来源与文献复现流程，Bizard 促进了可视化在实际应用中的灵活适配。为解决用户在使用过程中的疑问与需求，Bizard 已在 GitHub 和微信上建立交流平台。微信平台发布动态，便于用户及时获取更新；GitHub 平台则承载讨论论坛，用户可自由分享观点并围绕特定主题展开交流。此外，Bizard 还集成了 DeepWiki 和 Zread，为平台赋予了 AI 驱动的阅读和互动问答能力。用户现可通过自然语言对话，智能学习并探索平台中的全部代码与教程资源。Bizard 热忱欢迎学者参与贡献，期待通过集体努力不断丰富其内容结构，并向更广泛的用户群体提供更优质的资源。

图1. Bizard 项目概览

Bizard 概览：一个综合性的、由社区驱动的平台，整合了面向生物医学数据可视化的代码指导、开放创新和讨论论坛。

Bizard 的工作流程

Bizard 的工作流程包括四个不同阶段：数据准备、基础图表生成、生物医学数据可视化和实际应用（图 2）。Bizard 首先评估用户的生物医学可视化需求，选择合适的图表，获取适用数据，并最终以教程形式向用户展示图表功能、数据展示方式（包括支持从公共数据库下载数据）、环境配置和代码解读。这使用户能够不受限制地执行后续代码。随后，Bizard 使用基础代码展示基本绘图结果，包括图像数据和代码参数解释。之后，它提供常用参数调整，以适应用户数据带来的个性化需求。同时，Bizard 融合生物医学数据集，帮助用户为实际应用选择最优图表。这些数据包括常见组学数据、临床指标和流行病学信息。每个教程最后都会通过权威已发表文章展示该图表的真实应用场景。针对部分图表，Bizard 还额外提供复现教程，使用户能够参考专业可视化作品并进行个性化图像修改。

图2. Bizard方法的工作流程及结果

左侧面板展示了 Bizard 的核心工作流程，右侧面板则展示了不同阶段的详细内容。数据预处理：包括图形功能调研、数据准备、环境配置以及编写代码和文档等步骤。基础科学图形：包括分布图、相关性图、排序图、演化图、流程图等基础图表。生物医学数据可视化：包括与生物医学数据相关的图表，如组学数据、流行病学数据、通路数据、临床试验数据、生存数据等。高级配置：包括更高级的图表，如 Hiplot 中可用的图表。

Bizard 中具有代表性的图形

基于其可视化绘图能力，Bizard 现有图表可分为三类：Basic、Omics 和 Clinics，分别对应不同的数据类型和应用场景（图 3）。在 Bizard 中，“graphic” 指一个独立渲染图像，“graphic type” 指一个独立教程页面；Hiplot 不计入其中，它属于额外分类。Basic 部分包含热图、维恩图等常见图表，以及主成分分析（PCA）和均匀流形近似与投影（UMAP）等标准分析，旨在为用户在多种场景下提供基础教程。同时，这些易用的基础图表还提供了多样的参数调整选项，以增强定制灵活性，使用户能够根据具体应用需求制作专业且美观的图表。Omics 绘图部分包含适用于基础多组学研究的火山图、富集分析，以及 motif 分析和染色体图等高级需求。Omics 模块的加入使用户能够为其组学数据选择更合适的可视化方式，而 Bizard 的定制功能和差异分析参数也便于开展统计分析。Clinics 模块则纳入了列线图、Meta 森林图等用于临床数据分析的图表。该模块为分析临床数据及探索临床指标与疾病结局之间的关联提供工具。此外，Bizard 还整合了来自 Hiplot 的 177 个图形，并将每个图形直接链接到 Hiplot 平台中的对应应用。

图3. Bizard中图形的示例与分类

这个图表展示了 Bizard 中的图形分类，每个分类展示了 10 个示例图形。基础类别包括 Upset 图、韦恩图、饼图及其他基础图形。组学类别包括火山图、染色体图、KEGG 图及其他用于基因组和转录组分析的组学图形。临床类别包括诺模图、Meta 森林图、Kaplan-Meier 曲线及其他用于临床医学分析的临床图形。

