🦋 Ajout de la figure pour générer le MB

Rnw/donnees-reelles.Rnw

@@ -211,10 +211,10 @@ pvalues_adj_dataframe_wide <- pvalues_adj_dataframe %>%
 Une fois ces corrections appliquées, nous allons comparer les gènes sélectionnés,
 c'est-à-dire différentiellement exprimés. 
 
-% TODO Développer ce que veut dire différentiellement exprimé
 
 Ces résultats sont présentés dans le diagramme de Venn (figure~\ref{fig:venn-all-methods}).
 
+
 On peut voir que la méthode de Satterthwaite sans REML a sélectionné énormément
 de gènes, 
 $\Sexpr{sum(pvalues_adj_dataframe[pvalues_adj_dataframe$test_method == "SatterthwaiteAdj",]$selected)}$ 

rapport.Rnw

@@ -179,14 +179,27 @@ On peut voir un exemple utilisé dans les slides de cours \cite{bastideContinuou
     \includegraphics[width=0.7\textwidth]{matrix_K.png}
 \end{center}
 
-<<''>>=
+<<'plot-MB', warnings = FALSE, message = FALSE, fig.cap = "Exemple d'un arbre phylogénétique généré selon un Mouvement Brownien", out.width = "75%", fig.height = 3.5, fig.align = "center", fig.pos = "H">>=
+source(here("simulations","mouvement_brownien.R"))
+set.seed(12)
+df <- generate_phylo_tree(5,100, 0.1)
+df$id_branche <- as.factor(df$id_branche)
+
+ggplot(df) +
+    aes(x = time, y = traj, color = as.factor(id_branche))+
+    geom_line() +
+    geom_vline(data = df[df$is_spec_time,], aes(xintercept = time, color = .data$id_branche), linetype = "dashed")+
+    geom_point(data = df[df$is_spec_time,], aes(x = time, y = .data$traj, color = .data$id_branche), size = 4)+
+    labs(color = "Espèce", x = "Temps", y = "Trait") +
+    coord_fixed(ratio=0.75) +
+    theme_minimal()
 
 @
 
 % Besoin de le dire qu'on fait une régression linéaire matrice structurée, 
 % figure avec le Brownien sur l'arbre à reprendre dans le chapitre de livre
 
-Etre assez concis sur l'histoire de la projection et le modèle et les différences avec l'ANOVA. 
+TODO Etre assez concis sur l'histoire de la projection et le modèle et les différences avec l'ANOVA. 
 
 \subsection{ANOVA phylogénétique avec erreur de mesure}
 TODO transition

simulations/mouvement_brownien.R

@@ -1,8 +1,9 @@
 library(ggplot2)
+library(dplyr)
 
-# Number of BM indep coordinates
-N <- 1000
-time_delta <- 0.5
+# # Number of BM indep coordinates
+# N <- 1000
+# time_delta <- 0.5
 
 generate_brownian_motion_traj <- function(N, time_delta, variance = 1) {
     # BM indep vector
@@ -15,28 +16,28 @@ generate_brownian_motion_traj <- function(N, time_delta, variance = 1) {
     return(data.frame(time_serie = time_serie, bm_traj = bm_traj))
 }
 
-bm_traj_and_time <- generate_brownian_motion_traj(N, time_delta, 1)
+# bm_traj_and_time <- generate_brownian_motion_traj(N, time_delta, 1)
 
-# Plotting
-ggplot(bm_traj_and_time) +
-    aes(x = time_serie, y = bm_traj) +
-    geom_hline(aes(yintercept = 0, color = "red")) +
-    geom_line()
+# # Plotting
+# ggplot(bm_traj_and_time) +
+#     aes(x = time_serie, y = bm_traj) +
+#     geom_hline(aes(yintercept = 0, color = "red")) +
+#     geom_line()
 
