silico.biotoul.fr
 

M1 Traitement de Donnees Biologiques - TP 2 R

From silico.biotoul.fr

(Difference between revisions)
Jump to: navigation, search
Line 45: Line 45:
summary(reglin)
summary(reglin)
 +
Quelle est l'équation de la droite de régression ?
 +
Calculez le coefficient de détermination R2 (% de variance expliquée par le modèle linéaire ==> bien si > 70%):
 +
cor(Genome_size,ORF_number)^2 (stocké aussi dans summary(reglin))
 +
 +
Représenter le nuage de points avec la droite de régression:
 +
plot(Genome_size,ORF_number,pch=16)
 +
abline(reglin,col="red",lwd=2)
 +
<span style='color: #990000;'>Ajoutez ces parties à votre compte rendu.</span>
-
<span style='color: #990000;'>Ajoutez ces parties à votre compte rendu.</span>
 
Line 60: Line 67:
  
  
-
# donner l'équation de la droite:
 
-
# calculez le coeffcient de détermination R2 (% de variance expliquée par le modèle ==> bien si > 70%)
 
-
cor(Genome_size,ORF_number)^2
 
-
# représenter le nuage de points ainsi que la droite de régression
 
-
plot(Genome_size,ORF_number,pch=16)
 
-
abline(reglin,col="red",lwd=2)
 

Revision as of 13:26, 14 September 2016

Contents

Régression linéaire, probabilités et intervalles de confiance

Ce TP comporte trois parties:

  • Régression linéaire
  • Calculs simples de probabilité
  • Estimation d'un intervalle de confiance d'un paramètre (moyenne, proportion)


Régression linéaire

On cherche à détecter une corrélation entre deux variables quantitatives mesurées sur les mêmes individus. Notre exemple: pour différentes espèces de bactéries, nous connaissons (i) la taille du génome grâce au séquençage, (ii) le nombre de séquences codantes prédites par un algorithme bioinformatique. Quelle question peut-on se poser ?

Lecture et exploration du tableau de données

Lecture:

genomes=read.table("bacterial_genomes.txt", sep="\t", header=TRUE)

Accéder directement aux variables simplement en donnant leurs noms: attach(genomes) names(genomes) Genome_size ORF_number

Faire un graphique: plot(Genome_size,ORF_number,pch=16)

Quantifier la relation entre ces 2 variables:

  • covariance

cov(Genome_size,ORF_number)

  • coefficient de corrélation r de Pearson

cor(Genome_size,ORF_number)

Régression linéaire

Calculer une fonction linéaire qui relie les 2 variables, avec la commande lm(): lm(ORF_number ~ Genome_size) # remarque: c'est une régression de "y" sur "x", d'où lm(y~x)

Gardons en mémoire le résultat de la régression: reglin=lm(ORF_number ~ Genome_size)

On peut vérifier la significativité des coefficients de la droite avec: summary(reglin)

Quelle est l'équation de la droite de régression ?

Calculez le coefficient de détermination R2 (% de variance expliquée par le modèle linéaire ==> bien si > 70%): cor(Genome_size,ORF_number)^2 (stocké aussi dans summary(reglin))

Représenter le nuage de points avec la droite de régression: plot(Genome_size,ORF_number,pch=16) abline(reglin,col="red",lwd=2)

Ajoutez ces parties à votre compte rendu.













Image:M1.TDB.RStudio-screenshot.jpg


Créer un répertoire de travail sur le bureau (par exemple TDB-TP1_introduction) et commencez par télécharger le fichier source que vous allez utiliser et compléter pour générer le compte rendu de TP : M1.TDB.TP_introduction_R.Rmd (click droit de la souris -- enregistrer la cible sous...).

Ouvrez le logiciel RStudio et chargez ce fichier puis lancez sa compilation pour voir le rendu comme dans la capture d'écran ci-dessus. Pour cela cliquez sur le bouton Knit HTML ou bien utilisez la combinaison de touches Ctrl + shift + K.

Vous verrez que si la compilation est réussie, un fichier M1.TDB.TP_introcution_R.html va être généré dans le même répertoire que le fichier M1.TDB.TP_introduction_R.Rmd que vous avez téléchargé.

Utilisation et calculs avec du code R

Utilisation de variables

Les variables (ou objets) permettent de stocker des données qui peuvent être :

  • une valeur simple de type numérique (numeric), logique (logical), chaîne de caractères (character) ou qualitative (factor).
  • une liste (appelée vector).
  • un tableau à 2 dimensions, les colonnes pouvant avoir des types différents (data frame). Ce sont les plus utilisés en statistiques.
  • un tableau à 2 dimensions, toutes les cases ayant le même type (matrix).
  • un tableau à plus de 2 dimension (array).
  • une combinaison des précédents (list).

Une variable a un nom (défini par l'utilisateur) qui permet d'accéder à son contenu.