Bizard 的使用案例

为说明 Bizard 可视化流程的一般操作过程，我们选择了 Bizard 网站上的基础图形 UpSet plot 作为示例（图 4）。进入 Bizard 的 UpSet plot 页面后，用户可按照以下五个步骤进行操作：(1) Example：本部分对图形作总体介绍，说明图形内容与用途，并展示基础使用示例；(2) Setup：本部分介绍绘图所需的系统要求、编程语言和依赖包。要绘制 UpSet plot，需要安装并加载 UpSetR 和 ggupset 这两个 R 包；(3) Data preparation：本部分介绍绘图所需的数据集。为方便用户使用绘图代码，Bizard 在每个教程中均提供示例数据集，这些数据集均上传至腾讯云并可通过在线链接访问；(4) Visualization：本部分展示绘图用的可视化代码。Bizard 的可视化代码参数均已优化，可帮助用户快速生成符合期刊发表要求的图形；(5) Applications and reference：本部分介绍图形在已发表文献中的具体应用以及参考文献。例如，UpSet plot 可用于展示人群中不同疾病的统计情况及其对应生存时间。同时，考虑到可能出现的各种报错情况，我们增加了评论系统框。我们鼓励用户通过 Bizard 的评论系统提交任何问题。

图4. Upset图插件的使用流程

这个图表展示了在 Bizard 中绘制 Upset 图的五个步骤。步骤1：Upset 图的整体介绍和示例用法。步骤2：安装并加载本教程中使用的 R 包。步骤3：加载准备好的在线测试数据集。数据格式如下所示。步骤4：使用 R 代码绘制 Upset 图。步骤5：Upset 图在已发表文献中的应用。如果出现任何错误，请使用评论系统提交问题。

Bizard 的社区驱动协作机制

Bizard 是一个以 GitHub 为核心、由社区驱动的平台。基于 GitHub，它被设计为将问题讨论、图形征集、协作开发和自动部署整合到同一平台中（图 5）。

问题讨论模块基于 GitHub Discussions 构建。GitHub Discussions 是一个类似论坛的平台，为项目交流提供轻松开放的空间。在 Bizard 中，我们构建了基于 giscus 的网站评论系统，位于网站页面底部。任何对图形教程有疑问的用户都可以通过教程页面底部的评论框发起讨论。一旦提交评论，你的问题将自动发布到 Bizard 项目仓库的 GitHub Discussions 区域，并附带对应图形教程的链接。任何看到该问题的社区成员都可以参与讨论，Bizard 运营团队也会定期在 GitHub Discussions 中回复问题。

图形征集模块基于 GitHub Issues 构建。Bizard 始终从社区中征集新的图形。任何用户都可以通过 GitHub Issues 提交图形名称、类别、示例及相关资源，将图形提交给 Bizard。提交 GitHub Issues 后，Bizard 运营团队会对图形进行审核。审核结果包括以下三类：(1) 项目暂不考虑；(2) 补充到现有图形教程；(3) 新增图形教程。

协作开发模块基于 GitHub Pull Requests 构建。所有社区成员都可以通过 GitHub Pull Requests 参与 Bizard 项目的开发，例如贡献新文档、优化网站以及项目维护等。新的图形教程应按照 Bizard 的格式标准撰写，并应包含以下内容：Graphic、Description、Example、Setup、Data Preparation、Visualization、Application 和 Reference。Bizard 运营团队将审核教程并提出修改建议。

自动部署模块基于 GitHub Actions 构建。为确保网站开发高效可靠，并彻底消除手动更新网站所带来的繁琐、延迟和人为错误风险，Bizard 基于 GitHub Actions 构建了完整的自动化工作流。这一工作流实现了从代码提交到网站部署全过程的全自动化，显著提升了网站迭代的敏捷性与稳定性。其流程如下：当开发者向指定主分支（如 main 或 master）推送新的网站内容或代码更新，或发起拉取请求时，GitHub Actions 会自动激活。随后，它会严格按照预定义配置文件（Workflow File），在 GitHub 提供的全新虚拟环境中立即执行一系列关键任务，包括构建网站并将其自动部署到 GitHub Pages。

图5. Bizard社区协作框架

这个图表展示了 Bizard 社区协作框架的四个模块：问题讨论（绿色）、图形收集（蓝色）、协作开发（橙色）和自动部署（紫色）。基于 GitHub Discussion 的问题讨论模块用于社区用户讨论问题；基于 GitHub Issues 的图形收集模块用于收集社区用户的新图形；基于 GitHub Pull Request 的协作开发模块用于社区用户之间的协作开发；基于 GitHub Actions 的自动部署模块用于项目网站的自动检查和部署。

