
library(testthat)

source("user_code.R")
test_that("creates a histogram of expression", {
  expect_silent(hist(sample_data$expression, main = "Histogram of Gene Expression", xlab = "Expression Level"))
})

test_that("creates a boxplot of expression by treatment", {
  expect_silent(boxplot(expression ~ treatment, data = sample_data, main = "Expression by Treatment", xlab = "Treatment", ylab = "Expression Level"))
})

test_that("creates a scatterplot of expression vs time", {
  expect_silent(plot(sample_data$time, sample_data$expression, main = "Expression Over Time", xlab = "Time (hours)", ylab = "Expression Level", pch = 19, col = "blue"))
})

test_that("histogram_conclusion is a non-empty string", {
  env <- new.env()
  sys.source("user_code.R", envir = env)
  expect_true(exists("histogram_conclusion", envir = env), info = "histogram_conclusion variable does not exist")
  val <- get("histogram_conclusion", envir = env)
  expect_type(val, "character")
  expect_true(nzchar(val), info = "histogram_conclusion is an empty string")
})

test_that("boxplot_conclusion is a non-empty string", {
  env <- new.env()
  sys.source("user_code.R", envir = env)
  expect_true(exists("boxplot_conclusion", envir = env), info = "boxplot_conclusion variable does not exist")
  val <- get("boxplot_conclusion", envir = env)
  expect_type(val, "character")
  expect_true(nzchar(val), info = "boxplot_conclusion is an empty string")
})

test_that("scatterplot_conclusion is a non-empty string", {
  env <- new.env()
  sys.source("user_code.R", envir = env)
  expect_true(exists("scatterplot_conclusion", envir = env), info = "scatterplot_conclusion variable does not exist")
  val <- get("scatterplot_conclusion", envir = env)
  expect_type(val, "character")
  expect_true(nzchar(val), info = "scatterplot_conclusion is an empty string")
})

test_main.R

Eine praxisorientierte Einführung in die R-Programmierung, zugeschnitten auf Biologen und Bioinformatiker. Analyse, Visualisierung und Interpretation biologischer Daten mit R anhand von praxisnahen Beispielen aus Genomik, Ökologie und experimenteller Biologie.

Erlernen Sie die Grundlagen der R-Programmierung mit Schwerpunkt auf biologischen Daten, einschließlich Variablen, Datentypen und grundlegender Datenmanipulation.

Vertiefung in statistische Methoden zur Analyse biologischer Daten, einschließlich zusammenfassender Statistiken, Hypothesentests und Interpretation von Ergebnissen.

Beherrschen Sie die Kunst der Visualisierung biologischer Daten mit R, von einfachen Diagrammen bis hin zu fortgeschrittenen Visualisierungen, die für Experimente relevant sind.

Erlernen Sie den Umgang mit genomischen Daten und die Entwicklung reproduzierbarer Workflows für wissenschaftliche Forschung in R.

Challenge: Visualisierung Experimenteller Daten

Lösung