Science visualization trends of 2022

It’s that time – top 10 lists of the past year! And since my domain is science, I once more reviewed research data visualizations. Here are a couple of trends that I noticed on science twitter and in scientific journals throughout the year 2022. Disclaimer, this is not a survey but rather a personal collection for you to enjoy with me!

#1 Color schemes are literally all over the color wheel!

Colors can encode sequential data. In life sciences, Jet/Rainbow were prevalent but are less common as their pitfalls became known (new colormaps). Instead Viridis became the default color scheme in Python, but since then more and more color schemes have been invented. It now requires attention to decide if color encodes increasing, decreasing, divergent or continuous values. As a further complication, sometimes different color schemes co-exist – I once counted 5 different color schemes in one publication alone. (And, at times, legends are entirely missing, making interpretation impossible!).

— update: see also the color analysis by Xan Gregg, he compared color schemes used in parallel in the Fourth National Climate Assessment.

#2 – Tufte’s grey shades at last!

Speaking of color, it seems more people have read their Tufte books! At least his command to use gray instead of black for background chart elements (tick marks, axes, control data etc) was one of the biggest lessons I learned from him. I see gray becoming quickly popular to de-emphasize data that is not the focus – in line plots, tSNE plots and for indicating treatment regiments in time-courses.

#3 – Hybrid chart-tables

This was a surprise – tables have been popular in genomics as heat map for many years. This year however I saw a huge number of hybrid “table + area charts” combo’s! In these the numbers are not encoded by color, but by bubble size. And, to take things further, this is combined with color-coded bubbles to gain a fourth dimension (whether that is always understandable is another debate).

#4 – Genomic figures get smaller and smaller…

Fetch your magnifying glasses, genomic data plots get smaller and smaller as more and more data are squeezed into each panel and figure. The small plot in b literally has thousands of data points and all it needs to show is: there are clusters.

Maybe we should at some point ask ourselves “does this need a graphic?” or perhaps we instead revert back to summary statistics. Speaking of statistics…

#5 – Error bar? Nah, “T” suffices – the most iconic mishap of 2022!

The most iconic mishap of the year in scientific publications surely was the study that could not be bothered to plot error bars and instead simply placed the letter “T” on top of a bar chart! Needless to say, all bars had the same letter point size and thus identical error ranges. As the figure made the rounds on social media, the journal actually did care and swiftly retracted the publication.

The authors did not enlighten us on how they actually prepared this creative solution, but of course only a Christmas break later we now have a R package for the … Terror-bar! Do not use at home folks! Check out the hilarious package description by Milan Valášek:

#6 – Axis breaks…..

The good news first, bar charts for summary statistics have mostly been eradicated (in high impact journals at least…). Fewer bar chart should also mean fewer axis breaks, right? Wrong! Instead, it means more inventive axis breaks! First, bar charts for quantities are still popular, with and without axis breaks – and sometimes two breaks! Secondly, a lot more worrying, scientists (n=1) invented a way to also break the axis of dot plots – let’s hope this does NOT become a new trend!

#7 – Icon libraries for graphical abstracts

Oh yes, graphical abstracts keep surging in popularity, in fact I get a ton of requests to help with those. And I like making them, it’s fun and I can play around with new ideas a bit! Thanks to Biorender and its large icon library, making graphical abstracts has become a piece of cake for all scientists, but it comes with a hefty price tag.

Here are a couple of free icon libraries:

#8 – Climate stripes are still omnipresent

This year was again, the warmest recorded ever, making the climate change really the biggest topic at least on my radar. While only symbolic, I did give up traveling by plane for short distances and have now post-Covid explored the night train options!

The iconic chart displaying the science behind the climate analysis is the warming stripes by Ed Hawkins from the University of Reading. This year they were used as cover for Greta Thunberg book, on train stations, as fashion art and more. And, we have also seen new versions illustrating that along with increasing temperatures comes a loss of biodiversity.

#9 – Images are big

2022 was once again a year of images – new telescopes imaged far away stars and biologists deep into the angstrom scale. But AI is really starting to shape our daily life. From AI-assisted image generation tools such as DALL-E that kept all of us captivated, to new AI-assisted image analysis there was something for everyone. In the hospital I am most impressed how we are reaching a stage where clinical images can indeed be screened with robots faster and better than by medical staff!

Some good news: scale bars in images are a thing (see our survey on scale bars) and in personal news, our QUAREP initiative will publish our community developed guidelines for image publishing soon, stay tuned.  

#10 – Cutie of the year: fluffy t-SNE plots

On trend with fluffy hats and fluffy jackets, also t-SNE plots became fluffy in 2022!

Can’t wait to see what 2023 will bring!