讨论

在本研究中，我们开发了 Bizard，这是一个面向生物医学研究的、由社区驱动的可视化代码存储与协作平台。与许多现有可视化工具相比，Bizard 的特色不仅在于其提供的可视化能力，更在于其集成了工具、数据、教程、文献与社区的生态系统。在领域特异性参数预设、真实世界数据、双语同步以及社区驱动更新等方面，Bizard 的表现优于其他现有平台。它旨在系统性解决生物医学研究人员在数据可视化实践中面临的多项核心挑战。网站访问统计显示，从 2025 年 3 月到 2026 年 1 月，Bizard 平台网站已收到来自全球 60 多个国家的 11,000 余次访问（https://clustrmaps.com/site/1c4xe）。

我们坚信，充分利用 Bizard 的多平台资源将显著提升研究人员在生物医学领域的数据可视化能力。这不仅将推动研究方法的进步，也将提高整个学科的数据解读标准。反过来，这一进步将加速精准医学和个体化治疗干预的发展。

我们鼓励研究人员在 GitHub 和微信讨论社区中分享反馈与建议。这些宝贵意见将在平台的迭代优化和功能扩展中发挥关键作用，有助于更好满足生物医学研究社区的需求，并加快从基础研究到临床应用的转化。

尽管具有诸多优势，Bizard 仍存在若干局限性。首先，其临床实用价值仍有待进一步发挥；因此，我们正在积极将该框架适配到床旁和转化应用场景中，以使其可视化目录和多模态数据资源在真实世界中发挥最大影响。其次，当前实现仍局限于 R 语言。我们将逐步扩展对 Python、JavaScript 以及其他广泛使用的编程环境的支持，以提升可及性。最后，由于 CRAN 和 Bioconductor 软件包的版本漂移可能引入运行时不稳定性，我们已经建立了包含自动化单元测试、持续集成检查和季度依赖审计在内的定期维护协议，以确保长期可复现性和流畅的终端用户体验。

在未来发展中，Bizard 旨在扩展其国际网络，吸引更多跨学科研究人员开展协作，共同创建更具创新性和前瞻性的可视化解决方案。此外，我们还将提供越来越精细和深入的代码教程，以应对生物医学研究中日益复杂的数据分析需求，并促进生物信息学与临床医学的融合。我们相信，Bizard 将成为推动生物医学领域数据可视化方法标准化、规范化和透明化演进的平台。这将显著提高整个领域的研究质量与效率，并加快生物医学发现向临床转化，以造福人类健康。

方法

网站前端布局设计

Bizard 网站的前端架构采用 Quarto（https://github.com/quarto-dev/quarto-cli）构建，这是一个与 R 计算环境无缝兼容的开源出版系统。该技术基础使得可执行代码块能够直接集成到文档中，从而动态生成可视化示例，并确保代码实现与图形输出之间的一致性。布局设计采用响应式多列结构，可智能适配不同浏览设备。基于 CSS Grid 布局技术，系统会根据屏幕宽度自动调整内容排列。导航系统采用分层架构，左侧为可折叠导航栏，右侧为侧边栏。左侧导航栏集成了会根据用户位置动态更新的面包屑路径，右侧侧边栏则允许用户在图形教程的不同章节之间跳转。这些功能组件能够清晰展示用户当前位置及路径层级，帮助用户快速理解当前内容在分类体系中的位置。

图形画廊页面设计

为全面应对图形数量快速增长所带来的问题，包括特定图形难以定位、管理混乱和使用效率低下，Bizard 引入了 Graph Gallery 功能。借助高级表格管理工具 reactable（https://github.com/glin/reactable），Bizard 整合了全部图形，并使用 JavaScript 和 CSS 前端代码对表格进行渲染。用户可通过筛选、排序和关键词搜索，在庞大的图形集合中准确定位所需内容，从而显著提升信息检索效率。Graph Gallery 采用基于表格的管理方式（表 S2），其元数据必须包含以下字段：Id：图像唯一 ID；Name：图像名称；Image_url：图像链接（复制自渲染后的教程页面）；Tutorial_url：教程链接（复制渲染后的教程页面）；Description：用一句话简要描述图像；Type：第三级图像类型；Level1：第一级图像类型，包括 BASICS、OMICS、CLINICS、HIPLOT；Level2：第二级图像类型，例如 Distribution、Correlation、Ranking 等。这些字段通过 reactable 函数读取，并由 GitHub Action 进行检查。如果缺少任一字段或字段类型错误，系统将显示错误信息。

