Capítulo 24 Correlação de fenótipos discretos
Esse capítulo implementa algumas análises que são úteis quando a variável resposta é de interesse é categórica/discreta.
24.1 Correlação de fenótipos binários
Vamos carregar filogenia e fenótipos de espécies de primatas e investigar a associação evolutiva entre o tamanho do grupo social (solitario vs. social) e o tamanho da área de vida (Pequena < 300m² > Grande).
require(ape)
#> Le chargement a nécessité le package : ape
require(phytools)
#> Le chargement a nécessité le package : phytools
#> Le chargement a nécessité le package : maps
require(geiger)
#> Le chargement a nécessité le package : geiger
# Filogenia
tree<-read.tree("dadospcm/primate-tree.txt")
plotTree(tree,fsize=0.4,ftype="i",type="fan",lwd=1)
# Atributos
dados<-read.table("dadospcm/primate-data.txt",h=T,row.names=1)
head(dados)
# Recortar filogenia
match.species<-treedata(tree,dados)
tree<-match.species$phy
plotTree(tree,fsize=0.5,ftype="i",type="fan",lwd=1)
# Grupo Social
binsocial<-dados$BinSocial
names(binsocial)=rownames(dados)
binsocial<-as.factor(binsocial)
binsocial
# Area de Vida
area<-dados$AreaVida
names(area)=rownames(dados)
area<-as.factor(area)
areaO primeiro passo é visualizar os dados junto com a árvore.
# Visualizando os dados binários
par(mfrow=c(1,2))
{plot(tree,show.tip.label=FALSE,no.margin=TRUE)
cores<-setNames(c("blue","red"),levels(binsocial))
tiplabels(pie=to.matrix(binsocial[tree$tip.label],levels(binsocial)),
piecol=cores,cex=0.5)
legend("bottomleft",legend=c("Social","Solitary"),pch=15,col=cores,bty="n")
plot(tree,show.tip.label=FALSE,no.margin=TRUE,direction="leftwards")
cores<-setNames(c("blue","red"),levels(area))
tiplabels(pie=to.matrix(area[tree$tip.label],levels(area)),
piecol=cores,cex=0.5)
legend("bottomright",legend=c("Grande","Pequena"),pch=15,col=cores,bty="n")}
Agora, vamos implementar o teste de Pagel (1994), que compara um modelo de evolução independente entre os caracteres (ausência de correlação) com um modelo de evolução dependente (presença de correlação).
plot(fit.AS,lwd.by.rate=TRUE)
O P valor é um indício de que o modelo dependente é melhor (podemos rejeitar o modelo independente com P<alpha).
Podemos comparar os modelos dependente e independente com modelos onde a taxa de mudança em Grupo Social depende de Área (dep.var=“binsocial”) mas não o contrário, ou onde a taxa de mudança em Área depende do Grupo Social (dep.var=“area”) mas não o contrário.
# Dependente X - Mudança em Grupo Social depende da Area
fit.GS<-fitPagel(tree,binsocial,area,dep.var="x")
fit.GS
plot(fit.GS,lwd.by.rate=TRUE)
# Dependente Y - Mudança em Area depende de Grupo Social
fit.AR<-fitPagel(tree,binsocial,area,dep.var="y")
fit.AR
plot(fit.AR,lwd.by.rate=TRUE)
Comparação de modelos.
aic.scores<-setNames(c(fit.AS$independent.AIC,
fit.GS$dependent.AIC,
fit.AR$dependent.AIC,
fit.AS$dependent.AIC),
c("independente","dependente Grupo",
"dependente Area","dependente Grupo&Area"))
aic.scores
aicw(aic.scores)O maior peso está para o modelo de dependência de Área para Grupo, mas o modelo de dependência mútua também recebeu forte suporte.