🦋Begin adding sims

R/anovaComparison.R

@@ -54,7 +54,6 @@ random_groups <- sample(1:K, nb_species, replace = TRUE)
 plot_group_on_tree <- function(tree, groups) {
     plot(tree, show.tip.label = FALSE)
     tiplabels(bg = groups, pch = 21)
-    text(x = 10, y = 0, label = "This tree will be normalised.")
 }
 
 # Saving trees

R/realTreeSimu.R

@@ -25,7 +25,7 @@ tree <- read.tree(here("R","chen2019.tree"))
 taille_tree <- diag(vcv(tree))[1]
 tree$edge.length <- tree$edge.length / taille_tree
 
-plotTree(tree, ftype="i", node.numbers=TRUE)
+plotTree(tree, ftype="i", node.numbers = TRUE)
 
 # Mus et Rat vs le reste
 

Rnw/donnees-reelles.Rnw

@@ -282,16 +282,6 @@ Cette méthode est à l'heure actuelle très utilisée.
 d'après le message d'erreur, une optimisation n'a pas convergé. Ces gènes sont
 présentés dans le tableau~\ref{tab:na-evemodel}.
 
-\begin{table}[H]
-    \centering
-    <<'table_nas'>>=
-    knitr::kable(evegenesNA, col.names = "Gènes ayant produits des NA", 
-        align = "c", booktabs = TRUE, format = "latex", escape = TRUE)
-    @
-    \caption{Table des gènes pour lesquels la méthode \texttt{EVEmodel} a produit des NA}
-    \label{tab:na-evemodel}
-\end{table}
-
 \subsection*{Toutes les méthodes}
 
 Nous allons ici comparer toutes les méthodes dans un diagramme de Venn (figure~\ref{fig:venn-all-methods-eve}) afin de 

Rnw/simulations-methodes.Rnw

@@ -0,0 +1,135 @@
+<< 'knitr_options-simu', echo = FALSE>>=
+knitr::opts_knit$set(cache = TRUE, fig.pos = "HT", fig.width = 6, fig.height = 6,
+    fig.align = "center", warnings = FALSE, echo = FALSE, format = "latex")
+
+@
+Simu: Plusieurs design, tailles etc
+On sait la vérité, on peut connaitre les vrais positifs etc 
+Qu'est ce qu'on prend en entrées qu'est ce qu'on veut en sortie
+
+Bien insister sur l'arbre d'entrée et l'objectif de la simu : quelle approche pour mieux détecter les gènes différentiellement exprimés.
+
+Simulations :
+\begin{itemize}
+    \item soit selon l'arbre des données
+    \item soit partir sur regarder l'impact de la taille de l'arbre etc.
+\end{itemize}
+
+
+\subsubsection*{ANOVA vs ANOVA Phylogénétique}
+
+Dans cette partie nous souhaitons comparer les résultats de l'ANOVA et de 
+l'ANOVA phylogénétique. 
+Pour cela nous allons simuler des données selon plusieurs modalités et évaluer
+l'\emph{erreur de première espèce} et la \emph{puissance} obtenue.
+
+\begin{itemize}
+    \item Des données réparties en deux groupes indépendants de la 
+    phylogénie.
+    \item Des données réparties en deux groupes cohérents avec la phylogénie.
+\end{itemize}
+
+
+Pour les simulations qui ne se font pas selon la phylogénie, nous nous attendons
+à ce que l'ANOVA classique obtienne de bons résultats puisque c'est une 
+situation correspondant à l'application du modèle.
+
+Pour les simulations qui se font selon l'information de l'arbre phylogénétique,
+nous nous attendons à ce que l'ANOVA phylogénétique parvienne à mieux prendre en
+compte l'information apportée par la phylogénie et à démêler son effet.\\
+
+<<'modules-simulations', include = FALSE>>=
+require("ape")
+require("phylolm")
+require("phytools")
+require("here")
+library(tidyverse)
+library(ggplot2)
+library(patchwork)
+source(here("R","utils.R"))
+@
+
+<<'Import-arbre'>>=
+K <- 2
+
+nb_species <- 43
+
+plot_group_on_tree <- function(tree, groups, ...) {
+    plot(tree, ...)
+    tiplabels(bg = groups, pch = 21)
+}
+tree <- read.tree(here("R","chen2019.tree"))
+# Normalising tree edge length
+taille_tree <- diag(vcv(tree))[1]
+tree$edge.length <- tree$edge.length / taille_tree
+@
+
+<<'simus-groupes'>>=
+seed <- 1234
+set.seed(seed)
+# Mus et Rat vs le reste
+group_mus_rat_vs_other <- sapply(1:nb_species, function(tip) {
+    if (tip %in% getDescendants(tree = tree, 55)) {
+        return(1)
+    }
+    return(2)
+})
+
+# TODO Demander à Paul et Mélina si mieux de mettre groupes équilibrés 0.5 0.5
+# Ou groupes comparables 16, 27
+random_groups <- sample(1:K, nb_species,
+    replace = TRUE, prob = c(16, 27))
+@
+
+Pour faire nos simulations dans un contexte proche du cas réel nous allons 
+utiliser l'arbre présenté sur la figure~\ref{fig:arbre-chen2019}.
+
+Nous choisissons de diviser les espèces en deux groupes. 
+Pour le groupe respectant la phylogénie, on a d'un côté les espèces
+du genre \emph{Mus} avec les rats et les autres espèces dans un autre groupe
+(voir la figure~\ref{fig:simu-groupes-mus}). 
+
+
+Et pour le groupe ne respectant pas la phylogénie on attribue aléatoirement les
+individus à l'un des deux groupes en respectant les proportions du groupe défini
+avant afin de rendre les résultats comparables (voir la 
+figure~\ref{fig:simu-groupes-alea-prop}). 
+Enfin pour que notre analyse soit reproductible nous fixons la graine à 
+\Sexpr{seed}.
+
+
+\begin{figure}[H]
+    \centering
+    <<'plot-groupes-mus'>>=
+    plot_group_on_tree(tree, group = group_mus_rat_vs_other)
+    @
+    \caption{Groupes \emph{Mus} et rats contre les autres}
+    \label{fig:simu-groupes-mus} 
+\end{figure}
+\begin{figure}[H]
+    \centering
+    <<'plot-groupes-random'>>=
+    plot_group_on_tree(tree, group = random_groups)
+    @
+    \caption{Groupes aléatoires respectant les proportions}
+    \label{fig:simu-groupes-alea-prop} 
+\end{figure}
+
+<<'param-simulation'>>=
+# Generate data for rat&mus vs the rest
+N <- 500
+base_values <- c(0, 1)
+sigma2_phylo <- 1
+sigma2_measure <- 0.1
+risk_threshold <- 0.05
+
+## Standardized parameters
+total_variance <- 1.0 # sigma2_phylo + sigma2_error, fixed [as tree_height = 1]
+heri <- c(0.3, 0.5, 0.7, 0.9) # heritability her = sigma2_phylo / total_variance. 0 means only noise. 1 means only phylo.
+snr <- 1 # signal to noise ratio snr = size_effect / total_variance
+@
+
+Pour les paramètres de la simulation nous allons faire prendre à $h$, défini comme
+l'héritabilité, les valeurs $h \in (\Sexpr{heri})$. 
+
+\subsubsection*{Avec Satterthwaite et le \emph{Likelihood Ratio Test} (LRT)}

