Análisis de Área Bajo la Curva de Progreso de la Enfermedad (AUDPC)

¿Qué es el AUDPC?

El Área Bajo la Curva de Progreso de la Enfermedad (AUDPC, por sus siglas en inglés) es una medida utilizada en fitopatología para cuantificar el progreso de enfermedades en plantas a lo largo del tiempo. Esta métrica es ampliamente utilizada para comparar la severidad y el impacto de enfermedades entre diferentes tratamientos, variedades de plantas, o condiciones ambientales.

¿Cómo se Calcula el AUDPC?

El AUDPC se calcula a partir de observaciones repetidas de la severidad de la enfermedad en diferentes momentos del tiempo. La fórmula general para el cálculo del AUDPC es:

AUDPC = sum_{i=1}^{n-1} ({y_{i+1} + y_i}{2}) (t_{i+1} - t_i)

Donde: - y_i es la severidad de la enfermedad en el momento t_i. - t_i es el tiempo de la i-ésima observación. - n es el número total de observaciones.

Importancia del AUDPC

  1. Comparación de Tratamientos:
    • Permite comparar la eficacia de diferentes tratamientos en el control de enfermedades.
    • Ayuda a identificar qué tratamiento ofrece la mejor protección contra una enfermedad específica.
  2. Evaluación de Variedades de Plantas:
    • Utilizado para evaluar la resistencia de diferentes variedades de plantas a una enfermedad.
    • Ayuda a los fitomejoradores a seleccionar variedades más resistentes para programas de mejoramiento.
  3. Monitoreo del Progreso de la Enfermedad:
    • Proporciona una visión general del progreso de la enfermedad a lo largo del tiempo.
    • Permite a los investigadores y agricultores tomar decisiones informadas sobre el manejo de la enfermedad.
  4. Investigación y Desarrollo:
    • Fundamental en estudios de epidemiología vegetal y en la investigación sobre la dinámica de las enfermedades.
    • Ayuda a entender cómo diferentes factores (ambientales, genéticos, etc.) afectan el desarrollo de la enfermedad.

Ejemplo Práctico en R

Aquí hay un ejemplo práctico de cómo calcular el AUDPC utilizando R, usando un conjunto de datos ficticio sobre la severidad de una enfermedad en diferentes días.

La AUDPC es una medida utilizada para cuantificar el progreso de enfermedades en plantas a lo largo del tiempo.

Cargar Paquetes

Codigo 
library(datapasta)
library(janitor)
library(gsheet)
library(googlesheets4)
library(tidyverse)
library(gsheet)
library(cowplot)
library(patchwork)
library(ggthemes)
library(epifitter)
library(ggplot2)
library(nlme)
library(lme4)
library(DHARMa)
library(performance)
library(report)
library(emmeans)
library(multcompView)
library(multcomp)
library(corrplot)
library(see)
library(lubridate)
library(agridat)
library(cowplot)
library(agricolae)
library(sf)
library(broom)
library(lattice)
library(car)
library(scales)
library(readxl)
library(dplyr)
library(knitr)
library(kableExtra)
library(easyanova)
library(tidyr)
library(PerformanceAnalytics)
library(magrittr)
library(car)
library(ggpubr)
library(rstatix)
library(reshape)
library(kableExtra)
library(formattable)
library(sjPlot)
library(sjlabelled)
library(sjmisc)
library(ggh4x)
library(gridExtra)
library(stringr)
library(epiR)
library(ggridges)
library(DT)
library(agricolae)
library(ec50estimator)
library(readxl)
library(tidyverse)
library(report)
library(rstatix)

Cargar Datos y Agrupar

Codigo 
curve <- read_excel("dados-diversos.xlsx", sheet = "curve")

curve|> 
      DT::datatable(
        extensions = 'Buttons', 
        options = list(dom = 'Bfrtip', 
                       buttons = c('excel', "csv")))

Vamos a cargar un archivo Excel que contiene los datos de severidad de la enfermedad y luego los agrupamos por tratamientos y días.

Codigo 
curve2 <- curve |> 
  group_by(Irrigation, day) |>
  summarize(mean_severity = mean(severity),
            sd_severity = sd(severity))


curve2|> 
      DT::datatable(
        extensions = 'Buttons', 
        options = list(dom = 'Bfrtip', 
                       buttons = c('excel', "csv"))) |> 
                            formatRound(c('mean_severity','sd_severity'), 2)

Visualizar AUDPC

Codigo 
curve2 |>
  ggplot (aes(day, mean_severity, 
              linetype = Irrigation, 
              shape = Irrigation, 
              group = Irrigation, 
              color=Irrigation))+
  geom_line(linewidth = 1)+
  geom_point(size =3, shape = 16)+
  geom_errorbar(aes(ymin = mean_severity - sd_severity, ymax = mean_severity + sd_severity), width = 0.1) +
  labs(title = "Severidad Media por Día e Irrigación",
       x = "Día",
       y = "Severidad (%)")+
  theme_few()+
  scale_color_few()