双语实现

为更好地服务全球用户群体，消除语言差异带来的障碍，Bizard 已在平台全部文档中实现中英文无缝切换。我们使用 babelquarto（https://github.com/ropensci-review-tools/babelquarto/）实现这一功能，它是一款与 Quarto 框架完全兼容的多语言渲染工具。对于每个图形教程，我们都提供由 Bizard 运营团队审核和校对过的中英文文档，以确保翻译准确性。为确保双语内容同步，当某教程仅更新了单一语言版本时，我们以英文为主语言，并在每个页面添加修改时间。如果同一教程的两种语言版本修改时间不同步，我们就会检查是否存在更新。此外，我们还新增了自动翻译的 GitHub Actions 工作流。如果贡献者只提供单语文件，系统将自动检测并生成对应的译文文件，并创建拉取请求以供审阅，从而提高维护与更新效率。这一举措旨在打造一个真正国际化、包容性的网站平台。这意味着用户只需点击按钮，即可在中英文文档之间自由切换，轻松获取所需信息。

图形收集

Bizard 整合了来自多种来源的可视化代码，包括 R Graph Gallery（https://r-graph-gallery.com/）中的传统图形代码，以及相关领域专家提出的创新可视化方案。为了丰富 Bizard 图形教程的内容，并发挥其社区驱动运营模式的优势，Bizard 持续向全球社区成员征集与生物医学研究相关的图形。在 Bizard 首轮图表征集过程中，项目团队共对 38 种图形类型进行了审查与评估，并将其纳入 Bizard 平台。值得注意的是，Bizard 还整合了 Hiplot 平台的 177 个图形。Hiplot 是由 Openbiox 社区开发的一个交互式生物医学数据可视化应用。自 2019 年以来，Hiplot 平台已实现数百个生物医学可视化插件，涵盖基础统计、多组学分析、回归分析、聚类分析、降维分析、Meta 分析、生存分析和风险模型构建等领域。在 Bizard 的 Hiplot 类别中，每个页面都对应一个特定的 Hiplot 绘图插件。每个页面顶部均提供指向 Hiplot 平台的外部链接。用户可以选择使用 Bizard 代码绘图，或在 Hiplot 平台中以无代码方式绘图。这些图形的纳入不仅丰富了 Bizard 的项目内容，也为 Hiplot 可视化插件提供了源码教程解析，帮助用户更好地理解和使用这些工具。

图形分类

为解决 Bizard 平台数百种图形因数量庞大、维度重叠而导致的分类混乱问题，Bizard 实施了基于三级分类结构的图形目录管理系统。第一级为图形大类，包括 Basics、Omics、Clinics 和 Hiplot。第二级按照功能类型组织图形，包括 Distribution、Correlation、Ranking 和 Composition 等。第三级由具体图形类型组成，例如 Violin Plot、Density Plot、Histogram 和 Box Plot 等。这种层级式分类结构的显著优势在于，它能够依据功能与类别对图形进行分组，将分散的图形转变为一个相互关联的网络。最终，这一方法构建了一个全面的图形可视化知识库。

图形数据组织

在数据分析与可视化工作中，高效且系统地组织和托管示例数据集是关键步骤。为确保数据可以远程且安全地访问，Bizard 按照特定标准和流程组织示例数据集。数据被整理为易于读取的数据框或矩阵格式，每一列都包含表头，并移除了缺失值。为提升用户可获取性，我们删除了无关、重复和空白的行与列，以尽可能减小示例数据文件体积。数据整理完成后，这些数据集被上传至腾讯云，并通过统一资源定位符（URL）访问。Bizard 在每个教程中都提供示例数据集的 URL，可直接通过 R 代码加载。此外，我们还为每个数据集在 zenodo（https://doi.org/10.5281/zenodo.18151362）提供了备份。

图形文档标准化

Bizard 项目建立了统一且规范化的代码与文档格式。这不仅便于社区贡献者开展协作开发，也有助于生物医学研究者进行学习和使用。一个标准的 Bizard 文档应包括以下部分：(1) Example：为每种图形提供基础使用示例及说明信息；(2) Setup：说明绘图所需的编程环境如何配置；(3) Data Preparation：介绍可视化所使用的数据；(4) Visualization：展示多种绘制图形的方法；(5) Application：呈现可视化的多种应用场景；(6) Reference：提供相关文献与文档来源。

