html et rmd poll caec

202110_BALBc/Pool_cohortes/report_pool_Caec.Rmd

@@ -135,7 +135,34 @@ table(get_variable(frogs.data, "Group_bis"))
 ```{r variable-3, eval = TRUE, echo=TRUE}
 table(get_variable(frogs.data, "Cohorte"))
 ```
+# Vérification de l'effet cohorte
 
+Est-ce que cohorte et groupe sont très corrélés ou non ? 
+
+<div class="alert alert-info" role="alert">Il faut savoir si la cohorte est une variable de confusion potentielle ou non et donc il faut calculer un tableau de contingence croisé Cohorte / Group_bis et faire un test de Khi-2 et test de Fisher sur ce tableau.</div>
+
+```{r table contingence, eval = TRUE, echo=TRUE}
+table(get_variable(frogs.data, "Group_bis"), get_variable(frogs.data, "Cohorte"))
+
+```
+
+<div class="alert alert-warning" role="alert">Nous avons pratiquement les mêmes proportions pour cohorte 1 et 2 dans chaque groupe (ce n'est pas exactement pareil mais ça s'en rapproche suffisamment pour que l'effet cohorte ne pollue pas trop l'effet groupe)</div> 
+
+<div class="alert alert-info" role="alert">Je fais ensuite un test de Khi-2 et test de Fisher sur ce tableau de contingence</div>
+
+```{r test-correlation, eval = TRUE, echo=TRUE}
+chisq.test(table(get_variable(frogs.data, "Group_bis"), get_variable(frogs.data, "Cohorte")))
+
+fisher.test(table(get_variable(frogs.data, "Group_bis"), get_variable(frogs.data, "Cohorte")))
+```
+
+<div class="alert alert-warning" role="alert">Pour les 2 tests, la pvalue = 0.93 donc le résultat est non significatif, donc il n'y a pas de lien fort entre l'effet cohorte et l'effet groupe. 
+
+Il n'y a pas d'associations entre la cohorte et le groupe dans le design expérimental et l'estimation de l'effet groupe ne sera pas systématiquement corrompue par l'effet cohorte. 
+
+Ça ne veut pas dire pour autant qu'il n'y a pas d'effet cohorte (voir permanova plus bas, il y a un faible effet) mais ça justifie de pooler les échantillons quand on étudies l'effet groupe.
+
+Je peux donc réaliser un pool des 2 cohortes pour l'analyse</div>
 
 # Visualisation de l'abondance par échantillon {.tabset}
 
@@ -1019,7 +1046,7 @@ family.palette<- c("S-A" = "#A2E06F",
                    "AG" = "#8C67A9") 
 
 
-p <- plot_ordination(frogs.data.rare, ord, color = "Group_bis")
+p <- plot_ordination(frogs.data.rare, ord, color = "Group_bis", shape="Cohorte")
 p <- p + theme_bw() + ggtitle("MDS + Bray Curtis")+ scale_color_manual(values = family.palette)
 p <- p +geom_point(size=2)+ stat_ellipse(aes(group = Group_bis), size = 1)+
   annotate(geom="text", x=0.3, y = -0.4, label = "S-A", size = 5, color = "#A2E06F")+
@@ -1038,12 +1065,14 @@ Analyse multivariée de la variance par permutations basée sur les matrices de
 * Adonis sur la matrice Bray Curtis 
 
 
+<div class="alert alert-warning" role="alert">Permanova pour vérifier l'effet cohorte</div>
+
 ```{r 35-adonis-bc-1, eval=TRUE}
-adonis(dist.bc ~ Group_bis ,data = as(sample_data(frogs.data.rare), 'data.frame'))
+adonis(dist.bc ~ Cohorte + Group_bis ,data = as(sample_data(frogs.data.rare), 'data.frame'))
 ```
 Df: degree of freedom. 
 
-Sums Of Sqs: sum of squares. 
+Sums Of Sqs: sum of squares.
 
 MeanSqs: sum of squares by degree of freedom. 
 
