
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

Un'introduzione pratica alla programmazione in R pensata per biologi e bioinformatici. Analisi, visualizzazione e interpretazione di dati biologici utilizzando R, con esempi reali tratti da genomica, ecologia e biologia sperimentale.

Impara le nozioni fondamentali della programmazione in R con un focus sui dati biologici, inclusi variabili, tipi di dati e manipolazione di dati di base.

Approfondimento dei metodi statistici per l'analisi dei dati biologici, inclusi statistiche descrittive, test d'ipotesi e interpretazione dei risultati.

Padroneggiare l'arte della visualizzazione dei dati biologici utilizzando R, dai grafici di base alle visualizzazioni più avanzate rilevanti per gli esperimenti.

Imparare a lavorare con dati in stile genomico e sviluppare workflow riproducibili per la ricerca scientifica in R.

Sfida: Visualizzazione dei Dati Sperimentali

Soluzione