#QUESTÃO 1 #1) Verifique se existe diferença significativa de expressão para os genes em relação ao status do covid. Crie um boxplot representando a expressão desses genes. Para a análise, verifique se os dados de expressão seguem distribuição normal. Infira sobre os resultados (1,5pts).
dados <- read.table(“dados_prova.txt”, header = TRUE)
library(ggpubr)
by(dados\(deltaCt.gene1, dados\)covid.status, shapiro.test) by(dados\(deltaCt.gene2, dados\)covid.status, shapiro.test)
#Os dados estão normalizados então sigo para o teste T
t_gene1 <- t.test(deltaCt.gene1 ~ covid.status, data = dados) print(t_gene1) t_gene2 <- t.test(deltaCt.gene2 ~ covid.status, data = dados) print(t_gene2)
p1 <- ggboxplot(dados, x = “covid.status”, y = “deltaCt.gene1”, color = “covid.status”, palette = “jco”, add = “jitter”) + labs(title = “Expressão do Gene 1 por Status da COVID”, y = “deltaCt Gene 1”, x = “Status COVID”)
p2 <- ggboxplot(dados, x = “covid.status”, y = “deltaCt.gene2”, color = “covid.status”, palette = “jco”, add = “jitter”) + labs(title = “Expressão do Gene 2 por Status da COVID”, y = “deltaCt Gene 2”, x = “Status COVID”)
#exibir print(p1) print(p2)
#se existe diferença significativa de expressão para os genes em relação ao status do coviD e INFIRA SOBRE OS RESULTADOS
#Após verificar a normalidade dos dados (p > 0,05 nos testes de Shapiro-Wilk), foi realizado o teste t para comparar a expressão dos genes entre os grupos de COVID-19. Para o Gene 1, não houve diferença significativa entre os grupos leve e mod+sev (p = 0,81).Para o Gene 2, houve diferença significativa (p = 0,008), com menor expressão nos pacientes com sintomas moderados e severos.Apenas o Gene 2 mostrou associação com a gravidade da COVID-19, apresentando redução de expressão nos casos mais graves.
#QUESTÃO 2 #2) Verifique se, para cada gene, existe diferença significativa de expressão gênica de acordo com suas respectivas genotipagens. Crie um plot que represente os seus dados e infira sobre os resultados obtidos (1,5pts).
by(dados\(deltaCt.gene1, dados\)genot.gene1, shapiro.test) by(dados\(deltaCt.gene2, dados\)genot.gene2, shapiro.test)
anova_gene1 <- aov(deltaCt.gene1 ~ genot.gene1, data = dados) summary(anova_gene1)
anova_gene2 <- aov(deltaCt.gene2 ~ genot.gene2, data = dados) summary(anova_gene2)
p3 <- ggboxplot(dados, x = “genot.gene1”, y = “deltaCt.gene1”, color = “genot.gene1”, palette = “jco”, add = “jitter”) + labs(title = “Expressão do Gene 1 por Genótipo”, y = “deltaCt Gene 1”, x = “Genótipo Gene 1”)
p4 <- ggboxplot(dados, x = “genot.gene2”, y = “deltaCt.gene2”, color = “genot.gene2”, palette = “jco”, add = “jitter”) + labs(title = “Expressão do Gene 2 por Genótipo”, y = “deltaCt Gene 2”, x = “Genótipo Gene 2”)
print(p3) print(p4)
#Infira sobre os resuktados
#Houve diferença significativa de expressão entre os genótipos (p < 0.001, ANOVA).A expressão do Gene 1 varia de forma significativa conforme o genótipo.Já no gene 2 não houve diferença significativa entre os genótipos (p = 0.309). A expressão do Gene 2 não difere entre os diferentes genótipos.
#QUESTÃO 3 #3) Verifique se existe associação do status do covid a genotipagem dos genes. Caso exista associação significativa, identifique, para cada gene, qual genótipo está associado com qual status. Crie um plot que represente os seus dados e infira sobre os resultados obtidos (1,5pts).