Best wishes,



Science visualization trends of 2021

Reviewing a year of data viz

At the end of the year people take stock and reminisce. This also applies to data visualization scientists. Reviews summarizing the best visualizations of 2021 were published. I particularly enjoy Maarten Lambrechts summary of all the “Best of 2021” posts.

This year, while musing whether to keep or toss my Nature print issues (still undecided!), I browsed the science visualizations of 2021. Well, I checked those about biology and medicine as I really do not understand enough of physics to get the visualizations in Nature. Some visualizations and themes really stood out so I decided to summarize for you the top 10 science visualization trends of 2021 – enjoy!

[note: all photos show anonymous excerpts for educational purposes from Nature articles 2021]

[Go here for German translation]

  1. Viva viridis!

The viridis color-scheme is now omnipresent. Viridis was developed by Stefan van der Walt and Nathaniel Smith in 2015 as the default sequential color map for matplotlib. Their goal was to create a color scheme in which color changes are perceptually uniform, and to replace the non-linear Jet/Rainbow-color schemes used previously for sequential data.

Viridis quickly gained popularity as we can see in the many examples below. By now viridis is however no longer only used for sequential data. Instead we also see it being applied to diverging and categorical data, which may be not exactly ideal at times. But for now let’s celebrate the end of rainbow color schemes!

2. Still trending: axis breaks

Yes, axis breaks, necessary or not, are unfortunately still a thing in 2021. And so far, no end in sight. Every time I teach a Data Viz Course, I challenge the students that all axis breaks are avoidable – I have yet to see one where the break really was necessary. Send me yours!

3. Hello slope-charts

In 2016 the #BarBarChart initiative called for a ban of bar charts for data distributions. They were successful and I have not any in 2021. At that time, Tracey Weissgerber published a notable paper encouraging the use of a slope chart for dependent observations. It seems the science world listened again: numerous papers now use slope charts to illustrate dependent measurements of specimens, for example mice before and after treatment, responders and non-responders in cohorts etc.


There don’t seem to be any papers that don’t have at least one dimension reduction plot. t-SNE, UMAP and PCA are omnipresent. These plots are however rarely explained in articles and figure legends, and I suspect even more rarely understood by audiences. In my courses participants are often not familiar with them – not surprising given that they are a recent addition in statistics and still heavily researched in the vis community! To educate your students refer them to these resources from Claus O. Wilke and StatQuest.

5. Mixing charts

A big fashion trend of 2021 was mixing styles and patterns, and it seems this did spill over to the visualization world. Researchers have become quite experimental with mixing chart types (see also earlier post). I’ve seen a number of scatter plots showing the data distribution summarized along each axis: above for the x-axis and left for the y-axis. I’ve also seen pie charts summarizing the quadrants of a scatter-plot, charts mixing violin and box-plots, of course box-plots with data points, and many more.

6. Pictograms

Often novel insights come from a new methodological approach. To familiarize audiences with a new method, papers now regularly include a sketch of the experimental procedure. And, good news, these have begun to look rather nice and clear, whether it’s a stool preparation method, an approach stem cell differentiation, or for a mouse neurobiology set-up.

7. Pictograms for labeling

Pictograms are not only used for explaining procedures, but also often help to quickly orient audiences. Pictograms are for example used instead of text: I’ve seen pictograms as a title, pictogram to name a leaf in a phylogenetic tree, or even a pictogram chart. Overall pictograms seem to be most popular in mouse molecular genetics and evolutionary biology. Go figure.

8. Images now come with scale bars!

Scale bars in images are apparently here to stay. A few years ago, I had noticed that scale information was quite often missing in scientific images, even in high profile journals. Eventually this observation prompted a collaborative project to systematically screen the quality of image data in publications.

This year the tide has definitely shifted. Except for a few cases, scale bars are now visibly placed on all images; even in plant and histology images, two fields so far quite notorious for omitting scale information.

9. Colors in images: still problematic

Despite many recent efforts, most recently a technology feature in nature feat. your truly, no end is in sight for images that generously mix red and green, making it illegible for many color-blind people. In addition, often images that show false-color scales do not come with a legend explaining the color intensities. A small glimpse of hope: I’ve seen a color legend once this year (still without quantities in legend), which is already a 100% increase from previous years!

And, rescue is near, with QUAREP we have a collaborative consortium addressing quality of light microscopy. Join our working group that develops guidelines for image visualization in publications!

10. More space for figures!

Figures get more space in publications. This is quite easy in electronic publications, but also in print editions half or even full-page figures are becoming a sight. This makes it quite enjoyable to read some of the figures, which before were entirely illegible due to being squeezed into a small space.

