Visualização de Dados em Farmacologia

Tipos de gráficos, como plotá-los e boas práticas para publicações

Ma. Tamires Martins

July 24, 2025

Objetivos da oficina

1. Entender o papel dos gráficos em farmacologia
2. Explorar tipos de gráficos: dose-resposta, respostas de grupos etc.
3. Revisar conceitos estatísticos básicos
4. Aplicar boas práticas gráficas para publicação
5. Compreender a teoria das cores e acessibilidade
6. Praticar com pacotes em R: ggplot2 e tidyplots

Materiais

• Slides <
• Projeto no GitHub
• Cheatsheets impressos

Cronograma

Horário	Atividade
14h - 14h20	Introdução à visualização
14h20 - 14h50	Tipos de gráficos em farmacologia
14h50 - 15h15	Boas práticas + teoria das cores
15h15 - 15h45	Intervalo
15h45 - 17h00	Prática com ggplot2 e tidyplots

O que é visualização de dados?

Representação gráfica de informações e dados.

“O objetivo científico de qualquer visualização é permitir que o leitor compreenda os dados e extraia informações intuitivamente, eficientemente e com precisão.” - Royal Statistical Society

Comunicação clara de padrões
Suporte à decisão e descoberta científica
Evita interpretações erradas

Best Practices for Data Visualisation

Krause, Rennie, and Tarran (2024)

Ciência + Arte

Em 1859, Florence Nightingale publicou descobertas sobre a situação sanitária do exército britânico durante a guerra com a Rússia.

O plano cartesiano

Todo gráfico começa com eixos (X e Y) que criam um espaço.

Poderia ser 3D

As variáveis

Os eixos (ou dimensões) podem representar variáveis

Em farmacologia, a variável independente (eixo X) é o que controlamos, para ver o efeito na variável dependente (eixo Y).

Tipos de variáveis

Organização das variáveis

Linhas são as observações e colunas são as variáveis.

# A tibble: 30 × 6
   individuo grupo         dose resposta1 resposta2 resposta3
       <int> <chr>        <dbl>     <dbl>     <dbl>     <dbl>
 1         1 Controle      NA           2        89        88
 2         2 Controle      NA           5        91        90
 3         3 Controle      NA          20        80        91
 4         4 Controle      NA          55         2        80
 5         5 Controle      NA          80         5         1
 6         6 Controle      NA          90        21         4
 7         7 Controle      NA          92        59        20
 8         8 Controle      NA           3        84        58
 9         9 Controle      NA           6        94        83
10        10 Controle      NA          22        92        93
11        11 Tratamento A   0.1        60         3        91
12        12 Tratamento A   0.1        85         6         2
13        13 Tratamento A   0.1        95        24         5
14        14 Tratamento A   0.1        93        64        23
15        15 Tratamento A   0.1         4        87        63
16        16 Tratamento A   0.1         7        97        86
17        17 Tratamento A   0.1        25        94        96
18        18 Tratamento A   0.1        65         4        93
19        19 Tratamento A   0.1        88         7         3
20        20 Tratamento A   0.1        98        29         6
21        21 Tratamento B   3          95        69        28
22        22 Tratamento B   3           5        89        68
23        23 Tratamento B   3           8        98        88
24        24 Tratamento B   3          30        96        97
25        25 Tratamento B   3          70         5        95
26        26 Tratamento B   3          90         8         4
27        27 Tratamento B   3          99        34         7
28        28 Tratamento B   3          97        74        33
29        29 Tratamento B   3           6        91        73
30        30 Tratamento B   3           9        NA        88

Tipos de gráficos em farmacologia

Jogo dos erros! Estão preparados? 🕵🏽

Don’t!

Do!

Curva dose-resposta

Mostra a relação entre a dose (ou concentração) de um fármaco e a magnitude da sua resposta.

Determina a potência (\(EC_{50}\)) e a eficácia (\(E_{max}\)).

Gráfico concentração-tempo

Mostra como a concentração de um fármaco no plasma muda ao longo do tempo após a administração.

Usada em estudos de farmacocinética (absorção, distribuição, metabolismo e excreção).

Gráfico de sobrevivência

Gráfico de barras

Ideal para frequências e distribuição da variável em histograma.

Dica: para dados contínuos, inclua barras de erro (como desvio padrão ou erro padrão da média) para mostrar a variabilidade e incerteza dos dados.

Boxplot para comparação entre médias/medianas de grupos grupos

Compara a distribuição de uma variável entre diferentes grupos.

Mostra a mediana, quartis e outliers, fornecendo um resumo robusto dos dados.

Weissgerber et al. (2019)

Boas práticas em gráficos científicos

Legibilidade e clareza

Fonte

Estilo

Em imagens, fontes sem serifa são mais fáceis de entender.

As fontes com serifa adicionam complexidade desnecessária.

Legibilidade e clareza

Fonte

Tamanho

Usar uma fonte de pelo menos 12pt para garantir legibilidade em publicações.

Uma fonte muito grande pode roubar o foco!

Legibilidade e clareza

Contraste

O contraste entre o texto e o fundo é crucial para a legibilidade.