Créer une variable appelée x qui stocke le résultat du calcul précédent 1 + 2 + 3. L'affectation d'une valeur à une variable se fait avec <- ou le signe = comme suit dans la console :

x = 1 + 2 + 3

Vous devriez voir s'afficher x dans l'environnement en haut à droite comme sur la capture d'écran précédente.

Pour afficher le contenu d'une variable, il suffit de taper son nom (dans la console en bas à gauche) :

x

Rajoutez ces commandes à votre compte rendu de TP (script en haut à gauche) et assurez-vous que cela fonctionne (en recompilant le fichier).

Essayez avec les autres types de variables simples. Par exemple :

texte = "Phrase qu'il faut mettre entre guillemets."
logique = TRUE
faux = FALSE
# ce qui est après un # correspond à du commentaire et n'est pas interprété comme du code
x = x * 2 # on multiplie x de toute à l'heure par 2
y = x**2  # y prend la valeur de x au carré (puissance 2)

Les valeurs logiques peuvent être le résultats de tests :

x < 10  # strictement inférieur à 10 ?
x <= 11 # inférieur ou égal
x == 12 # test d'égalité
x >= 13
x > 0
x != 0 # test si x est différent de 0
! FALSE  # inverse une valeur logique

Ajoutez ces parties à votre compte rendu.

Vecteurs

Créez un vecteur x contenant les valeurs 2,3,5,8,4,6 rassemblées avec la fonction c() :

x = c(2,3,5,8,4,6)
x

Calculez sa longueur avec la fonction length() :

length(x)

Accès à certains éléments : Affichez la deuxième valeur de x. Pour cela, on utilise les crochets :

x[2]

Pour accéder à plusieurs éléments, on utilise un vecteur contenant les positions :

x[ c(2,4,1) ]

Si les positions se suivent, on peut utiliser les :

2:4
x[2:4]

ou dans l'ordre inverse :

4:2
x[4:2]

On peut aussi accéder à tous les éléments sauf certains :

x[ -2 ] # tous, sauf le 2ème
x[ -2:-3 ] # tous, sauf le 2ème et le 3ème

Exploration suivant un critère: vrai/faux, indices, ou valeurs

x>4
which( x>4 )
x[ x>4 ]

Effectuer une opération sur chaque élément :

x
1 / x
# en arrondissant 2 chiffres après la virgule)
round(1/x, 2)
x + 1
x * 2

Ajoutez ces parties à votre compte rendu.

Fonctions

R charge certaines librairies au démarrage selon comment il est installé et configuré. Les librairies mettent à disposition des fonctions qui peuvent être très simples, jusqu'à très très compliquées.

Essayez les suivantes sur votre vecteur x. Et notez dans votre compte rendu ce qu'elles permettent de faire.

  • summary(x)
  • min
  • max
  • median
  • mean
  • var
  • sd

Afin de mieux comprendre ce qu'elles font et quels sont les paramètres que l'on peut leur passer, utilisez l'aide :

help(median)

ou plus simplement :

?mean

Quand on ne connaît pas exactement le nom, on peut faire une recherche par mot :

??mean

Lecture et écriture de fichiers contenant des données

Les fonctions permettant de lire et d'écrire des données dans des fichiers sont :

  • read.table
  • read.csv et read.csv2
  • read.delim et read.delim2
  • write.table
  • write.csv et write.csv2
  • write.delim et write.delim2

Ce sont à peu près les mêmes fonctions mais elles prennent des paramètres par défaut légèrement différents. Commencez par consulter leur documentation.

Téléchargez et sauvegardez le fichier suivant dans le même répertoire que toute à l'heure. (click droit puis enregistrer la cible sous...) : croissance_plantes.txt

Afin de visualiser son contenu, vous pouvez l'ouvrir d'abord avec un éditeur de texte (Textpad, Notepad++ ou geany), ou un tableur LibreOffice Calc (ou M office excel).

Remarque : il faut en général éviter de mettre des espaces dans les noms de variables, ainsi que des accents

Ensuite, avant de charger les données, il faut dire à R de se placer dans votre répertoire de travail. Sinon, il ne trouvera pas le fichier et vous aurez une erreur à la suite de la commande read.table. Pour cela, cliquez sur le menu Session puis Set Working Directory > To Source File Location. Il y aussi la possibilité de sélectionner le répertoire avec l'option Choose Directory... ou la combinaison de touches Ctrl + shift + H.