@@ -1054,6 +1083,18 @@ R2: partial R-squared.
 Pr(>F) p-value based
 
 
+<div class="alert alert-warning" role="alert">La pval sur l'effet cohorte est de 0,026 donc les 2 cohortes sont significativement différentes.
+
+Le R2 sur l'effet cohorte est très petit 0,03089 ce qui signifie qu'il y a qu'environ 3% de la variance qui est expliquée par l'effet cohorte donc beaucoup trop de variation inexpliqué.
+
+Le R2 sur l'effet group est de 0.37367, il est plus élevé que celui de l'effet cohorte.
+
+Ces résultats montre que l'effet cohorte existe mais est finalement assez faible par rapport à la variance observée. 
+
+Cela veut dire que les deux cohortes sont certes systématiquement différentes mais que les différences sont très faibles par rapport à la variabilité induite par les groupes.
+
+Ce résultat confirme les résultats des tests Khi-2 et Fisher, nous pouvons pooler les cohortes.</div>
+
 ### Plot ordination Jaccard
 
 
@@ -1061,7 +1102,7 @@ Pr(>F) p-value based
 ord <- ordinate(frogs.data.rare, method = "MDS", distance = "cc")
 
 
-p <- plot_ordination(frogs.data.rare, ord, color = "Group_bis")
+p <- plot_ordination(frogs.data.rare, ord, color = "Group_bis", shape="Cohorte")
 p <- p + theme_bw() + ggtitle("MDS + Jaccard")+ scale_color_manual(values = family.palette)
 p <- p +geom_point(size=2)+ stat_ellipse(aes(group = Group_bis), size = 1)+
   annotate(geom="text", x=0.25, y = -0.25, label = "S-A", size = 5, color = "#A2E06F")+
@@ -1076,7 +1117,7 @@ plot(p)
 * Adonis sur la matrice Jaccard 
 
 ```{r 35-adonis-jac-1, eval=TRUE}
-adonis(dist.jac ~ Group_bis,data = as(sample_data(frogs.data.rare), 'data.frame'))
+adonis(dist.jac ~ Cohorte + Group_bis,data = as(sample_data(frogs.data.rare), 'data.frame'))
 ```
 
 ### Plot ordination Unifrac
@@ -1085,7 +1126,7 @@ adonis(dist.jac ~ Group_bis,data = as(sample_data(frogs.data.rare), 'data.frame'
 ```{r 30-ord-plot-unifrac,fig.width=10,fig.height=5, eval=TRUE}
 ord <- ordinate(frogs.data.rare, method = "MDS", distance = "unifrac")
 
-p <- plot_ordination(frogs.data.rare, ord, color = "Group_bis")
+p <- plot_ordination(frogs.data.rare, ord, color = "Group_bis", shape="Cohorte")
 p <- p + theme_bw() + ggtitle("MDS + Unifrac")+ scale_color_manual(values = family.palette)
 p <- p +geom_point(size=2)+ stat_ellipse(aes(group = Group_bis), size = 1)+
   annotate(geom="text", x=0.1, y = 0.2, label = "S-A", size = 5, color = "#A2E06F")+
@@ -1101,7 +1142,7 @@ plot(p)
 * Adonis sur la matrice Unifrac
 
 ```{r 36-adonis-uni-1, eval=TRUE}
-adonis(dist.uf ~ Group_bis,data = as(sample_data(frogs.data.rare), 'data.frame'))
+adonis(dist.uf ~ Cohorte + Group_bis,data = as(sample_data(frogs.data.rare), 'data.frame'))
 ```
 
 ### Plot ordination Weighted Unifrac
@@ -1109,7 +1150,7 @@ adonis(dist.uf ~ Group_bis,data = as(sample_data(frogs.data.rare), 'data.frame')
 ```{r 31-ord-plot-Wunifrac,fig.width=10,fig.height=5, eval=TRUE}
 ord <- ordinate(frogs.data.rare, method = "MDS", distance = "wUnifrac")
 
-p <- plot_ordination(frogs.data.rare, ord, color = "Group_bis")
+p <- plot_ordination(frogs.data.rare, ord, color = "Group_bis", shape="Cohorte")
 p <- p + theme_bw() + ggtitle("MDS + Weighted Unifrac")+ scale_color_manual(values = family.palette)
 p <- p +geom_point(size=2)+ stat_ellipse(aes(group = Group_bis), size = 1)+
   annotate(geom="text", x=0.1, y = -0.15, label = "S-A", size = 5, color = "#A2E06F")+
@@ -1124,7 +1165,7 @@ plot(p)
 * Adonis sur la matrice wUnifrac
 
 ```{r 37-adonis-wuni-1, eval=TRUE}
-adonis(dist.wuf ~ Group_bis,data = as(sample_data(frogs.data.rare), 'data.frame'))
+adonis(dist.wuf ~ Cohorte + Group_bis,data = as(sample_data(frogs.data.rare), 'data.frame'))
 ```
 
 ## Clustering des échantillons {.tabset}