Câu 1: Thực hiện theo các bước: Vào File -> New Directory -> New Project -> Đặt tên project theo ye/c đề bài và nơi lưu trên máy
Câu 2:
Truy vấn thông tin trình tự gen
library(rentrez)
sea <- entrez_search(db="nuccore", term="Lithocarpus hongiaoensis[Organism] AND matK[Gene]")
sea
## Entrez search result with 1 hits (object contains 1 IDs and no web_history object)
##  Search term (as translated):  "Lithocarpus hongiaoensis"[Organism] AND matK[Gene ...
Ghi kết quả ra file: Litho_hongiao_matK.fasta
sp1.fasta <- entrez_fetch(db="nuccore", sea$ids, rettype="fasta")
sp1.fasta
## [1] ">LC318542.1 Lithocarpus sp. NVN-2017 chloroplast matK gene for maturase K, partial cds, specimen_voucher: FU<JPN_:V3235\nAAAGATGCTTCTTATTTGCATTTATTGCGGTTCTTTCTTCATGAGTATTCTAATTGTAACAGTCTTATTA\nTTACAAATAAATCTATTTCCATTTTTTCAAAAAGTAATCCGAGATTCTTTTTATTCCTATATAATTCTTA\nTATATGTGAATACGAATCCATCTTCCTTTTTCTCCGTAACCAATCTTCTCATTTACGATTAACATCTTCT\nGGAGTCCTTTTTGAACGACTCTGTTTATATAGAAAAATAGAACATTTTGCCGAAGTCTTTGCTAATGATT\nTTCCGGTCATCCCATGCTTTCTCAAGGATCCTTTCATGCATTATGTTAGATATCAAGGAAAATCAATTCT\nGGCTTCCAAAGACACACCTCTTCTAATGAATAAATGGAAATCTTACCTTGTCAATATATGGCAATGTCAT\nTTTGATGTATGGTCTCACGCGGCAAGTATCCGTATAAACCAATTATCCAAGCATTCCCTCGATTTTTTGA\nGTTACTTTTCAAGTGTTCGACGAAATCCTGCAGTGGTGCGGAATCAAATGCTAGAAAGTTCATTTCTACT\nAAATAATGCTCCCAATAAACTCGATACAATAGTTCCAATTATTCCTCTGATTGGATCATTGGCTAAAGCG\nAAATTTTGTAACGCAGTAGGGCATCCAATTAGTAAGCTGACT\n\n"
Ghi kết quả ra file fasta bằng lệnh: write(sp1.fasta, “Litho_hongiao_matK.fasta”)
Câu 3:
Gọi các packages liên quan và đọc dữ liệu
library(readr)
df <- "https://raw.githubusercontent.com/ngocdlu/data_analysis/main/data_1_(leaf).txt"
df <- read_delim(df)
## Rows: 138 Columns: 6
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: "\t"
## chr (1): species
## dbl (5): len, wid, rat, cir, pet
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
attach(df)
Phân tích phương sai và trực quan kết quả phân tíh hệu định bằng TukeyHSD
av <- aov(pet~species)
t <- TukeyHSD(av)
plot(t)

Câu 4: Gọi packages liên quan và đọc dữ liệu vào R
library(ggpubr)
## Loading required package: ggplot2
library(ggplot2)
data(iris)
attach(iris)
Vẽ biểu đồ scatter - Tính hệ số tương quan giữa biến Petal.Length và biến Petal.Width bằng phương pháp pearson
ggscatter(iris, x = "Petal.Length", y = "Petal.Width", add = "reg.line", conf.int = TRUE, 
cor.coef = TRUE, cor.method = "pearson", xlab = "Petal Length", ylab = "Petal width")
## `geom_smooth()` using formula 'y ~ x'

- Vẽ biểu đồ hộp (box) so sánh chiều rộng đài hoa (Sepal.Width) của 3 loài hoa setosa, versicolor và virginica với package ggstatsplot
library(ggstatsplot)
## You can cite this package as:
##      Patil, I. (2021). Visualizations with statistical details: The 'ggstatsplot' approach.
##      Journal of Open Source Software, 6(61), 3167, doi:10.21105/joss.03167
ggbetweenstats(iris, x = Species, y = Sepal.Width, plot.type = "box", title = "Biểu đồ hộp so sánh chiều rộng lá đài 3 loài hoa Iris", xlab = "Loài hoa Iris", ylab = "Chiều rộng đài hoa (Cm)")

Câu 5:

Gọi packages liên quan và đọc dữ liệu vào R

library("FactoMineR")
library("factoextra")
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
df2 <- "https://raw.githubusercontent.com/ngocdlu/data_analysis/main/bidoupensis.csv"
df2 <- read.csv(df2)
Tách các biến định lượng
df3 <- df2[,1:5]
attach(df3)
## The following objects are masked from df:
## 
##     cir, len, pet, rat, wid
Tính PCA và tách các giá trị eugenvalue
pca <- PCA(df3, graph = FALSE)
print(pca)
## **Results for the Principal Component Analysis (PCA)**
## The analysis was performed on 65 individuals, described by 5 variables
## *The results are available in the following objects:
## 
##    name               description                          
## 1  "$eig"             "eigenvalues"                        
## 2  "$var"             "results for the variables"          
## 3  "$var$coord"       "coord. for the variables"           
## 4  "$var$cor"         "correlations variables - dimensions"
## 5  "$var$cos2"        "cos2 for the variables"             
## 6  "$var$contrib"     "contributions of the variables"     
## 7  "$ind"             "results for the individuals"        
## 8  "$ind$coord"       "coord. for the individuals"         
## 9  "$ind$cos2"        "cos2 for the individuals"           
## 10 "$ind$contrib"     "contributions of the individuals"   
## 11 "$call"            "summary statistics"                 
## 12 "$call$centre"     "mean of the variables"              
## 13 "$call$ecart.type" "standard error of the variables"    
## 14 "$call$row.w"      "weights for the individuals"        
## 15 "$call$col.w"      "weights for the variables"
eig.val <- get_eigenvalue(pca)
eig.val
##        eigenvalue variance.percent cumulative.variance.percent
## Dim.1 2.974304748       59.4860950                    59.48609
## Dim.2 1.661036931       33.2207386                    92.70683
## Dim.3 0.299409050        5.9881810                    98.69501
## Dim.4 0.058451339        1.1690268                    99.86404
## Dim.5 0.006797931        0.1359586                   100.00000
- Trực quan tỉ lệ các thành phần chính bằng biểu đồ scree với các hàm fviz_eig()
fviz_eig(pca, addlabels = TRUE, ylim = c(0, 100))

- Trực quan hoá kết quả PCA
fviz_pca_ind(pca,
             geom.ind = "point", # show points only (nbut not "text")
             col.ind = df2$species, # color by groups
             palette = c("#00AFBB", "#E7B800", "#FC4E07"),
             addEllipses = TRUE, # Concentration ellipses
             legend.title = "Groups"
             )

Hết