fasfsafasf

Verónica Nayeli Miranda Mejía MM21065 "Grupo Teórico 03"

install.packages("phyloseq") library(phyloseq) install.packages("vegan") library(vegan) install.packages("DESeq2") # Cargar las bibliotecas necesarias library(ggplot2) library(DESeq2) # Definir la ruta del directorio ps <- "C:/Users/HP/Desktop/ps" # Crear la ruta completa al archivo ps.rds ps_path <- file.path(ps, "ps.rds") # Cargar el contenido del archivo ps.rds datos <- readRDS(ps_path) # Imprimir el contenido del archivo print(datos) # Asegurarse de que la columna de grupo está presente en sample_data(datos) sample_data(datos)$Group <- sample_data(datos)$Estado_de_salud # 1. Análisis de la diversidad alfa y generación de tests estadísticos # Calcular métricas de diversidad alfa diversity_alpha <- estimate_richness(datos, measures = c("Observed", "Shannon", "Simpson")) diversity_alpha$Group <- sample_data(datos)$Group # Gráfico de la diversidad alfa (Shannon Index) ggplot(diversity_alpha, aes(x = Group, y = Shannon)) + geom_boxplot() + geom_jitter(width = 0.2) + theme_minimal() + labs(title = "Alpha Diversity (Shannon Index)", x = "Group", y = "Shannon Index") #en la grafica de cajas apreciamos una mayor diversidad entre enfermos y sanos # Prueba estadística de la diversidad alfa (Shannon Index) wilcox.test(Shannon ~ Group, data = diversity_alpha) #en los resultados vemos que las diferecnias no son el resultado del azar # 2. Análisis de la diversidad beta y generación de tests estadísticos # Calcular la matriz de distancia Bray-Curtis dist_bray <- distance(datos, method = "bray") ordination <- ordinate(datos, method = "PCoA", distance = dist_bray) #Gráfico de la diversidad beta plot_ordination(datos, ordination, color = "Group") + geom_point(size = 3) + theme_minimal() + labs(title = "Beta Diversity (Bray-Curtis PCoA)", x = "PCoA1", y = "PCoA2") #El resultado significativo del PERMANOVA sugiere que las diferencias entre los grupos son estadísticamente significativas library(vegan) # Prueba estadística de la diversidad beta adonis2(dist_bray ~ sample_data(datos)$Group) #No Significativo: El valor p de 0.995 indica que no hay una diferencia significativa entre los grupos (sample_data(datos)$Group). Esto sugiere que los grupos no tienen una composición significativamente diferente en términos de las distancias de Bray-Curtis calculadas. #Varianza Explicada: El grupo explica solo una pequeña fracción de la variación total (4.75%). # 3. Identificación de biomarcadores específicos para cada grupo (((((no corre))))) # Convertir phyloseq a DESeq2 ############ Convertir phyloseq a DESeq2 modificaicon dds <- phyloseq_to_deseq2(datos, ~ Group) ############ Aplicar transformación de pseudocuenta manualmente modificaciones dds$countData <- replace(dds$countData, dds$countData == 0, 1) ########### Filtrar genes con baja expresión dds <- dds[rowSums(counts(dds)) > 0,1] # Volver a ejecutar DESeq dds <- DESeq(dds) # Obtener los resultados res <- results(dds) ############ Filtrar los resultados significativos res <- res[res$padj < 0.05, ] dds <- phyloseq_to_deseq2(datos, ~ Group) dds <- DESeq(dds) res <- results(dds) # Filtrar los resultados significativos res <- res[which(res$padj < 0.05), ] # Mostrar los biomarcadores significativos print(res) #no se puedo correr el comando debido a que los numeros no estaban tratados correctamnete # 4. Gráficos de barras sobre la taxonomía a nivel phylum # Normalizar los datos datos_norm <- transform_sample_counts(datos, function(x) x / sum(x)) # Agregar información taxonómica al nivel de phylum datos_phylum <- tax_glom(datos_norm, "Phylum") plot_bar(datos_phylum, x = "Group", fill = "Phylum") + geom_bar(stat = "identity") + theme_minimal() + labs(title = "Taxonomy at Phylum Level", x = "Group", y = "Relative Abundance") #la abundancia relativa de los diferentes filos en cada grupo utilizando colores o patrones diferentes #mutran una diferencia significativamente visual a diferencia del analis de ADONIS2

srgrsgr

bsdasfa