下面的思路供你参考，核心是：

1. 保留你原先画散点热图的可视化方式（即使我们增加了统计检验，图示上仍需要原有的分布可视化，来直观地展示两组数据的分布关系）。
2. 在同一个函数中直接进行统计学分析，并将p值或统计量等结果简单标注到图中，或返回给上层调用者。
3. 常用的生物学分析方法，可以考虑：
   • Mann-Whitney U test（即Wilcoxon rank-sum test），不需要假设数据服从正态分布，常用于“野生型 vs 突变体”或“两组不同处理”情境。
   • Kolmogorov–Smirnov test（KS检验），对比两个一维分布是否有显著差异。
   • 如果你确认满足正态分布或样本量比较大，也可用t-test。

下面给出一个示例，假设你希望进行Mann-Whitney U检验，并且将显著性水平和p值标注到图上。为了尽量保持你现有函数调用方式不变，我们把新的函数也命名为 plot_cleavage_ratio，你只需要替换原来的函数定义，然后在你的脚本中直接使用即可。

更新后的画图+统计检验函数示例

python
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.stats import gaussian_kde, mannwhitneyu
from mpl_toolkits.axes_grid1 import make_axes_locatable

def plot_cleavage_ratio(data1, label1):
    """
    data1: 包含 'db2_ratio' (突变体) 和 'db1_ratio' (野生型) 的 DataFrame
    label1: x轴或者其他用于区分的label
    """
    # 取出两个需要比较的列
    x = data1['db2_ratio'].dropna()  # 假设这是突变体
    y = data1['db1_ratio'].dropna()  # 假设这是野生型

    # 计算二维核密度并进行散点排序，以实现“由低密度到高密度”层叠
    xy = np.vstack([x, y])
    z = gaussian_kde(xy)(xy)
    idx = z.argsort()
    x, y, z = x.iloc[idx], y.iloc[idx], z[idx]

    # 绘图
    ax = plt.gca()
    scatter = ax.scatter(x, y, marker='o', c=z, s=5, cmap="RdYlBu_r")
    plt.plot([0, 1], [0, 1], ls='--', color='#555555')
    xticks = np.array([0.00, 0.25, 0.50, 0.75, 1.00])
    plt.xticks(xticks)
    plt.xlabel(label1)
    plt.ylabel("WildType" if label1 else "")  # 也可以根据需要修改

    # 添加右侧colorbar（如果需要的话）
    divider = make_axes_locatable(ax)
    cax = divider.append_axes("right", size="3%", pad=0.1)
    cbar = plt.colorbar(scatter, cax=cax)
    cbar.set_label('Density')

    # ===============  统计学检验  ===============
    # 使用 Mann-Whitney U 检验
    # 适合非正态分布的情况。如果你确认正态性，也可以用 t-test。
    stat_val, p_val = mannwhitneyu(x, y, alternative='two-sided')

    # 这里仅举例返回 p 值; 相对坐标，可根据美观需要自行调整
    text_y = 0.95
    ax.text(text_x, text_y,
            f"Mann-Whitney U\np={p_val:.2e}",
            ha='left', va='top', transform=ax.transAxes,
            fontsize=10, bbox=dict(boxstyle="round,pad=0.3", fc="white", ec="black", alpha=0.5))

    # 去掉顶部与右侧边框
    sns.despine(top=True, right=True)

    return ax

• Mann-Whitney U检验的返回值有两个：第一个是统计量U，第二个是p值。这里我们只在图中标注了p值，你可以根据需要把U值也标注上去或在函数中print出来。
• 如果你的数据符合正态性假设，可以改成from scipy.stats import ttest_ind并调用 ttest_ind(x,y) 来得到 t-statistic 和 p-value。

如何调用这个新函数

你给出的旧脚本里，本质就是循环/分块画子图，并调用 plot_cleavage_ratio(...) 函数。现在只要确保你把上述新函数（已经加入统计学部分）替换掉原先的老函数，然后其他调用部分无需做额外改动即可。示例如下：

python
plt.figure(figsize=(12, 12))
plt.subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=0.3, hspace=0.3)

plt.subplot(4, 4, 1)
plot_cleavage_ratio(fy_rep2_cleavage, '')  # 这里label1你可以随意写

plt.subplot(4, 4, 2)
plot_cleavage_ratio(cpsf30_rep2_cleavage, '')

plt.subplot(4, 4, 3)
plot_cleavage_ratio(fip1_rep2_cleavage, '')

plt.subplot(4, 4, 4)
plot_cleavage_ratio(esp5_rep2_cleavage, '')

# ... 后面依次类推
# 如果某张子图的xy轴标签太挤，你可以在plot_cleavage_ratio里加一些x_label和y_label控制

sns.despine(top=True, right=True)
plt.show()

这样你就可以像原来一样，一次性把多张子图画出来，并且每张图都会在右上角显示基于 Mann-Whitney U 检验得到的 p 值，从而能提供一个客观的统计学判断，帮助避免仅靠“肉眼判断差异”带来的主观问题。

如果你还想进一步改进

1. 多重检验修正：
   如果你一次画了很多子图（比如对多个突变体分别做了野生型 vs. 突变体的比较），那就涉及到重复统计检验的问题，可以考虑使用 statsmodels.stats.multitest 库对得到的一批 p 值做多重检验修正（FDR, Bonferroni 等）。

   • 做法：你可以先用循环把所有 p 值收集到一个列表中，然后一次性进行多重检验修正，再分别画图标注修正后的p值。

2. 展示分布差异的其他形式：

   • 可以在图的右侧或下方再增加直方图/violin图/box图等，用于更直观地对比 db1_ratio 和 db2_ratio 的分布差异。
   • 如果只关心“落在对角线周围”这件事，也可以考虑算皮尔森相关系数或斯皮尔曼相关系数等。

3. 换用 Kolmogorov-Smirnov test (KS 检验)：

   • 如果你更关心分布整体的形态差异，而不只是一组数据比另一组整体偏大/偏小，可以用 from scipy.stats import ks_2samp 来做 KS 检验。返回的统计量stat_val表示两个分布累积分布函数最大的差异处，p值表示其显著性。

总之，上面给出的示例函数足以满足“大多数生命科学文章中对两组样本是否存在显著差异的需求”，并能直接嵌入你的原绘图脚本中使用。你只需将其复制进你的脚本并使用，即可得到兼具可视化与统计判断的结果。祝你科研顺利!