评论系统构建

为构建高效且可扩展的社区交流平台，Bizard 充分利用 GitHub 生态系统的优势，采用 giscus（https://github.com/giscus/giscus）工具，实现评论系统与代码仓库的无缝集成。giscus 系统基于 GitHub Discussion API 开发，并采用现代 Web 技术栈构建。前端使用 React 框架创建动态用户界面，同时采用 GitHub OAuth 进行用户身份认证，以确保评论系统的安全性和可靠性。系统架构采用客户端直连 GitHub API 的通信模式，避免了中间服务器带来的性能瓶颈，同时保证了实时数据同步。每个教程页面都通过唯一的 discussion category ID 与对应的 GitHub Discussion 主题关联，从而确保用户在任何图形教程中遇到问题时，都能无缝使用评论功能进行交流。

自动化构建与部署

为提高社区协作项目开发效率，消除人工更新带来的繁琐流程和人为错误风险，Bizard 基于 GitHub Actions 建立了高效可靠的自动化构建与部署系统。当社区成员向主分支推送代码或发起拉取请求时，工作流会自动触发。系统首先执行代码质量检查，以确保符合项目规范。随后，它会在 GitHub 提供的虚拟环境中配置 R 语言环境和必要的系统依赖，并自动构建网站。所有教程都经过自动化测试，只有当所有代码块均成功执行并渲染出图形时，构建才算通过；否则系统会自动生成错误信息。在管理员审阅并合并更改后，合并内容会自动部署到 GitHub Pages。在整个自动化构建与部署过程中，GitHub Actions 会通过电子邮件向贡献者和管理员通知问题与结果，为项目的快速迭代与稳定运行提供有力支持。

基于 GitHub 的社区管理

Bizard 项目充分利用 GitHub 作为开源协作平台的优势，建立了完善的社区驱动管理模式。这一管理模式不仅促进了项目的可持续发展，也培育了活跃的生物医学可视化知识共享生态。Bizard 采用分层式社区治理结构。管理员由项目发起人和核心团队组成，负责项目愿景规划和重大决策，拥有代码仓库写权限，并负责审阅和合并拉取请求。常规贡献者主要专注于特定模块的开发与维护，通过拉取请求进行贡献。普通用户则可在使用过程中通过评论提供反馈与建议。这种金字塔式结构在保证项目质量的同时，也降低了参与门槛。Bizard 项目还实施了积分制度，用于记录参与者的贡献。积分规则由项目发起人和负责人每年通过讨论确定。在投稿文章时，作者排序依据积分排名确定。通过这些开放透明的规则，Bizard 建立了社区信任，并认可成员的多样化贡献。

采纳建议与持续使用

为尽量降低上手成本，Bizard 采用基于 Quarto 的直观界面并提供双语支持，用户可直接在 RStudio 中一键浏览、复制并运行脚本。为了建立长期信任，我们实施了以下措施：(1) 依赖锁定策略：所有教程都包含 `sessionInfo()` 输出，用于锁定 R 包版本；GitHub Actions 在构建期间强制检查兼容性（默认使用 `ubuntu-latest` 上最新稳定的 CRAN 版本）。(2) 失效链接监测：每周自动运行的 GitHub Actions 工作流会检查数据集 URL（腾讯云主链接 + Zenodo 镜像）及外部链接；若检查失败，会通过 issue 通知维护者。(3) 投稿图形的质量门控规则：拉取请求（PR）必须包含必填字段（如表 S2 中的 ID、Name、Description、Type），自动执行全部代码块（必须成功渲染图形），并至少通过两位维护者的同行评审。

代码和数据可用性：

支持本研究结论的数据可在 https://github.com/openbiox/Bizard 和 https://openbiox.github.io/Bizard/ 上公开获取。

引文格式：

K.Li, H.Zheng, K.Huang, et al. 2026. “Bizard: A Community-Driven Platform for Accelerating and Enhancing Biomedical Data Visualization.”iMetaMed0: e70038. https://doi.org/10.1002/imm3.70038.

