correction de theox

Projet.Rmd

@@ -159,10 +159,10 @@ On voit que même sans réduire les données, chaque variable s'exprime environ
 
 # traitement 1 corrélation avec l'expression des genes du T1 T2 et T3
 
-ggplot(T,aes(y=T$T1_6H_R1,x=T$ExpT1))+
+#ggplot(T,aes(y=T$T1_6H_R1,x=T$ExpT1))+
-  geom_boxplot()
+  #geom_boxplot()
-ggplot(T,aes(y=T$T1_6H_R2,x=T$ExpT1))+
+#ggplot(T,aes(y=T$T1_6H_R2,x=T$ExpT1))+
-  geom_boxplot()
+  #geom_boxplot()
 ggplot(T,aes(y=T$T1_6H_R1,x=T$ExpT2))+
   geom_boxplot()
 ggplot(T,aes(y=T$T1_6H_R2,x=T$ExpT2))+
@@ -178,10 +178,10 @@ ggplot(T,aes(y=T$T2_6H_R1,x=T$ExpT1))+
   geom_boxplot()
 ggplot(T,aes(y=T$T2_6H_R2,x=T$ExpT1))+
   geom_boxplot()
-ggplot(T,aes(y=T$T2_6H_R1,x=T$ExpT2))+
+#ggplot(T,aes(y=T$T2_6H_R1,x=T$ExpT2))+
-  geom_boxplot()
+  #geom_boxplot()
-ggplot(T,aes(y=T$T2_6H_R2,x=T$ExpT2))+
+#ggplot(T,aes(y=T$T2_6H_R2,x=T$ExpT2))+
-  geom_boxplot()
+  #geom_boxplot()
 ggplot(T,aes(y=T$T2_6H_R1,x=T$ExpT3))+
   geom_boxplot()
 ggplot(T,aes(y=T$T2_6H_R2,x=T$ExpT3))+
@@ -196,15 +196,15 @@ ggplot(T,aes(y=T$T3_6H_R1,x=T$ExpT2))+
   geom_boxplot()
 ggplot(T,aes(y=T$T3_6H_R2,x=T$ExpT2))+
   geom_boxplot()
-ggplot(T,aes(y=T$T3_6H_R1,x=T$ExpT3))+
+#ggplot(T,aes(y=T$T3_6H_R1,x=T$ExpT3))+
-  geom_boxplot()
+  #geom_boxplot()
-ggplot(T,aes(y=T$T3_6H_R2,x=T$ExpT3))+
+#ggplot(T,aes(y=T$T3_6H_R2,x=T$ExpT3))+
-  geom_boxplot()
+  #geom_boxplot()
 
 ```
 ### Analyse des boxplots :
 - traitement 1 (réplicats 1 et 2)
-Les genes sur-exprimés au T1 n'ont pas changé d'expression relativement à l'absence de traitement durant le T2.
+Les genes sur-exprimés au T1 sont non-exprimé durant le T2.
 Il est difficile d'observer une catégorie de genes de T1 qui se soient sous exprimés dans T2. De même pour la sur-expression dans T2.
 
 Ceux qui s'étaient sur-exprimés au T1 ont affiché aucun changement semblent ne pas avoir changé d'expression au T3 ( relativement à l'absence de traitement). 
@@ -554,7 +554,7 @@ ggplot(df,aes(x=K,y=Iintra))+
 ```{r,fig.cap="Visualisation du critère de Silhouette en fonction du nombre de classes demandées pour le clustering"}
 Silhou<-NULL
 for (k in 2:Kmax){
-   aux<-silhouette(reskmeanscl_2[,k-1], daisy(s))
+   aux<-silhouette(reskmeanscl_2[,k-1], daisy(s_2))
    Silhou<-c(Silhou,mean(aux[,3]))
 }
 
@@ -563,7 +563,7 @@ ggplot(df,aes(x=K,y=Silhouette))+
   geom_point()+
   geom_line()+theme(legend.position = "bottom")
 
-aux<-silhouette(reskmeanscl_2[,3-1], daisy(s))
+aux<-silhouette(reskmeanscl_2[,3-1], daisy(s_2))
 fviz_silhouette(aux)+
   theme(plot.title = element_text(size =9))
 rm(df,Silhou,aux)
@@ -615,10 +615,10 @@ set.seed(123)  # Pour rendre les résultats reproductibles
 dbscan_res = dbscan::dbscan(s_2, eps = 2, minPts = round(log(nrow(s_2))))
 
 # Ajouter les clusters résultants à DataExpMoy
-DataExpMoy$DBSCAN_Cluster <- as.factor(dbscan_res$cluster)  # Les clusters DBSCAN
+#DataExpMoy$DBSCAN_Cluster <- as.factor(dbscan_res$cluster)  # Les clusters DBSCAN
 
 # Visualiser les clusters
-fviz_cluster(dbscan_res, data = data_for_clustering,
+fviz_cluster(dbscan_res, data = s_2,
              geom = "point", ellipse = FALSE, # Pas d'ellipse pour DBSCAN
              show.clust.cent = FALSE,  # Pas de centres pour DBSCAN
              palette = "jco") +