-# Generate multiple BM
-n <- 100
-multiple_BM <- do.call(rbind, lapply(seq(1, n, 1), function(idx) {
-    data <- generate_brownian_motion_traj(N, time_delta)
-    data$id <- rep(idx, N)
-    data <- data[, c(3, 1:2)]
-    return(data)
-}))
+# # Generate multiple BM
+# n <- 100
+# multiple_BM <- do.call(rbind, lapply(seq(1, n, 1), function(idx) {
+#     data <- generate_brownian_motion_traj(N, time_delta)
+#     data$id <- rep(idx, N)
+#     data <- data[, c(3, 1:2)]
+#     return(data)
+# }))
 
-## Plotting multiple BMs
-ggplot(multiple_BM) +
-    aes(x = time_serie, y = bm_traj, group = as.factor(id), alpha = 0.5) +
-    geom_hline(aes(yintercept = 0, color = "red")) +
-    geom_line()
+# ## Plotting multiple BMs
+# ggplot(multiple_BM) +
+#     aes(x = time_serie, y = bm_traj, group = as.factor(id), alpha = 0.5) +
+#     geom_hline(aes(yintercept = 0, color = "red")) +
+#     geom_line()
 
 # For phylogenic tree
 
@@ -45,12 +46,12 @@ generate_phylo_tree <- function(n_tips, N, time_delta) {
     time_serie <- cumsum(rep(time_delta, N))
 
     # Instants de spéciations
-    spec_times <- sort(sample(seq(1:N - 1), n_tips - 1, replace = TRUE))
+    spec_times <- sort(sample(seq(1:N - 10), n_tips, replace = TRUE))
 
     # Choisir la branche dont on se sépare, au premier choix 1 seule, au second 2
     branche_orig_spec <- sapply(
         seq_len(length(spec_times)),
-        function(nb_choix) sample(seq(1, nb_choix), size = 1)
+        function(nb_choix) sample(seq(1, nb_choix - 1), size = 1)
     )
 
     # On ajoute alors la première espèce
@@ -66,11 +67,11 @@ generate_phylo_tree <- function(n_tips, N, time_delta) {
 
     phylo_tree_data <- data.frame(
         id_branche = factor(),
-        time = numeric(), traj = numeric()
+        time = numeric(), traj = numeric(), is_spec_time = logical()
     )
 
     # Pour la construction récursive de l'arbre
-    for (idx in seq_len(length(liste_spec_traj))) {
+    for (idx in seq_len(length(liste_spec_traj)-1)) {
         # Les k pas manquants
         k <- spec_times[idx]
 
@@ -80,21 +81,29 @@ generate_phylo_tree <- function(n_tips, N, time_delta) {
                     idx,
                     length(liste_spec_traj[[idx]])
                 ),
-                time = time_serie, traj = liste_spec_traj[[idx]]
+                time = time_serie, traj = liste_spec_traj[[idx]], is_spec_time = rep(FALSE, N)
             )
         } else {
+            base <- phylo_tree_data[phylo_tree_data[["id_branche"]] == (branche_orig_spec[[idx]]),"traj"][1:k]
+            if(anyNA(base)){
+                print(spec_times[[idx]])
+                print(phylo_tree_data$id_branche)
+                print(branche_orig_spec[[idx]])
+            }
             traj <-
                 # On prend la dernière valeur avant div qu'on ajoute à la 
                 # trajectoire
-                base <- phylo_tree_data[which(phylo_tree_data[["id_branche"]] == branche_orig_spec[[idx]]),"traj"]
-                tail(, n = 1) + liste_spec_traj[[idx]]
+                c(base, tail(base, n = 1) + liste_spec_traj[[idx]])
             current_data <- data.frame(
-                id_branche = rep(idx, length(liste_spec_traj[[idx]])),
-                time = time_serie[(k + 1):N], traj = traj
+                id_branche = rep(idx, N),
+                time = time_serie, traj = traj, is_spec_time = (time_serie == time_serie[k])
             )
         }
 
         phylo_tree_data <- rbind(phylo_tree_data, current_data)
     }
+
     return(phylo_tree_data)
 }
+
+# debug(generate_phylo_tree)