More space for figures means less space for other sections of a paper. Often materials and methods are now entirely moved to the supplementary materials and citations are limited to a few only.

These figures below for example each took up 2/3 of a page – lovely!

Wissenschaftsvisualisierung 2021

Ein persönlicher Jahresrückblick auf ein Jahr Datenvisualisierung.

Am Ende eines Jahres wird gerne Bilanz gezogen. Das gilt auch für Datenvisualisierungswissenschaftler. Es werden Rückblicke veröffentlicht, die die besten Visualisierungen des Jahres 2021 zusammenfassen. Mir gefällt besonders Maarten Lambrechts Zusammenfassung aller “Best of 2021”-Beiträge.

Als ich dieses Jahr darüber nachdachte, ob ich meine gedruckten Nature-Ausgaben behalten oder wegwerfen sollte (Stand heute: unentschieden!), habe ich mir alle Wissenschaftsvisualisierungen des Jahres 2021 angesehen. Hier sind meine persönlichen Top 10 Trends der Wissenschaftsvisualisierungen dieses Jahres – viel Spaß.

1. Viva viridis!

Das Viridis-Farbschema ist mittlerweile allgegenwärtig. Viridis wurde von Stefan van der Walt und Nathaniel Smith im Jahr 2015 als Standard-Farbschema für matplotlib entwickelt. Ihr Ziel war es, ein Farbschema zu erstellen, in dem Farbänderungen gleichmäßig wahrgenommen werden, und die nicht-linearen Jet/Rainbow-Farbschemata zu ersetzen, die zuvor für sequenzielle Daten verwendet wurden.

Viridis gewann schnell an Popularität, wie man an den vielen Beispielen unten sehen kann. Inzwischen wird Viridis jedoch nicht mehr nur für sequenzielle Daten verwendet. Stattdessen wird es auch auf divergierende und kategoriale Daten angewendet, nicht so geacht und nicht immer sinnvoll. Aber heute feiern wir erst einmal das Ende der Regenbogenfarben-Farbschemata!

2. Immer noch da: Achsenbrüche

Ja, Achsenbrüche sind leider auch im Jahr 2021 noch ein Thema. Und bis jetzt ist kein Ende in Sicht. Jedes Mal, wenn ich einen Data-Viz-Kurs gebe, postuliere ich, dass alle Achsenbrüche vermeidbar sind. Bisher hat noch kein Teilnehmer ein Beispiel gezeigt wo ein Achsenbruch unumgänglich war. Gerhe Beispiele einsenden!

3. Hallo Slope-Chart

Im Jahr 2016 forderte die Initiative #BarBarChart ein Verbot von Balkendiagrammen für Datenverteilungen. Sie waren erfolgreich, und ich habe im Jahr 2021 keine mehr gesehen. Tracey Weissgerber hat einen wichtigen Artikel zu dem Thema verfasst und damals auch die Verwendung von Steigungsdiagrammen (Slope-Chart) für abhängige Beobachtungen vorgeschlagen. Es scheint, dass die Wissenschaft darauf gehört hat: In zahlreichen Arbeiten werden jetzt Slope-charts verwendet, um nicht unabhängige Messungen von Proben zu veranschaulichen, z. B. Mäuse vor und nach der Behandlung, Responder und Non-Responder in Kohorten usw.


Es scheint keine Arbeit mehr zu geben, in der nicht irgendeine Art von Dimensionsreduktionsdiagramm zu finden ist. t-SNE, UMAP und PCA sind allgegenwärtig. Diese Diagramme werden jedoch nur selten in den Artikeln erklärt, und ich vermute, dass sie von den Zuhörern noch seltener verstanden werden. In meinen Kursen stelle ich jedenfalls fest, dass die Teilnehmer kaum mit ihnen vertraut sind – das überrascht nicht, sie sind nochr recht neu in der Statistik und werden in der Vis-Community sehr aktiv beforscht!

Tipps um sich mit den plots vertraut zu machen: Claus Wilke und StatQuest

5. Gemischte Diagramme

Ein großer Modetrend des Jahres 2021 war das Mischen von Stilen und Mustern, und es scheint, dass dies auch auf die Welt der Visualisierung übergeschwappt ist. Forscher haben viele Diagrammtypen vermischt. Ich habe eine Reihe von Streudiagrammen gesehen, in denen die Datenverteilung entlang einer Achse oberhalb (für die x-Achse) und links (für die y-Achse) zusamengefasst ist. Es gab auch Tortendiagramme gesehen, die die Quadranten eines Streudiagramms zusammenfassen, Diagramme welche Violin- und Boxplot mischen, oder Boxplot mit Datenpunkten, und vieles mehr.