Calcular AUDPC y Comparar

Codigo 
curve3 <- curve |>
  group_by(Irrigation, rep) |>
  summarise(audpc = AUDPC(day, severity, y_proportion = FALSE)) |>
  pivot_wider(names_from = Irrigation, values_from = audpc)

curve3|> 
      DT::datatable(
        extensions = 'Buttons', 
        options = list(dom = 'Bfrtip', 
                       buttons = c('excel', "csv")))|> 
                            formatRound(c('Drip','Furrow'), 2)
Codigo 
t.test(curve3$Drip, curve3$Furrow)

    Welch Two Sample t-test

data:  curve3$Drip and curve3$Furrow
t = -1.3773, df = 3.079, p-value = 0.26
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -1.3421436  0.5231436
sample estimates:
mean of x mean of y 
 13.38983  13.79933

Interpretación de Resultados

  • Visualización Gráfica:
    • El gráfico muestra la severidad media de la enfermedad a lo largo del tiempo para diferentes tratamientos de irrigación.
    • Las barras de error indican la variabilidad de las observaciones.
  • Prueba t:
    • La prueba t compara las medias de AUDPC entre dos tratamientos de irrigación (por ejemplo, riego por goteo y riego por surco).
    • Un resultado significativo indicaría una diferencia estadísticamente significativa en el progreso de la enfermedad entre los dos tratamientos.

Ejercicio Práctico: irrigación

  • Cálculo del AUDPC:
    • La función AUDPC calcula el área bajo la curva de progreso de la enfermedad para cada combinación de tratamiento y repetición.
    • Valores más altos de AUDPC indican un mayor progreso de la enfermedad, mientras que valores más bajos indican un menor progreso.
Codigo 
library(epifitter)
dat1 <- curve |> 
        group_by(Irrigation,rep) |> 
        summarize( audpc= AUDPC(day,severity))
dat1
# A tibble: 6 × 3
# Groups:   Irrigation [2]
  Irrigation   rep audpc
  <chr>      <dbl> <dbl>
1 Drip           1  13.0
2 Drip           2  13.9
3 Drip           3  13.3
4 Furrow         1  13.5
5 Furrow         2  14.0
6 Furrow         3  13.9
Codigo 
t<-63

dat1_audpc <- dat1 |> 
  mutate(audpc2 = audpc / t)
dat1_audpc 
# A tibble: 6 × 4
# Groups:   Irrigation [2]
  Irrigation   rep audpc audpc2
  <chr>      <dbl> <dbl>  <dbl>
1 Drip           1  13.0  0.206
2 Drip           2  13.9  0.220
3 Drip           3  13.3  0.211
4 Furrow         1  13.5  0.215
5 Furrow         2  14.0  0.222
6 Furrow         3  13.9  0.220
Codigo 
dat1_audpc  |> 
  DT::datatable(
    extensions = 'Buttons', 
    options = list(dom = 'Bfrtip', 
                   buttons = c('excel', "csv")))|> 
                              formatRound(c("audpc","audpc2"),2)
Codigo 
dat1_audpc_f<-  dat1_audpc |> 
                  group_by(Irrigation) |> 
                  summarize(audpc = sum(audpc),TPD=mean(audpc2))

dat1_audpc_f  |> 
  DT::datatable(
    extensions = 'Buttons', 
    options = list(dom = 'Bfrtip', 
                   buttons = c('excel', "csv")))|> 
                              formatRound(c("audpc","TPD"),2)
Codigo 
f_labels <- data.frame(Irrigation = c("Drip", "Furrow"), label = c("audpc=40.18", "audpc=41.37"))


curve |> 
    group_by(Irrigation,day) |> 
    summarise(severity=mean(severity)) |> 
    ggplot (aes(day, severity,  fill= Irrigation, group= Irrigation)) +
    geom_area(stat = "identity",position=position_identity(),alpha= 0.5)+
    scale_fill_manual(values=c("Drip"="blue","Furrow"="orange"))+
    theme_few()+
    facet_wrap(~Irrigation)+
    labs(y = "Disease severity (%)",
         x = "Time (days)")+
    ylim(0,.5)+
     geom_text(x = 50, y = .45, aes(label = label), data = f_labels)

Codigo 
anova_curve<- lm(audpc~ Irrigation + factor(rep), data = dat1_audpc )

anova(anova_curve)
Analysis of Variance Table

Response: audpc
            Df  Sum Sq  Mean Sq F value Pr(>F)
Irrigation   1 0.25154 0.251535  7.8839 0.1069
factor(rep)  2 0.46661 0.233303  7.3124 0.1203
Residuals    2 0.06381 0.031905
Codigo 
cv.model(anova_curve)
[1] 1.313906