Legibilidade e clareza

Uso adequado de legendas

Devem ser usadas para explicar o que cada cor, forma ou tamanho representa no gráfico.

Evite redundâncias: se o grupo já está identificado no eixo X ou Y, não precisa de legenda para a cor.

Hierarquia = direcionamento do foco

Knaflic (2015)

Representação precisa dos dados

Evite distorções e mostre a variabilidade

Weissgerber et al. (2019)

Representação precisa dos dados

Começe a escala no ZERO

Escala linear “aproxima” valores

Padrões editoriais

Resolução

Imagens devem ter alta resolução, as revistas costumam exigeir pelo menos 300 DPI (pontos por polegada).

Se aumentamos o tamanho de uma imagem sem aumentar a quantidade de pixels, sua resolução em DPI diminui.

Padrões editoriais

Formato

Figuras devem ser salvas em formatos vetoriais (como SVG ou PDF) ou de alta qualidade (como PNG ou TIFF).

Leia as especificações da revista!

Padrões editoriais

Painel

As figuras podem ter painéis combinados em uma imagem. Uma prática comum é usar letras (A, B, C…) para identificar cada painel.

Contar uma história completa em uma figura.

Cores

Cor é informação

A cor deve codificar dados e guiar a interpretação do leitor de forma clara e acessível.

Strachnyi (2023)

Roda de cores e paletas

 

Complementares

Análogas

Triádicas

Paleta de acordo com o tipo da variável

O pacote RColorBrewer oferece paletas de cores pré-definidas dos três tipos: categóricas, sequenciais e divergentes.

RColorBrewer::display.brewer.all()
paleta <- RColorBrewer::brewer.pal(n = 5, name = "Set3")

Paletas categóricas: quali (nominal)

Uso: Para diferenciar grupos sem ordem intrínseca.

Objetivo: As cores devem ser o mais distinguíveis possível.

Paletas sequenciais: quali (ordinal) ou quantitativa

Uso: Para dados que progridem.

Objetivo: A cor deve mostrar uma transição suave e perceptível de intensidade.

Paletas divergentes: quali (ordinal) ou quantitativa

Uso: Para dados com um ponto central (como zero).

Objetivo: As cores devem destacar desvios positivos e negativos de um ponto central.

Acessibilidade

Cerca de 5% das pessoas possuem alguma forma de daltonismo.

Pacotes como viridis e cols4all oferecem paletas seguras.

Objetivo: o gráfico ficar legível para todos.

Usando cores complementares

Usando cores complementares

colorblindr::cvd_grid(p_ruim)

Observe como as cores ficam muito próximas.

Para variáveis categóricas é desejável cores mais distantes.

Usando cores do pacote viridis

Usando cores do pacote viridis

colorblindr::cvd_grid(p_bom)

Revistas científicas podem requerer figuras em preto e branco para publicação impressa.

Evitar paletas:

Roxo com azul

Vermelho, verde e marrom

Rosa, turquesa e cinza

Strachnyi (2023)

R para visualização

O ggplot2 usa a “gramática dos gráficos”: construímos o gráfico em camadas.

O tydyplots facilita a criação de gráficos prontos para publicação científica.

ggplot2: gramática dos gráficos

Camadas com +

ggplot(data = dados_farmaco, aes(x = dose, y = efeito, color = grupo)) +
  geom_point(size = 3) +
  geom_smooth(method = "lm", se = FALSE) +
  scale_color_manual(values = c("Placebo" = color2, "Dose baixa" = color1, "Dose alta" = color3)) +
  labs(
    x = "Dose do fármaco (mg)",
    y = "Pressão arterial (mmHg)",
    color = "Grupo experimental"
  ) +
  theme_classic(base_size = 14)

ggplot2: gramática dos gráficos

Dados com data =

Estéticas com aes()

ggplot(data = dados_farmaco, aes(x = dose, y = efeito, color = grupo))

ggplot2: gramática dos gráficos

Geometrias com geom_*()

ggplot(data = dados_farmaco, aes(x = dose, y = efeito, color = grupo)) +
  geom_point(size = 3) +
  geom_smooth(method = "lm", se = FALSE) 

ggplot2: gramática dos gráficos

Escalas com scale_*()

ggplot(data = dados_farmaco, aes(x = dose, y = efeito, color = grupo)) +
  geom_point(size = 3) +
  geom_smooth(method = "lm", se = FALSE) +
  scale_color_manual(values = c("Placebo" = color2, "Dose baixa" = color1, "Dose alta" = color3)) 

ggplot2: gramática dos gráficos

Rótulos com labs()

ggplot(data = dados_farmaco, aes(x = dose, y = efeito, color = grupo)) +
  geom_point(size = 3) +
  geom_smooth(method = "lm", se = FALSE) +
  scale_color_manual(values = c("Placebo" = color2, "Dose baixa" = color1, "Dose alta" = color3)) +
  labs(
    x = "Dose do fármaco (mg)",
    y = "Pressão arterial (mmHg)",
    color = "Grupo experimental"
  ) 

ggplot2: gramática dos gráficos

Temas com theme_*()

 ggplot(data = dados_farmaco, aes(x = dose, y = efeito, color = grupo)) +
   geom_point(size = 3) +
  geom_smooth(method = "lm", se = FALSE) +
   scale_color_manual(values = c("Placebo" = color2, "Dose baixa" = color1, "Dose alta" = color3)) +
   labs(
     x = "Dose do fármaco (mg)",
     y = "Pressão arterial (mmHg)",
     color = "Grupo experimental"
   ) +
  theme_classic(base_size = 20)

ggplot2: gramática dos gráficos

Muito controle para personalizar cada aspecto do gráfico.

