ça analyse duuurrr

Projet.Rmd

@@ -143,10 +143,6 @@ On voit que même sans réduire les données, chaque variable s'exprime environ
 
 ```{r}
 
-
-T$T2_6H_R2
-T$T3_6H_R1
-
 # traitement 1 corrélation avec l'expression des genes du T1 T2 et T3
 ggplot(T,aes(y=T$T1_6H_R1,x=T$ExpT1))+
   geom_boxplot()
@@ -193,8 +189,21 @@ ggplot(T,aes(y=T$T3_6H_R2,x=T$ExpT3))+
 ```
 Analyse des boxplots :
 - traitement 1 (réplicats 1 et 2)
-On voit que les genes qui se sont exprimés au traitement 1 se sont exprimé à peu près de la même façons au traitement 2
+Les genes sur-exprimés au T1 n'ont pas changé d'expression relativement à l'absence de traitement durant le T2.
-Au traitement 3, ceux qui se étaient sur-exprimés au T1 ont affiché aucun changement relatif d'expression par rapport à l'absence de traitement. Ceux qui n'avaient pas changés d'expression se sont sous exprimé ou sur exprimé. Le traitement 3 cible donc des genes différents du traitement 1.
+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). 
+
+Ceux qui n'avaient pas changés d'expression relative durant T1, se sont sous exprimé ou sur exprimé.
+Il faut bien se rappeler que T1 ne cible que très peu de genes donc ces observations sont cohérentes.
+
+- traitement 2
+On observe une légère tendance des genes s'étant sous-exprimé avec T1 à se sous exprimer avec T2 mais le reste des boxplots ne permettent pas de relever quoi que ce soit par rapport à T2.
+
+En revanche, il est très clair que T2 et T3 ciblent les mêmes genes, toutes les expressions relevées par T2 concordent aux modalités qualitatives moyennes calculées sur T3.
+
+
+
 
 
 
@@ -216,11 +225,33 @@ corrplot(cr,method="ellipse", type="lower", bg = "lightgrey")
 
 
 ### librairie biostatR 
-A l'aide de la fonction `eta2()` de la librairie `BioStatR`, calculez le rapport de corrélation $\eta^2$ entre chaque variable quantitative et la variable *Type*. Commentez. Faites de même avec la variable *Qualité*. (extrait tp vin)
+```{r}
+library(BioStatR)
+# Calculate eta² for Treatment 1
+print("T1 vs T2")
+eta2(T$T1_6H_R1, T$ExpT2)
+eta2(T$T1_6H_R2, T$ExpT2)
+
+print("T1 vs T3")
+eta2(T$T1_6H_R1, T$ExpT3)
+eta2(T$T1_6H_R2, T$ExpT3)
+
+print("T2 vs T3")
+eta2(T$T2_6H_R1, T$ExpT3)
+eta2(T$T2_6H_R2, T$ExpT3)
+
+```
+Le calcul du rapport de correlation eta² bien notre observation de la grande similarité d'expression des genes traités avec T2 et T2 et la dissimilarité des expression des genes lorsque la plante est traitée avec T1 comparée à T2 et T3, chose normale au vu du peu de genes affectés par T1.
+
 
 ### table de contingence pour les variables quali 2 à 2, mosaic plot ?
- 
+```{r}
-
+table(T$ExpT1,T$ExpT2)
+table(T$ExpT1,T$ExpT3)
+table(T$ExpT2,T$ExpT3)
+```
+Nouvelle confirmation de nos résultats de manière encore plus précise, on observe que T1 ne change pas l'expression de la très grande majorité des genes. Plus finement, on peut confirmer l'observation faite sur les boxplots tendant à dire que le peu de genes s'étant sous exprimés avec T1 se sont aussi sous-exprimés avec T2 et T3.
 
+La grande valeur des effectifs partiels de la diagonale de la table de contingence entre T2 et T3 montre bien la similarité de l'effet de ces deux traitement sur l'expression des genes.