rapport.Rnw

@@ -10,6 +10,7 @@
 \usepackage{graphicx}
 \graphicspath{{img/}}
 \usepackage{float}
+\usepackage{subcaption} %  for subfigures environments 
 
 % Booktabs
 \usepackage{booktabs}
@@ -296,21 +297,9 @@ puis sur arbre avec petites branches ?
 \subsection{Simulations}
 % On importe le fichier
 
-Simu: Plusieurs design, tailles etc
-On sait la vérité, on peut connaitre les vrais positifs etc 
-Qu'est ce qu'on prend en entrées qu'est ce qu'on veut en sortie
-
 <<simulations-methodes, child='Rnw/simulations-methodes.Rnw'>>=
 @
 
-Bien insister sur l'arbre d'entrée et l'objectif de la simu : quelle approche pour mieux détecter les gènes différentiellement exprimés.
-
-Simulations :
-\begin{itemize}
-    \item soit selon l'arbre des données
-    \item soit partir sur regarder l'impact de la taille de l'arbre etc.
-\end{itemize}
-
 \section{Données}
 \label{sec:data}
 % Présentation des données utilisées.
@@ -336,11 +325,39 @@ Intro
 
 Application/Résultats: décrire les données, vite fait normalisation avec vrai aebre, on ne connait pas 
 Discussion/COnclusion ? Interprétation des résultats sinon la mettre dans les 
-
+f-cicd: CI/CD to build Latex PDF ...
+CI/CD to build Latex pdf and create a release in with GitHub Actions. The workflow triggers on push to the repository. Integrates with Overleaf.
 % Bibliographie
 \printbibliography
 \nocite{*}
 
 % TODO Ici éventuellement une partie annexe discussion de l'impact des tailles d'abres
+\appendix
+\section{Application aux données réelles}
+
+Comme nous l'avons remarqué dans la section~\ref{sec:data} l'application de la
+méthode EVEmodel a produit des valeurs manquantes pour les gènes présentés dans
+le tableau suivant.
+
+\begin{table}[H]
+    \centering
+    <<'table_nas'>>=
+    knitr::kable(evegenesNA, col.names = "Gènes ayant produits des NA", 
+        align = "c", booktabs = TRUE, format = "latex", escape = TRUE)
+    @
+    \caption{Table des gènes pour lesquels la méthode \texttt{EVEmodel} a produit des NA}
+    \label{tab:na-evemodel}
+\end{table}
+
+\section*{Code du projet}
+
+Tout le code produit est disponible sur le dépôt GitHub suivant 
+\url{https://github.com/Polarolouis/anova-phylogenetique-projet-msv/}.
+Ce dépôt contient le code pour implémenter la méthode, faire les 
+simulations et compiler le rapport.
+
+
+Nous avons au maximum indiqué le code qui n'a pas été écrit par nous, la plupart
+du temps dans les commentaires du code.
 
 \end{document}