Ejercicio Práctico: Lesion Size

Cargar y Manipular Datos

Codigo 
lesion_size <- read_excel("tan-spot-wheat.xlsx", sheet = "lesion_size")

lesion_size|> 
      DT::datatable(
        extensions = 'Buttons', 
        options = list(dom = 'Bfrtip', 
                       buttons = c('excel', "csv")))|> 
                            formatRound("lesion_size", 2)
Codigo 
lesion2 <- lesion_size |>
  mutate(lesion_size = as.numeric(lesion_size)) |>
  group_by(cult, silicio, hai) |>
  summarise(mean_lesion = mean(lesion_size), sd_lesion = sd(lesion_size))


lesion2|> 
      DT::datatable(
        extensions = 'Buttons', 
        options = list(dom = 'Bfrtip', 
                       buttons = c('excel', "csv")))|> 
                            formatRound(c('mean_lesion','sd_lesion'), 2)

Visualizar Datos

Codigo 
lesion2 |>
  ggplot(aes(hai, mean_lesion,
             linetype = silicio, 
              shape = silicio, 
              group =silicio, 
             color = silicio)) +
  geom_line(linewidth = 1)+
  geom_point(size =3, shape = 16)+
  geom_errorbar(aes(ymin = mean_lesion - sd_lesion, ymax = mean_lesion + sd_lesion), width = 0.1) +
  facet_wrap(~cult) +
  labs(y = "Tamaño de Lesión (mm)",
       x = "Horas Después de Inoculación (hai)")+
  theme_few()+
  scale_color_few()

Calcular AUDPC y Visualizar

Codigo 
lesion3 <- lesion_size |>
  mutate(lesion_size = as.numeric(lesion_size)) |>
  group_by(exp, cult, silicio, rep) |>
  summarise(audpc = AUDPC(lesion_size, hai))

lesion3|> 
      DT::datatable(
        extensions = 'Buttons', 
        options = list(dom = 'Bfrtip', 
                       buttons = c('excel', "csv")))|> 
                            formatRound("audpc", 2)
Codigo 
lesion3 |>
  ggplot(aes(cult, audpc, fill = silicio)) +
  geom_boxplot() +
  facet_wrap(~ exp)+
  theme_few()+
  scale_fill_few()

Análisis ANOVA

Realizar ANOVA

Codigo 
aov1 <- aov(audpc ~ exp * cult * silicio, data = lesion3)
summary(aov1)
                 Df  Sum Sq Mean Sq F value   Pr(>F)    
exp               1   54544   54544   0.533 0.470257    
cult              1  751290  751290   7.335 0.010281 *  
silicio           1 9051552 9051552  88.377 3.15e-11 ***
exp:cult          1   36717   36717   0.359 0.553089    
exp:silicio       1      49      49   0.000 0.982615    
cult:silicio      1 1412562 1412562  13.792 0.000689 ***
exp:cult:silicio  1  143643  143643   1.403 0.244065    
Residuals        36 3687093  102419                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Chequear Premisas

Codigo 
check_normality(aov1)
Warning: Non-normality of residuals detected (p = 0.024).
Codigo 
check_heteroscedasticity(aov1)
Warning: Heteroscedasticity (non-constant error variance) detected (p = 0.022).

Transformar Datos (si es necesario) y Verificar Medias

Codigo 
aov1 <- aov(sqrt(audpc) ~ cult * silicio, data = lesion3)
summary(aov1)
             Df Sum Sq Mean Sq F value   Pr(>F)    
cult          1  294.0   294.0   13.51 0.000712 ***
silicio       1 2363.9  2363.9  108.65 7.81e-13 ***
cult:silicio  1  526.5   526.5   24.20 1.62e-05 ***
Residuals    39  848.6    21.8                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
1 observation deleted due to missingness
Codigo 
check_normality(aov1)
OK: residuals appear as normally distributed (p = 0.146).
Codigo 
check_heteroscedasticity(aov1)
OK: Error variance appears to be homoscedastic (p = 0.638).
Codigo 
m1 <- cld(emmeans(aov1, ~ cult | silicio, type = "response"),alpha = 0.05, Letters = LETTERS,reverse=F)

m1 |> 
      DT::datatable(
        extensions = 'Buttons', 
        options = list(dom = 'Bfrtip', 
                       buttons = c('excel', "csv"))) |> 
                            formatRound(c('response','SE','lower.CL','upper.CL'), 2)

Aprendizaje del Día

Esta guía te ha mostrado cómo visualizar los resultados y cómo llevar a cabo análisis adicionales como AUDPC y ANOVA. Utilizando estas herramientas, puedes analizar y entender mejor tus datos categóricos y sus relaciones.

Si tienes alguna pregunta adicional o necesitas más ayuda con tu análisis, no dudes en preguntar.