作者简介

结论

总体而言，1999年以来美国绝经后女性RA死亡率显著下降，提示治疗进步与医疗服务改善已带来实质性获益。然而，不同种族/族裔、地区及年龄群体之间仍存在显著差异。未来应通过更精准的公共卫生策略与医疗公平干预，改善高风险人群的诊疗可及性与健康结局。

李柯馨（第一作者）

● 香港大学李嘉诚医学院在读博士研究生。

● 研究方向为抗病毒药物研发，以第一作者（含共同）在Briefings in Bioinformatics、npj Digital Medicine、iMetaMed等期刊发表论文。

结论

郑虎（第一作者）

● 华中农业大学动物医学院在读博士研究生。

● 研究方向为单细胞空间转录组数据分析、可视化工具开发，以第一作者（含共同）在NSR、Plos Biology等期刊发表论文。

结论

黄可昕（第一作者）

● 南方医科大学第一临床医学院在读本科生。

● 研究方向为生物医学数据分析。以共同第一作者在期刊iMetaMed发表论文。

结论

柴银盈（第一作者）

● 南方医科大学第二临床医学院在读本科生。

● 研究方向为生物医学数据可视化分析，以共同第一作者在期刊iMetaMed发表论文。

结论

彭钰洁（第一作者）

● 南方医科大学第二临床医学院在读本科生。

结论

王春阳（第一作者）

● 中南大学生命科学学院在读硕士研究生。

● 研究方向为生物信息学。以共同第一作者在iMetaMed、Frontiers in Oncology期刊发表论文。

结论

易旭洋（第一作者）

● 中南大学湘雅医学院临床八年制在读博士生。

● 研究方向为肿瘤分子生物学与生物信息学。以共同第一作者在iMetaMed期刊发表论文。

结论

金子伦（第一作者）

● 河南大学作物逆境国家重点实验室在读硕士研究生。

● 研究方向为基因组学。以共同第一作者在iMeta、Journal Of Genetics And Genomics 期刊发表论文。

结论

杨泓（第一作者）

● 南方医科大学2018级临床医学本科生。

● 研究方向为肿瘤分子生物学、肿瘤免疫微环境、生物信息学。

结论

彭云（第一作者）

● 北京大学第二临床医学院在读博士研究生。

● 研究方向为泌尿外科的基础与临床研究。

结论

石盈（第一作者）

● 南方医科大学第二临床医学院在读本科生。

● 研究方向为肿瘤分子生物学与生物信息学。以共同第一作者在iMetaMed、PLoS Computational Biology期刊发表论文。

结论

王诗翔（通讯作者）

● 中南大学生物医学信息系特聘副教授、研究生导师，生物学博士、基础医学博士后。

● 在中南大学创建LISOM科研课题组，联合组建OncoHarmonyNetwork协作组，推动多组学大数据与人工智能技术在免疫肿瘤学领域的研究与应用。近五年以第一/通讯作者身份发表SCI论文10余篇(含2篇ESI高被引)，担任数十本国际期刊审稿人及多本期刊青年编委;主持国家自然科学基金青年项目等多项课题，参与科技创新2030等重大项目。

李剑峰（通讯作者）

● 上海交通大学医学院附属瑞金医院，上海市血液学研究所，组学与疾病全国重点实验室，国家转化医学中心（上海）分子病理平台副研究员、生物学博士。

● 研究方向：血液恶性疾病诊疗新方法开发及其致病机制研究，生物医学数据分析和计算工具开发。创立Openbiox生物信息协作社区、HIPLOT（ORG）可视化平台，新提出多个急性白血病亚类定义(被《血液肿瘤国际共识分类 2022》等国际权威指南采纳)，以第一/通讯作者身份在Blood、PNAS、CCR、BCJ、EHO、BIB等国际期刊发表10余篇学术论文，主持国家自然科学基金青年项目、上海市科委启明星计划扬帆专项等多项课题，作为核心成员或课题骨干参与国家重点研发计划、科技创新2030等重大项目（恶性血液疾病专病队列、新型分子分型与治疗方案、人工智能临床检验等）。获多项专利和软件著作权授权。

共同主办单位

更多推荐

（▼ 点击跳转）

高引文章 ▸▸▸▸

iMeta | 引用20000+，海普洛斯陈实富发布新版fastp，更快更好地处理FASTQ数据

高引文章 ▸▸▸▸

iMeta | 兰大张东组：使用PhyloSuite进行分子系统发育及系统发育树的统计分析

高引文章▸▸▸▸

iMeta | 唐海宝/张兴坦-用于比较基因组学分析的多功能分析套件JCVI

iMeta封面

1卷1期

1卷2期