diff --git a/Code_1er_Visu.R b/Code_1er_Visu.R
deleted file mode 100644
index e6067aa6782d52502ee9f5b9b30732072fab5c38..0000000000000000000000000000000000000000
--- a/Code_1er_Visu.R
+++ /dev/null
@@ -1,182 +0,0 @@
-
-
-
-design_WS3.tsv <- read.csv("design_WS3.tsv.cvs", header = TRUE)
-
-metadata <- read.csv("C:/Users/diall/Documents/design_WS3 - design_WS3.tsv.csv", heade=TRUE)
-
-#Charger les biblioth�ques n�cessaires
-library(ggplot2)
-library(dplyr)
-library(tidyr)
-library(corrplot)
-library(ComplexHeatmap)
-
-#Cr�er un datatframe avec les donn�es fournies
-data <- data.frame(
-  sample = paste0("S", 1:12),
-  condition = c("neg", "pos", "neg", "pos", "neg", "pos", "neg", "pos", "neg", "pos", "neg", "pos"),
-  animal = c("m109", "m109", "m709", "m709", "m882", "m882", "m964", "m964", "m189", "m189", "m198", "m198"),
-  experiment = as.Date(c("04.09.2024", "04.09.2024", "12.09.2024", "12.09.2024", "17.09.2024", "17.09.2024", "17.09.2024", "18.09.2024", "30.10.2024", "30.10.2024", "30.10.2024", "30.10.2024"), format="%d.%m.%Y"),
-  extraction = as.Date(c("04.09.2024", "04.09.2024", "12.09.2024", "12.09.2024", "18.09.2024", "18.09.2024", "18.09.2024", "18.09.2024", "30.10.2024", "30.10.2024", "30.10.2024", "30.10.2024"), format="%d.%m.%Y"),
-  volume = c(18, 18, 18, 18, 17, 18, 18, 18, 12, 12, 12, 12),
-  quantity = c(520, 936, 718, 223, 15476, 90, 4559, 954, 685, 2671, 72, 75)
-)
-
-#Afficher les premi�res lignes des donn�es
-head(data)
-
-#2- Analyse de corr�lations
-#Selectionner les variables num�riques
-numeric_data <- data%>% select(volume, quantity)
-
-#Calculer la matrice de corr�lation
-cor_matrix <- cor(numeric_data)
-
-#Visualiser la matrice de corr�lation avec corrplot
-corrplot(cor_matrix, method = "circle", type = "upper", tl.col = "black", tl.srt = 45)
-
-#Tableau de contingence entre condition et animal
-contingency_table <- table(data$condition, data$animal)
-
-#Certaines valeurs de certaines cellules sont trop faible donc on utilise le test de Fisher au lieu de chi2
-#il est plus adapt� pour les petits echantillons
-#Appliquer le test exact de Fisher
-fisher_test <- fisher.test(contingency_table)
-print(fisher_test)
-#P_value= 1: il n'y a aucune diff�rence significative dans la distribution des animaux entre ces deux conditions
-#Les 2 variables (condition et animal) sont ind�pendantes
- 
-#visualisation du tableau de contingence
-print(contingency_table)
-
-#3- Visualisatiions adapt�es
-#Boxplot pour l'effet de la condition sur la quantit�
-ggplot(data, aes(x = condition, y= quantity, fill = condition)) +
-  geom_boxplot() +
-  labs(title= "Effet de la condition sur la quantit�",
-       x= "Condition",
-       y= "Quantit�") + 
-  theme_minimal()
-#Interpretation
-#Le graphe montre que la condition positive (pos) est g�n�ralement associ�e
-#� des quantit�s plus �lev�es que la condition n�gative (neg)
-
-#Boxplot pour l'effet de l'animal sur la quantit�
-ggplot(data, aes(x = animal, y= quantity, fill = animal)) +
-  geom_boxplot() +
-  labs(title = "Effet de l'animal sur la quantit�",
-       x= "Animal",
-       y= "Quantit�") +
-  theme_minimal()
-#Interpretation
-#Le graphe montre que l'animal a un effet significatif sur la quantit� m�sur�e
-#m882 se distingue clairement avec une quantit� tr�s �lev�e, ce qui pourrait 
-#indiquer une particularit� biologique ou exp�rimentale
-#Les autres animaux ont des quantit�s plus faibles, mais avec des variations 
-#entre eux
-
-
-#Heatmap pourles interactions crois�es
-#Pr�parer les donn�es pour la heatmap
-heatmap_data <- data %>%
-  group_by(condition, animal) %>%
-  summarise(mean_quantity= mean(quantity)) %>%
-  spread(key= animal, value = mean_quantity)
-
-#Convertir en matrice
-heatmap_matrix <- as.matrix(heatmap_data[,-1])
-rownames(heatmap_matrix) <- heatmap_data$condition
-
-#Visualiser la heatmap avec ComplexHeatmap
-Heatmap(heatmap_matrix, name= "Quantit� moyenne",
