如果没有实际数据，很难给予一个好的解决方案，但也许您可以使用以下两个函数将任何矩阵缩放到您喜欢的范围内（如果需要，也可以将其还原）。这样您就可以在绘图前准备好数据：

scale.2<-function(b,frange=c(0,1)){
  std<-(b-min(b))/(max(b)-min(b))
  scl<-std*(frange[2]-frange[1]) + frange[1]
  return(list(scl=scl,scale_range=frange,minmax_original=c(min(b),max(b))))
}

unscale<-function(scl,minmax_original){
  frange<-c(min(scl),max(scl))
  std<-(scl-frange[1])/(frange[2]-frange[1])
  b<-std*(minmax_original[2]-minmax_original[1]) + minmax_original[1]
  return(b)
}

下面是它的工作原理：

original<-matrix(1:9,nrow=3,byrow = T)

     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
[3,]    7    8    9

缩放至范围[0..255]

scaled<-scale.2(original,frange = c(0,255))

$scl
        [,1]    [,2]    [,3]
[1,]   0.000  31.875  63.750
[2,]  95.625 127.500 159.375
[3,] 191.250 223.125 255.000

$scale_range
[1]   0 255

$minmax_original
[1] 1 9

并从中恢复原始数据：

unscale(scaled$scl,scaled$minmax_original)

     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
[3,]    7    8    9

也许在调用FeaturePlot之前可以尝试一下

DefaultAssay(sunion) = "RNA"