6. Piktogramme

Oft ergeben sich neue Erkenntnisse aus einem neuen methodischen Ansatz. Um Leser mit einer neuen Methode vertraut zu machen, enthalten die Veröffentlichungen nun regelmäßig eine Skizze des experimentellen Verfahrens. Und die gute Nachricht ist, dass diese Skizzen inzwischen recht hübsch und übersichtlich aussehen, egal ob es sich um eine Stuhlpräparationsmethode, einen Ansatz zur Stammzelldifferenzierung oder um den Aufbau eines Mausgehirns handelt.

7. Piktogramme zur Beschriftung

Piktogramme werden nicht nur zur Erläuterung von Verfahren verwendet, sondern dienen oft auch der schnellen Orientierung des Publikums – sie werden anstelle von Beschriftungen in Diagrammen verwendet: Wir sehen ein Piktogramm anstelle eines Titels, ein Piktogramm zur Bezeichnung der Enden eines phylogenetischen Diagramms und sogar Piktogramm-Diagramme. Mit Abstand am beliebtestens sind Piktogramme übrigens in der Maus- und Evolutionsbiologie!

8. Bilder jetzt mit Maßstabsangabe!

Maßstabsbalken in Bildern sind anscheinend nicht mehr wegzudenken. Vor einigen Jahren war mir aufgefallen, dass in wissenschaftlichen Abbildungen, selbst in hochrangigen Zeitschriften, häufig keine Maßstabsangaben zu finden waren. Diese Beobachtung gab schließlich den Anstoß zu einem Gemeinschaftsprojekt zur systematischen Überprüfung der Qualität von Bilddaten in Veröffentlichungen.

In diesem Jahr hat sich das Blatt definitiv gewendet. Von einigen wenigen Ausnahmen abgesehen, sind die Maßstabsbalken jetzt auf allen Bildern sichtbar platziert, selbst bei Pflanzen- und Histologiebildern, zwei Bereichen, die für das Weglassen von Maßstabsangaben berüchtigt sind.

9. Farben in Bildern: noch problematisch

Trotz vielen Anstrengungen, z.B. ein “Technology Feature” in nature werden noch immer Rot und Grün gemeinsam in Bildern verwendet, was diese für viele Farbenblinde unlesbar macht. Außerdem sind Bilder mit Falschfarbenskalen oft nicht mit einer Legende versehen, die die Farbintensitäten erklärt. Ein kleiner Hoffnungsschimmer: Ich habe in diesem Jahr schon eine Farblegende gesehen, wenn auch noch ohne Quantitäten. Und das ist bereits eine Steigerung von 100 % gegenüber den Vorjahren.

10. Mehr Platz für Abbildungen!

Abbildungen erhalten mehr Platz in Publikationen. In elektronischen Publikationen ist dies recht einfach, aber auch in gedruckten Ausgaben werden jetzt schon halb- oder sogar ganzseitige Abbildungen abgedruckt. Das macht es recht angenehm, einige der Abbildungen zu lesen, die vorher aufgrund des geringen Platzes völlig unleserlich waren.

Mehr Platz für Abbildungen bedeutet weniger Platz für andere Teile einer Arbeit. Häufig werden Materialien und Methoden nun vollständig in die ergänzenden Materialien verlagert, und die Zahl der Zitate ist auf einige wenige beschränkt.

Diese Abbildungen sind zum Beispiel in gross richtig informativ!

Pandemie visualisieren

Projekt mit Studierenden der Beuth Hochschule für Technik Berlin, im Fach Biotechnologie. April/Mai 2021.

“Als Biologin kannst Du mir bestimmt sagen, ob der RNA Impfstoff sicher ist”, “Sind Masken wirklich effektiv?”, und “Wie berechnet man eigentlich Inzidenzen?”

Dank Corona war das Fachwissen von uns Wissenschaftler:innen im privaten Umfeld plötzlich gefragt. Das war auch bei meinen Biotechnologie-Studierenden an der Beuth nicht anders. Sie wurden pandemiebedingt zu privaten Wissenschaftskommunikatoren befördert. Eine Student:in berichtete „Meine Familie setzt oft voraus, dass ich als Studentin der Biotechnologie immer auf den aktuellen Stand bin, wenn es um das Thema „Corona“ geht. Fragen wie ‚Wie viele Menschen haben sich in Deutschland schon impfen lassen?‘ und ‘Welche Impfstoffe werden hier in Deutschland angeboten?‘ bekomme ich öfter gestellt.’