#Como os dados estão normalizados aqui utilizei Teste Qui-quadrado
tab_gene1 <- table(dados\(covid.status, dados\)genot.gene1) print(tab_gene1)
chisq.test(tab_gene1)
tab_gene2 <- table(dados\(covid.status, dados\)genot.gene2) print(tab_gene2)
chisq.test(tab_gene2)
library(ggplot2)
#p5 <- ggplot(dados, aes(x = genot.gene1, fill = covid.status)) + # geom_bar(position = “fill”) + # labs(title = “Distribuição do Status da COVID por Genótipo (Gene 1)”, y = “Proporção”, x = “Genótipo Gene 1”) + # scale_fill_manual(values = c(“lightblue”, “tomato”))
p6 <- ggplot(dados, aes(x = genot.gene2, fill = covid.status)) + geom_bar(position = “fill”) + labs(title = “Distribuição do Status da COVID por Genótipo (Gene 2)”, y = “Proporção”, x = “Genótipo Gene 2”) + scale_fill_manual(values = c(“lightgreen”, “salmon”))
#print(p5) print(p6)
#Infira sobre os resultados #No Gene 1 o Qui-quadrado deu um p-value = 5.685e-09 o que mostra a associação significativa entre o status da COVID e o genótipo do gene 1.O genótipo W/W está fortemente associado ao grupo leve, enquanto os genótipos A/A e W/A ocorrem mais frequentemente em pacientes com COVID moderada/severa. No Gene 2 o Qui-quadrado deu um p-value = 0.665 o que mostra que não tem associação significativa entre o status da COVID e o genótipo do gene 2.
#QUESTÃO 4 #4) esses acima foram os resultados obtidos dessa pergunta De acordo com a literatura, testes de função sugerem que a expressão do gene 2 é regulada pela expressão do gene 1. A partir dessa informação, faça (2,5pts):
library(ggplot2)
#a. Um scatter plot das expressões desses genes. ggplot(dados, aes(x = deltaCt.gene1, y = deltaCt.gene2, color = covid.status)) + geom_point(alpha = 0.7) + labs(title = “Scatter plot da expressão do Gene 1 vs Gene 2”, x = “Expressão deltaCt Gene 1”, y = “Expressão deltaCt Gene 2”, color = “Status COVID”) + theme_minimal()
#b. Verifique se a expressão dos genes estão correlacionadas. cor_total <- cor(dados\(deltaCt.gene1, dados\)deltaCt.gene2, method = “pearson”) cat(“Correlação Pearson entre Gene 1 e Gene 2:”, cor_total, “”)
#Correlação de Pearson = 0.785 → Forte correlação positiva entre os genes 1 e 2.
#c. Crie um modelo linear que represente essa relação e informe qual
a influência de um gene na expressão do outro.
modelo_geral <- lm(deltaCt.gene2 ~ deltaCt.gene1, data = dados)
summary(modelo_geral)
#A expressão do gene 1 tem efeito significativo sobre a do gene 2. R² = 0.62 → O modelo explica 62% da variação na expressão do gene 2.
#d. Faça dois modelos separados por status do covid e veja se a relação entre a expressão dos genes é alterada pelo status do covid. Descreva as diferenças dos modelos, caso existam. modelo_leve <- lm(deltaCt.gene2 ~ deltaCt.gene1, data = subset(dados, covid.status == “leve”)) modelo_modsev <- lm(deltaCt.gene2 ~ deltaCt.gene1, data = subset(dados, covid.status == “mod+sev”))
cat(“Resumo modelo para covid.status = leve:”) summary(modelo_leve)
cat(“modelo para covid.status = mod+sev:”) summary(modelo_modsev)
#A relação entre os genes é mais forte em casos moderados/graves. Isso sugere que a regulação do gene 2 pelo gene 1 é mais acentuada nos casos mais graves de COVID.
#e. Plote os modelos demostrando suas diferenças, caso existam.
ggplot(dados, aes(x = deltaCt.gene1, y = deltaCt.gene2, color = covid.status)) + geom_point(alpha = 0.7) + geom_smooth(method = “lm”, se = FALSE) + labs(title = “Expressão do Gene 2 vs Gene 1 com regressões por Status COVID”, x = “Expressão deltaCt Gene 1”, y = “Expressão deltaCt Gene 2”, color = “Status COVID”) + theme_minimal()
#O gráfico mostra linhas de regressão com inclinações diferentes, ilustrando visualmente a diferença na relação gene1 e gene2 entre os grupos.