O céu é o limite!

Triches et al. (não publicado); Bolzan et al. (2025); Martins (2022)

tidyplots

Uma coleção de funções mais diretas e simples para criar gráficos para publicação científica. Usa ggplot2 na sua base.

tidyplots

Camadas conectadas com pipe |> em vez de +.

study |> 
  tidyplot(x = treatment, y = score, color = treatment) |> 
  add_violin(draw_quantiles = c(0.25, 0.5, 0.75)) |> 
  add_data_points_beeswarm() |> 
  add_test_asterisks(hide_info = TRUE) 

study |> 
  tidyplot(x = treatment, y = score, color = treatment) |> 
  add_boxplot() |> 
  add_data_points_beeswarm() |> 
   add_test_asterisks(hide_info = TRUE)

tidyplots

O importante é o que importa!

A maneira de apresentar os dados pode mudar completamente sua interpretação e alcance.

Boas práticas = comunicação científica eficaz, clara e ética.

Apoio

Perguntas?

Atividade prática

Desenho experimental

Figure 1

Mosca da fruta

Desenho experimental - Eckert et al. (não publicado)

✨ Construa um gráfico com os seguintes dados ✨

# A tibble: 259 × 31
   video animal_no_video sexo  tratamento animal_number tempo test_duration_s
   <chr> <chr>           <chr> <chr>      <chr>         <chr>           <dbl>
 1 G1V3  2               M     controle   1             Total            2400
 2 G1V2  8               M     controle   2             Total            2400
 3 G1V1  1               M     controle   3             Total            2400
 4 G1V1  3               M     controle   4             Total            2400
 5 G1V3  12              M     controle   5             Total            2400
 6 G2V1  2               M     controle   6             Total            2400
 7 G2V3  13              M     controle   7             Total            2400
 8 G2V4  1               M     controle   8             Total            2400
 9 G2V4  3               M     controle   9             Total            2400
10 G3V1  7               M     controle   10            Total            2400
# ℹ 249 more rows
# ℹ 24 more variables: total_distance_travelled_m <dbl>,
#   total_time_mobile_s <dbl>, total_time_immobile_s <dbl>,
#   total_mobile_episodes <dbl>, total_immobile_episodes <dbl>,
#   number_of_entries_to_the_agar_zone <dbl>, time_in_the_agar_zone_s <dbl>,
#   distance_travelled_in_the_agar_zone_m <dbl>,
#   time_mobile_in_the_agar_zone_s <dbl>, …

Eckert et al. (não publicado)

Instruções

No arquivo graficos.qmd:

1. Importar os dados (Excel/CSV)
   
2. Escolher o tipo de gráfico apropriado
   
3. Escolher uma paleta de cores acessível e informativa
   
4. Aplicar boas práticas (eixos, títulos, etc.)
   
5. Apresentar aos colegas
   

Referências e extras

ggplot2

tidyplots

data-to-viz

Bolzan, Juliana A, Tamires Martins, Karolina Domingues, Alexandre Surget, Catherine Belzung, and Cilene Lino de Oliveira. 2025. “Dissecting the Pro-Neurogenic Effects of Monoaminergic Medications Used to Treat Depression: A Systematic Review and Meta-Analysis.” J. Psychopharmacol. 39 (6): 513–32.

Knaflic, Cole Nussbaumer. 2015. Storytelling with Data. Edited by Cole Nussbaumer Knaflic. Nashville, TN: John Wiley & Sons.

Krause, Andreas, Nicola Rennie, and Brian Tarran. 2024. “Best Practices for Data Visualisation.” Royal Statistical Society.

Martins, Tamires. 2022. “Efeito de Antidepressivos Em Roedores No Teste Do Nado Forçado e Influência de Covariáveis: Uma Revisão Sistemática e Meta-Análise.” Universidade Federal de Santa Catarina.

Strachnyi, Kate. 2023. ColorWise: A Data Storyteller’s Guide to the Intentional Use of Color. 1st ed. O’Reilly Media. http://gen.lib.rus.ec/book/index.php?md5=C4CC337FD2BEA0EF91FF5299617AF5B1.

Weissgerber, Tracey L., Stacey J. Winham, Ethan P. Heinzen, Jelena S. Milin-Lazovic, Oscar Garcia-Valencia, Zoran Bukumiric, Marko D. Savic, Vesna D. Garovic, and Natasa M. Milic. 2019. “Reveal, Don’t Conceal: Transforming Data Visualization to Improve Transparency.” Circulation 140 (October): 1506–18. https://doi.org/10.1161/CIRCULATIONAHA.118.037777.