anova-phylogenetique-projet-msv/Rnw/simulations-methodes.Rnw

<< 'knitr_options-simu', echo = FALSE>>=
knitr::opts_knit$set(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 classique, avec approximation de Satterthwaite et avec le
\emph{Likelihood ratio test}. 
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, eval=TRUE>>=
necessary_simu <- c("ape", "remotes", "phylolm", "phylolimma", "phytools", 
    "latex2exp", "here")

if (any(!(necessary_simu %in% installed.packages()))){
    install.packages(necessary_simu)
    remotes::install_github("lamho86/phylolm", quiet = TRUE)
    remotes::install_github("pbastide/phylolimma", quiet = TRUE)
}

library("ape")
library("phylolm")
library("phytools")
library("here")
library("tidyverse")
library("ggplot2")
library("patchwork")
library("latex2exp")
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)
})

rng_species <- c("chimp", "bonobo", "human", "orangutan", "marmoset", 
    "musMusculus", "rat", "dog", "ferret", "cow", "opossum")
random_groups <- rowSums(sapply(rng_species, 
    function(spec) grepl(spec, tree$tip.label)))
random_groups[random_groups == 0] <- 2

#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}). 

% DONE Choisir les espèces à la main et mettre les réplicats dans le même groupe
% on attribue aléatoirement les individus à l'un des deux groupes
Et pour le groupe ne respectant pas la phylogénie, nous avons sélectionnés les 
espèces en respectant les proportions des groupes définis
avant afin de rendre les résultats comparables (voir la 
figure~\ref{fig:simu-groupes-prop}).
Enfin pour que notre analyse soit reproductible nous fixons la graine à 
\Sexpr{seed}.

\begin{figure}[H]
    \begin{subfigure}[H]{0.45\textwidth}
        \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{subfigure}
    \begin{subfigure}[H]{0.45\textwidth}
        \centering
        <<'plot-groupes-random'>>=
        plot_group_on_tree(tree, group = random_groups)
        @
        \caption{Groupes respectant les proportions}
        \label{fig:simu-groupes-prop} 
    \end{subfigure}
    \caption{Arbre et groupes pour les simulations}
    \label{fig:arbres-groupes}
\end{figure}

<<'param-simulation'>>=
# Generate data for rat&mus vs the rest
N <- 500
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
@

Afin d'avoir un paramètre unique à faire varier, nous re-paramétrisons le
modèle, la variance totale $v_{tot}$ suit la relation 
$v_{tot} = \sigma^2_{phylo} + 
\sigma^2_{measure} = \Sexpr{total_variance} $.
Nous allons faire prendre à $h$, défini comme l'héritabilité, les valeurs $h 
\in (\Sexpr{heri})$. L'héritabilité est liée à $\sigma^2_{phylo}$ et $\sigma^2_{phylo} = h\times 
v_{tot}$. Et alors $\sigma^2_{measure} = (1-h) \times 
v_{tot}$. Ainsi, $h = 0$ signifie qu'il y a seulement du bruit, et $h = 1$ 
seulement de l'information phylogénétique.

Pour les valeurs quantitatives des 2 groupes, nous avons 2 valeurs différentes :
\begin{align}
    \mu_1 = 0, & & \mu_2 = snr \times v_{tot} = \frac{taille\text{ }d'effet}{\cancel{v_{tot}}} \times \cancel{v_{tot}} = \Sexpr{snr} \label{eq:simus-base-values}
\end{align}

\emph{Note :} \emph{snr} signifie \emph{signal noise ratio} et comme indiqué est
donc le rapport entre la taille d'effet et la variance totale. Et dans
l'équation~\ref{eq:simus-base-values}, $\mu_1$ et $\mu_2$ 
correspondent aux $\beta_1$ et $\beta_2$ définis dans la 
sous-section~\ref{subsec:anova-phylogenetique}.

Pour chaque valeur d'héritabilité, nous allons générer $\Sexpr{N}$ jeux de données 
différents sur lesquels les méthodes sont utilisées avec les valeurs définies
dans l'équation~\ref{eq:simus-base-values}.

<<'simus-results', warning = FALSE, fig.pos = "H", fig.cap = "Simulations pour différente valeurs d'héritabilité", fig.subcap = paste0("$h = ", heri, "$"), fig.ncol = 2, out.width='.49\\linewidth'>>=

plot_list <- lapply(seq_len(length(heri)), function(idx) 
    {
    her <- heri[idx]
    filename <- here("data", "simus", 
    paste0("real_her_", her, "_seed_", seed, ".Rds"))
    if (!file.exists(filename)) {
        sim <- N_simulation_typeI_power(N,
            groups_list = list(RatMus =  group_mus_rat_vs_other, 
            Proportions = random_groups),
            tree = tree,
            base_values = c(0, snr * total_variance), 
            sigma2_phylo = her * total_variance,
            sigma2_measure = (1 - her) * total_variance#,
            # REML = TRUE
        )
        saveRDS(sim, filename)
    }

    sim <- readRDS(filename)

    df_sim_plot <- compute_power_typeI(df = sim)
    res_sim_plot <- plot_method_comparison(df_sim_plot)
    res_sim_plot
})
for(plot in plot_list) {
    print(plot)
}
@

Sur toutes les sous-figures de la figure~\ref{fig:simus-results}, les étiquettes
A présentent les erreurs de type I commises par les méthodes et les étiquettes B
présentent les puissances des mêmes méthodes.

TODO Ajouter les commentaires sur les simulations

\paragraph*{REML vs Maximum Likelihood (ML)} En comparant les méthodes selon 
l'utilisation du critère REML ou du ML nous pouvons voir que la méthode