Der Plan

Statt im Praktikum wieder Tubuline oder Helikasen bioinformatisch unter die Lupe zu nehmen haben wir uns in diesem Sommersemester entschlossen etwas Alltagstaugliches zu machen. Die Masterstudenten sollten Bioinformatik und Datenwissenschaften praktisch anzuwenden und zu einer eigenen Frage rund um Corona Daten recherchieren, analysieren und auswerten. Die Ergebnisse sollten dann in einer Visualisierung aufbereitet werden und bei der Aufklärung z.B. von Verwandten und Freunden helfen. Wir sind schrittweise vorgegangen und haben systematisch die Abbildungstypen, Text, Layout und Farben gewählt. Und immer wieder gab es Feedback-Runden mit mir und Kolleg:innen im Praktikum – ist die Abbildung und der Farbcode verständlich? Verwende ich noch zu viel Jargon? Sind Piktogramme klar?

Die Ergebnisse

Herausgekommen ist eine herrliche Vielfalt an Visualisierungen zu ganz verschiedenen Fragestellungen. Um den Student:innen zu vermitteln, dass sie eine Stimme haben und schon jetzt zu den Expert:innen zählen, habe ich angeregt, dass wir die Visualisierungen öffentlich zeigen. Nicht alle wollten das, aber ein paar kann ich jetzt hier präsentieren.

Was haben wir gelernt?

 “…ich habe auch eine neue Betrachtungsweise auf Visualisierungen entwickelt und gelernt visualisierte Daten, im wissenschaftlichen aber auch im alltäglichen Zusammenhang, kritischer zu begutachten.”

“…ich habe gelernt, dass es nicht leicht ist, komplexe Daten in verständliche Zusammenhänge zu bringen.”

Und auch: „dass Bioinformatik in dieser Form wohl eines der am meisten frustrierenden Aufgaben der vergangenen Monate für mich war… Ich bleibe eher im Labor, wo die fehlenden technischen Möglichkeiten umgangen werden können und mangelhafte Daten selbst verursacht sind.“

Und wir alle haben nebenbei den Wert offener Daten für die Bioinformatik, aber auch für die Allgemeinheit begriffen: „Ich habe festgestellt, wie abhängig man vom Zugriff auf Daten ist. Wie stark die Beschränkungen bei Daten sind, die eigentlich öffentlich zugänglichen sind, habe ich noch nie in dieser Form zu spüren bekommen.”

Beispiel Arbeiten

Um wichtige biologische Daten hat sich Giuliano Ballacchino (Insta: giuliano_ballacchino) gekümmert, der in einer sehr guten Analyse herausgefunden hat welche Mutationen die Delta (damals hieß sie noch B.1.167) Variante von der britischen (B.1.117) unterscheiden – und wie sich diese Mutationen strukturell auf das Spike Protein auswirken. Zu dem Zeitpunkt war es noch nicht mal leicht überhaupt die Sequenzen zu bekommen, deswegen Chapeau!

Viet Vu hat innerfamiläre, interdisziplinäre Synergien genutzt und mit einem Programm seiner Architektur-studierenden Schwester angefangen zu spielen, um uns ein prima Video zu präsentieren. Ich würde gerne einen Kurs bei IHM belegen, um das zu lernen. Es ist ein super Einstieg in das Thema rund um Corona für alle. HIER IST DER LINK

Ebenfalls als Einstieg dient die Arbeit von T.H., der uns eine Webseite gebaut hat, die als Informations-Aggregator dienen soll, um wissenschaftlich validierte Informationen zu Corona gebündelt zu präsentieren. Wenn er ganz viele Klicks bekommt, betreibt er die Seite vielleicht sogar weiter 🙂

Micela Condor Jonske präsentiert eine Übersicht für Schüler die wissen wollen: habe ich vielleicht Corona? Und wenn ja, was sind die Testmöglichkeiten? PCR versus Schnelltest wird gezeigt und auf Seite 2 gleich welcher Test wann überhaupt Corona nachweisen kann! Hinweis, die verschiedenen Varianten die Giuliano Ballacchino beschrieben hat sind damit nicht nachweisbar.

It’s game time! Eine alternative um Schüler anzusprechen kommt mit einem Computer-Spiel daher. Die MAC Leute müssen stark sein, weil das ist ein PC-Game. Alle anderen: Ladet euch die 2 Dateien und die .EXE runter und installiert euch das Infromations-Game im SuperMario Style das Marie Köhler für euch gebastelt hat. Mein Teenager-Sohn fand es spitze und den Retro-Look cool! Say thanks auf Github oder beiöhler.