Après cela, essayez la fonction read.table sur le fichier croissance_plantes.txt que vous avez récupéré. Il vous faudra utiliser les paramètres sep et header pour désigner le séparateur de colonnes (tabulation notée \t) ainsi que le fait que la première ligne correspond aux noms des colonnes (header=TRUE):

read.table("croissance_plantes.txt", sep="\t",header=TRUE)

Avec la commande ci-dessus, si le fichier est dans le répertoire de travail, il va être chargé. Comme il n'est pas affecté à une variable, il va être affiché. Pour le garder en mémoire dans une variable, il faut le spécifier :

croissance = read.table("croissance_plantes.txt", sep="\t",header=TRUE)

Après cela, la variable croissance doit apparaître dans l'environnement. Si vous cliquez dessus, son contenu doit être ouvert dans un nouvel onglet. Vous verrez aussi dans la console la commande qui a été exécutée pour l'ouvrir : View(croissance).

Ce type de tableau est appelé data.frame en R. Chaque colonne a un type. C'est ce qui est le plus utilisé en statistiques avec les individus en lignes et les variables en colonnes. Essayez la fonction summary ainsi que la fonction dim.

Comme pour un vecteur, on peut afficher le contenu entier, ou accéder à certaines lignes et/ou colonnes :

croissance
croissance[1 ,  ] # ligne 1
croissance[  , 1] # colonne 1
croissance[1, 1] # première case
croissance$poids # colonne qui s'appelle poids (la première)
croissance[ , 'poids'] # encore une autre manière d'y accéder

Pour obtenir le nom des colonnes :

names(croissance)

Il est aussi possible d'utiliser colnames et rownames.


Pour y accéder sans avoir à chaque fois à mettre le nom croissance, on utilise attach :

attach(croissance)
poids

Pour récupérer une partie des données, on peut faire comme précédemment avec un vecteur. Par exemple pour ne récupérer que les lignes correspondant à des données d'origine des pyrénées :

origine_geo == 'pyr'    # test pour obtenir VRAI/FAUX
which(origine_geo == 'pyr') # test pour obtenir les numéros des lignes
# et ensuite
croissance[ origine_geo == 'pyr' , 1:2 ]
# ou bien
croissance[ which(origine_geo == 'pyr') , 1:2 ]
# pour stocker le résultats dans une autre variable
pyr = croissance[ origine_geo == 'pyr' , 1:2 ]

Ensuite, sauvegardez cette partie des données avec la fonction write.table et ouvrez le résultat avec Textpad ou LibreOffice :

write.table(pyr, "croissance_plantes_pyr.txt", quote=F, col.names=T, row.names=F, sep="\t")

Vous remarquez au passage que l'on peut écrire TRUE avec seulement T, (et FALSE avec F).

Fonctions graphiques

Pour commencer, un camembert avec le nombre d'individus par origine (variable qualitative) :

summary(origine_geo)                                                   # les effectifs
pie( summary(origine_geo) )                                            # le camembert
pie (summary(origine_geo), main="origine géographique des plantes")   # avec un titre

Un histogramme (variable quantitative):

hist(taille, xlim=c(40,90), xlab="taille (cm)", ylab="effectif", freq=T, main="histogramme de la taille des plantes", col="orange")

Une boite à moustaches (variable quantitative):

boxplot(taille, main="boxplot de la taille des plantes", ylab="taille")

Plusieurs boites à moustaches (une variable quantitative en fonction des modalités d'une variable qualitative):

plot(origine_geo, taille, las=3, main="boxplot de la taille des plantes en fonction de l'origine géographique")
stripchart(taille~origine_geo,las=1)

Un graphique à 2 dimensions ou nuage de points ( 2 variables quantitatives mesurées sur les mêmes individus) :

plot( taille, poids)

Affichage de plusieurs graphiques dans la même fenêtre :

par(mfrow=c(2,2))  # 2 en lignes et 2 en colonnes
hist(taille,xlim=c(40,90),xlab="taille (cm)",ylab="effectif",freq=T,main="histogramme de la taille des plantes",col="orange")
boxplot(taille,main="boxplot de la taille des plantes",ylab="taille")
plot(taille~origine_geo,las=3)
stripchart(taille~origine_geo,las=1)

Ouverture d'une nouvelle fenêtre graphique :

x11()

Sauvegarde et/ou exportation des graphiques. Dans l'onglet Plots, au choix dans le menu Export :

  • Save as Image... : différents format disponibles (PNG, JPEG, TIFF, SVG, ...)
  • Save as PDF...
  • Copy to Clipboard... : copie en mémoire (presse papier). Essayez de le coller par exemple dans MsWord, Powerpoint ou LibreOffice.

Ajoutez tout cela au compte rendu de TP avant de l'envoyer à votre enseignant par mail (bonhomme@lrsv.ups-tlse.fr ou barriot@biotoul.fr). Le compte rendu est à envoyer avant de commencer le TP2. Envoyez les 2 fichiers (.Rmd et .html). Envoyez-vous aussi le mail en copie pour pouvoir vérifier que tout est bien passé. Mettez un titre tel que "Compte rendu TP1 TDB de -et votre Nom et Prénom-".

Liens