-        row_title = "Condition", column_title = "Animal",
-        row_names_side = "left", column_names_side = "top")
-
-#Scatter plot pour volume vs quantit� avec r�gression lin�aire
-ggplot(data, aes(x= volume, y= quantity)) +
-  geom_point(aes(color= condition), size=3) +
-  geom_smooth(method = "lm", se= FALSE, color= "blue") +
-  labs(title = "Relation entre volume et quantit�",
-       x= "Volume",
-       y= "Quantity") +
-       theme_minimal()
-
-
-#ANOVA  pour comparer les animaux
-#anova pour comparer les quantit�s entre les animaux
-anova_result <- aov(quantity ~ animal, data= data)
-summary(anova_result)
-
-#0.782 > 0.597 signifie qu'il n'y a pas de diff�rence
-#statistiquement significative entre les moyennes des groupes d'animaux
-#l'animal n'est pas un facteur influen�ant significativement la quantit� dans les donn�es
-
-
-#V�rifier les hypoth�ses de l'ANOVA
-#Homog�n�it� des variances(homosc�dasticit�)
-install.packages("carData")
-library(car)
-class(data)
-colnames(data)
-leveneTest(quantity  ~ animal, data = metadata )
-#Le test de Levene retourne une valeur F extremement �lev�e
-#p-value est extremeent faible, indiquant que les
-#variances ne sont pas homog�nes entre les groupes d�finis par animal
-
-
-#Test de Bartlett
-bartlett.test(quantity ~ animal, data = metadata)
-#Les r�sultats du test de Bartlett indiquent que les variances entre 
-#les groupes d�finis par la variable animal ne sont pas homog�nes
-#p-value < 5%, nous rejetons l'hypoth�se nulle d'homog�n�it� des variances
-
-#Test de Fligner-Killeen
-fligner.test(quantity ~ animal, data = metadata)
-#p-value= 0.05138 est proche de 5% les groupes sont marginalement homog�nes
-
-
-#Test Welch
-oneway.test(quantity ~ animal, data = metadata, var.equal = FALSE)
-
-#Tracer un boxplot pour inspecter les variances entre groupes
-boxplot(quantity ~ animal, data = metadata, main = "Quantities by Animal", ylab = "Quantity", xlab = "Animal")
-#Interpretation
-#Le groupe m882 pr�sente une variabilit� beaucoup plus importante que les
-#autres groupes, avec une �tendue tr�s large des valeurs(la boite et les moustaches sont tr�s �tendus)
-#Cela pourrait expliquer pourquoi le test d'homog�n�it� des variances comme celui
-#Bartlett ou de Fligner-Killen a d�tect� une h�t�rog�n�it�
-#Les groupes m109 et 3198 montrent des valeurs de quantity beaucoup plus faibles et homog�nes
-#avec une faible dispersion des donn�es
-#Il semble qu'il y ait des observations extremes dans certains groupes, en particulier dans m882.
-#Ces valeurs peuvent influencer les tests statistiques et les r�sultats
-#Les grandes diff�rences de variabilit� entre les groupes(notament m882 vs les autres) rendent les hypoth�ses
-#d'homog�n�it� des variances et de normalit� difficiles � maintenir
-#L'ANOVA classique pourrait ne pas �tre appropri�e en raison de ces diff�rences importantes
-
-
-
-#Transformation des donn�es pour r�duire l'influence des valeurs extremes et stabilis�r les variances 
-metadata$quantity_log <- log(metadata$quantity + 1)
-boxplot(quantity_log  ~ animal, data = metadata, main= "Log-transformed Quantities by Animal")
-#Interpretation: la transformation logarithmique a r�duit l'amplitude de la dispersion observ�e pr�c�demment
-#Cependant, ce groupe reste le plus variable par rapport aux autres, ce qui pourrait encore influencer les analyses
-#Les groupes m109 et m198 ont des valeurs plus resserr�es et homog�nes apr�s transformation
-
-
-
-#Analyse non param�trique
-kruskal.test(quantity  ~ animal, data = metadata)
-
-#Identifier les valeurs etremes dans m882 et �valuer leur impact
-boxplot.stats(metadata$quantity[metadata$animal == "m882"])
-
-#comparaison par paires
-pairwise.wilcox.test(metadata$quantity, metadata$animal, p.adjust.method = "bonferroni")
-
-#Groupes convertis en facteurs
-metadata$anima <- as.factor(metadata$animal) 
-table(metadata$animal)
-#Normalit� des r�sidus
-#Test de Shapiro-Wilk
-(shapiro.test(residuals(anova_result)))