Alicia Oberländer ( )hat mit dem Tool Biorender und eigener Recherche ein Poster gestaltet: „Ich will den pathologischen Verlauf einer schweren COVID-19 Erkrankung in der Lunge für Studierende, aber auch interessierte Mitmenschen, zugänglich machen und durch meine Visualisierung dieses spannende Wissen teilen und das Verständnis für das komplexe Thema erleichtern”. Francesca H. wollte herausfinden warum CORONA Symptome bei Kindern so anders sind als bei Erwachsenen – und ob das an einem unterschiedlich entwickelten Immunsystem liegen könnte – ein sehr ambitioniertes Unterfangen, und sie musste feststellen dass auch hier die Datenlagen noch nicht sehr gut ist!

Jessica Wiest hat sich, es ging wie gesagt gerade los mit dem Impfen für alle, mit den verschiedenen Impfstoffen beschäftigt und ihr Poster erklärt allgemeinverständlich die verschiedenen Wirkmechanismen. Nouran K. vergleicht ebenfalls die beiden RNA-Impfstoffe die zurzeit auf dem Markt sind. Ihre Wirkmechanismen, Nebenwirkungen und den Preis! Es fehlt nur der CUREVAC Impfstoff, der aber momentan eher keine Zulassung bekommen wird. Farah Jaabous hat untersucht wie weit Deutschland mit den Impfungen ist, welche Bundesländer vorankommen und was verimpft wird. Juliane Schwarzer ( hat ebenfalls den Impfstand untersucht und außerdem noch mit einbezogen wie hoch die Impfbereitschaft ist.

Unser Kurs lief Ende April/Anfang Mai – da ging es gerade los mit Impfungen. Die Lage für Schwangere war allerdings noch unklar. Gina Fonfara ( hat die Daten diesbezüglich untersucht und ein Poster erstellt was z.B. in gynäkologischen Praxen Schwangere schnell informieren kann.

Filiz M. Özcan (insta: felizmeliz)hat eine extrem umfangreiche Arbeit gemacht, um herauszufinden, wie sicher die die Schutzmechanismen und somit die Verkäufer im Einzelhandel sind. Eine ihrer Visualisierungen ist ein Poster und eine Broschüre für den Einzelhandel mit Verhaltenstipps. Unten das Poster für die Eingangstür. Sie hat auch noch ein Poster für Kinder angefangen, dass ihnen etwas farbenfroher Einkaufen unter Corona-Bedingungen erklärt.

Lea Helm hat im Verlauf der ersten Welle die Pandemie-Massnahmen in Deutschland mit der Inzidenzzahl korreliert und Lennard S. hat die Massnahmen der gesamten Pandemie mit dem CHI korreliert, also wie effektiv das ist, und dann Deutschland und Portugal, wo es bei unserem Kurs gerade zu größeren Ausbrüchen kam, verglichen.

Eine spannende Idee kam von Robert Bütepage (insta bobby_buetepage), der einen Vorschlag macht wie man gelangweilte U-Bahnfahrer in Berlin zum Maskentragen bewegen kann: mit einer simplen Grafik im Berliner Fenster. Das schwierigste war, diese auch wirklich simpel hinzubekommen! Florian D. Hofschläger – „Warum die Kombination Chor und Corona? – „Ich bin leidenschaftlicher Sänger.“ Man beachte: das Notenpapier im Hintergrund! Es sind wenig Visualiserungen, dafür aber ein Poster mit schnell lesbarem Text, vielleicht hilft es dem einen oder anderen Chor, der jetzt wieder an Proben denkt!

Bild UBahn: (c)″

Wenn euch etwas gefällt macht euch die Mühe und schickt den Studenten eine Nachricht auf Linkedin oder ich leite das weiter Helena.Jambor – at –

Conformation of the insulin receptor

A few days back, my fellow CNV grantee Theresia Gutmann from the Coskun lab casually told me over dinner about her PhD work. In collaboration with the Rockefeller University NYC, Theresia had visualized the changing conformation of the human insulin receptor upon insulin binding (paper). Having just started at the Center for Regenerative Therapies Dresden with its focus on Diabetes, I could not believe that this had not been done before! To honor her achievement, I made a #sketchnote of the discovery and a GIF explaining insulin in our body (below).


Paper: Gutmann, Kim et al. (2018): Visualization of ligand-induced transmembrane signaling in the full-length human insulin receptor. Journal of Cell Biology, DOI: 10.1083/jcb.201711047



How big is stuff in biology?

It is easy for everyone, already from kindergarten age on, to judge and compare sizes and lengths. Which lollipop is biggest, that the Eiffel tower is tall, and that matchbox cars are smaller than real ones. But it is rather difficult to understand sizes at macroscopic and microscopic scale, because we never get to see it with the unaided eye, and most of us just see images taken by others.

I probably read hundreds and hundreds of times that a cell is around 20um; I vaguely remember that many bacteria are 1/10th of that size because one magnitude difference is easy to remember. But how much bigger a cell is than a virus, and how much smaller in relative terms than my finger, I read up on again and again.

To help myself, I started drawing the relative sizes of various biological entities that I am fascinated with. Myself (here: my thumb), a fruit fly (my model organism in research for 10 years), eggs of various sizes, cells and my beloved ribosome, a wonderful machine made of many proteins and importantly, RNA that exists in every organism.

Screen Shot 2018-01-25 at 22.14.01Screen Shot 2018-01-25 at 22.13.50Screen Shot 2018-01-25 at 22.13.414_yeast-bacteria-hivScreen Shot 2018-01-25 at 22.13.06Screen Shot 2018-01-25 at 22.11.44Screen Shot 2018-01-25 at 22.10.49

While making the drawings and looking up sizes, I was once more mesmerized to re- discover that a membrane lipid is not that much bigger than a water molecule! And that a human egg, which itself is 10 times larger than an “average cell” is almost visible by eye! Also, consider this: cells come is vastly different sizes, the longest cell in the human body is around one meter long, while the smallest is around 10um. In other words, cells can vary in size over five magnitudes, from 10 to 1 000 000um! That means, if you think of the smallest cell as a tennis ball, the largest would be in comparison as tall as the Mount Everest (and, their nucleus is still the same size…)!

Have fun looking through the comparisons! A beautiful inspiration is here.

PS Also take note how one can use both relative size and scale bars for showing the size of an object! Please, never ever forget to add scale bars to your images, they are the only clue that allows your audience to relate the content to reality!

This slideshow requires JavaScript.

Top 10 signs RNA is awesome

(sort of reply to Raj lab)

A buzzfeed like list of “top 10 signs that a field is bogus” guarantees a fun read, makes audiences crack up and all of us agree with at least one point. But, sometimes it hits close to home. And in this case not even home, but right into my heart, touching on my one big love, the RNA. And RNA localization even scored the number one spot! To illustrate the cellular role of RNA localization and more generally describe the importance of RNAs I have compiled the Top 10 Signs that RNAs and their localizations are awesome!

In short:

1. Degree of RNA localization is not overrated but essentially unknown!

2. RNAs not always randomly distributed!

3. Why should RNAs be localized?

  • For starters, diffusion is in fact very limited!
  • Then also: RNAs don’t diffuse well at all!
  • And: the cytoplasm is not water!
  • Cells are not small and round.
  • Are all localized RNAs encoding localized proteins?
  • Localized RNAs = silenced pool?
  • Localized RNAs = not translated?
  • Evolution!


  1. Degree of RNA localization is not overrated but essentially unknown!

To assess if RNA localization is overrated or underappreciated will require a good number of studies. And RNA localization has simply not been studied very much at genome-scale. Most genome-wide studies were performed on neuron that have clear polarity and extensions that can be separated from the cell body for RNA isolation/sequencing. Less is known for non-neuronal cells; In Drosophila embryos a total number of up to 70% of RNAs can localize – yet if this number seems overrated remember it is a sum of the entire embryogenesis and all cell types present in an embryo. In adult tissue such as the ovary we saw a great degree of variability: the absolute numbers of localized RNAs varied from 0.1 to 10% of the expressed transcripts per cell type. But, more importantly, the percentage of localized RNAs also varied in one cell over time suggesting that RNA distributions are context specific: we therefore suggest to categorize RNAs as ubiquitous versus localization-competent – these RNAs can enrich subcellularly but are not always localized.

The reason why genome-wide analyses of RNA distributions are rare is simply the huge amount of work each one still takes – for most cell types cutting off pieces does not work, cell fractionation to retrieve subcellular fractions is notoriously erroneous and “standard” in situ hybridization at genome scale is a lot of work. Even for single genes in situ hybridization often go wrong, are often done with improper probes (too long, not clean), old-fashioned detection method (NBT, BCIP) that don’t allow subcellular resolution etc.

Two things need to happen to get us ahead in the field: we need probes for assessing RNA distributions in living tissues and we need topological sequencing methods. Both methods are being currently developed, but its still early days to say if they are the breakthrough. So in my book, time will tell how widespread RNA localization really is. Until then lets postpone discussion of numbers – in the end does it make a difference if it is “only” 5% of RNAs? That is still a lot of transcripts! It will be much more interesting how localization-competent RNAs are regulated over time and in space!

  1. Are RNAs randomly distributed?

Well, we already know that many are not randomly distributed. And during my screen I often observed that RNAs encoding a known localized proteins, were also localized. In many instances (references upon request 😉 the authors had reported the RNA to be ubiquitous using a less sensitive approach.

RNAs also change their subcellular distribution as many others and we reported. They change localization over time, under stress, when the cell undergoes other dramatic changes that also result in global changes of cellular organization such as entering the cell cycle, becoming migratory or by viral infections.

Whether one can see RNAs in their localized states depends thus on a number of factors: the right detection method and integrity of the probes used but also on cell type. All this is important for if the RNA of interest is constitutively localized and even more important if the RNA is one of the localization-competent RNAs that have dual states!

  1. Why should RNAs be localized?

For starters, diffusion is in fact very limited!

I also like Bionumbers a lot, just got the fantastic book, and it gives you the answer! While diffusion works really well at the scale of bacterial cells, its effectiveness rapidly declines with an increase in cell size: doubling of the distance results in four times the diffusion time.

In addition, diffusion is not equal in all cell types: macromolecular crowding, large immobile protein structures, and interactions with other molecules influence diffusion. And finally, molecules themselves do not all have equal diffusibility: this depends on protein type, size, if it is in heavy particles etc. While a GFP molecule can traverse a eukaryotic cell in as little as 1 second, for cellular proteins this is much slower: even small proteins like transcription factors already require 3-30 seconds. The larger the protein gets and the more interactions it has with other proteins, the lower its diffusion coefficient becomes. For example it would take a ribosomes ~8 minutes to cross a cell!

  1. Then also: RNAs don’t diffuse well at all!

First of all, RNAs are big! By definition, already the open reading frame is 3 times longer than the protein they encode for, but they have additionally 5’UTR and 3’UTR and introns and long Poly(A)tails. The length of an unwound 1kb RNA in the cell is 300nm! And even in Drosophila 1kb is just the length of the UTR, in vertebrates they are much longer! Then this beast is highly negatively charged, i.e. likely tons of interactions are inhibiting its diffusibility. Then to overcome the charge, they are covered by spermidine, polyamines, proteins and what not – each molecule making the RNA less likely to diffuse fast. And even though proteins and amines are small and bundle the large RNA up – in the end it still has a four times bigger spherical expansion than the proteins.

  1. And: the cytoplasm is not water!

Diffusion is fast in water, but alas, the cytoplasm does not resemble water much. It is heavily crowded making it really hard for any molecule larger than a GFP to just randomly move around. In addition, recent papers suggest that the cytoplasm under starvation, during the cell cycle and in changing pH etc can “freeze” and become a gel. (Search glass-like cytoplasm and any paper from Simon Alberti lab!)

  1. Cells are not small and round.

While we like to think of cells as little round balls as they appear in cell culture and in textbooks, they in fact are hardly ever round. Most cells in tissues are polarized, they have extension, filopodia, asymmetries, form extensive surface interactions and protrusion, bulges… Even cells that in old microscopes appeared round, apparently look almost like neurons when observed with higher resolution! The role of RNA localization for establishing and maintain such highly polarized structures in neurons is well established and could easily be more widely used (but to show this more people would need to work on it! We don’t have much data on cross-tissue comparisons of mRNA localization).

  1. Are all localized RNAs encoding localized proteins?

Probably not. Do we know for sure? No, so far we have not one good dataset globally comparing RNA and protein localizations (coming, provided I get the funding!). Even if there was little correlation between RNA localization and protein distribution: that could be interesting too and we could understand more about the diverse roles of RNA in cells! Co-localization could enable complex formation, facilitate reactions, or serve as a backup mechanism for protein localization: for oskar RNA over the years more localization steps were discovered that individually were not critical in sum ensured germ cells could form (arguably, germ cell formation might be a more backed-up mechanism than RNA localization in somatic cells).

  1. Localized RNAs = silenced pool?

The localized state of RNA could also be a mechanism for translational silencing – similar to sequestration of RNAs into sponge/nuage/P-body type RNA-protein complexes. Do we know? No, again we have no genome-wide data. But most localized RNAs that have been studied in great detail so far are also under translational control at least for a period of their lifetime.

  1. Localized RNAs = not translated?

One exciting possibility is also that RNAs could have dual roles – protein coding and a structural role. This is in fact the case for oskar RNA in the fly: its early, 5-day long localization has nothing to do with encoding the protein, but is absolutely necessary for survival of the oocyte. In fact, for the early stages only ~100 nucleotides of the UTR are necessary – but they need to be localized!!!

  1. And finally, RNAs are localized in all life forms, algae, bacteria, yeast, many cell types, and also, RNA world… evolution, duh!


You see, RNAs are great and good for many things in cells! I look forward to a chance to discuss in much more detail over beer! In the end, we all agree bogus science is science that is crappily done, but no field itself is pointless to pursue – only time can tell what impact it will have.



Disclaimer: this list most likely is not complete! Am happy to update my list any time!