🧬 BioAgro-Stats

Repositorio de Análisis Estadístico Avanzado, Modelos Mixtos y Ciencia de Datos para Biotecnología y Agronomía

---

BioAgro-Stats es una suite completa y modular de scripts en R desarrollada por Paúl Alexander López Peña (Pontificia Universidad Católica de Chile) para la enseñanza universitaria de pregrado y la investigación científica de posgrado/doctorado en ciencias agrarias, biológicas y biotecnológicas.

El repositorio abarca desde la auditoría rigurosa de supuestos estadísticos hasta el modelado no lineal, modelos mixtos (LMM/GLMM), estadística bayesiana (brms), reducción dimensional multi-ómica (PCA Biplots, sPLS-DA, Heatmaps) y Machine Learning (tidymodels, xgboost).

---

🗺️ Mapa de Módulos del Repositorio

flowchart LR
    A["01. Exploración y Supuestos"] --> B["02. Diseño Experimental"]
    B --> C["03. Modelos Frecuentistas"]
    C --> D["04. No Lineales y GAMs"]
    C --> E["05. Estadística Bayesiana"]
    C --> F["06. Machine Learning"]
    C --> G["07. Multivariado y Ómicas"]
    D & E & F & G --> H["08. Reportes Quarto"]

Loading

---

📂 Catálogo Detallado de Módulos y Scripts

Módulo	Contenido Principal	Herramientas & Paquetes
01_Exploracion_Supuestos	Diagnóstico profundo de supuestos (Normalidad, Homocedasticidad, VIF, Cook's D), talleres interactivos en Quarto y notebooks.	performance, DHARMa, car, easyModels
02_Diseno_Experimental	Bloques Completos al Azar (DBCA), Alpha-Lattice para fitomejoramiento, Parcelas Divididas (Split-Plot / Split-Split) y Cuadrados Latinos (LSD).	agricolae, lme4, emmeans, easyModels
03_Modelos_Frecuentistas	ANOVA de 2 vías con bloques, GLM de conteos para edafofauna, LMM para bioensayos con Trichoderma y Medidas Repetidas en el Tiempo.	lme4, lmerTest, emmeans, multcomp
04_Modelos_No_Lineales_y_GAMs	Modelos Aditivos Generalizados (GAMs) para series temporales y Curvas Dosis-Respuesta ($EC_{50}/ED_{50}$) con modelos Log-Logísticos (LL.4).	mgcv, gratia, drc, ggplot2
05_Estadistica_Bayesiana	ANOVA bayesiano, GLMM bayesiano para conteo de esporas, interacción Genotipo $\times$ Ambiente ($G \times E$) y curvas de crecimiento no lineales.	brms, tidybayes, bayesplot, Stan
06_Machine_Learning	Random Forest para espectroscopía NIRS, XGBoost para tolerancia a estrés abiótico y SVM para diagnóstico fitopatológico.	tidymodels, xgboost, vip, kernlab
07_Multivariado_y_Omicas	PCA Biplots fisiológicos de publicación, PERMANOVA/NMDS para comunidades de edafofauna, sPLS-DA multi-ómica y Heatmaps jerárquicos.	vegan, mixOmics, pheatmap, corrplot
08_Reportes_Quarto	Plantillas reproducibles en Quarto (.qmd) para informes de consultoría bioestadística y manuscritos científicos.	quarto, knitr, rmarkdown

---

🎓 Rutas de Aprendizaje Recomendadas

🌾 Ruta 1: Pregrado & Agronomía Aplicada

1. 01_Exploracion_Supuestos/01_diagnostico_experto_supuestos.R
2. 02_Diseno_Experimental/01_dbca_basico.R
3. 02_Diseno_Experimental/04_cuadrado_latino.R
4. 03_Modelos_Frecuentistas/01_anova_trigo.R
5. 07_Multivariado_y_Omicas/04_redes_correlacion_heatmap.R

🔬 Ruta 2: Posgrado, Doctorado & Publicación Científica

1. 02_Diseno_Experimental/03_parcelas_divididas_splitplot.R
2. 03_Modelos_Frecuentistas/04_medidas_repetidas_tiempo.R
3. 04_Modelos_No_Lineales_y_GAMs/02_curvas_dosis_respuesta_drc.R
4. 05_Estadistica_Bayesiana/03_jerarquico_bayesiano_gxe.R
5. 07_Multivariado_y_Omicas/03_pca_biplot_fisiologia.R
6. 07_Multivariado_y_Omicas/01_splsda_analisis_omicas.R

---

⚡ Ejemplos Rápidos (Copy & Paste)

1. PCA Biplot Fisiológico de Publicación

# Cargar script interactivo
source("07_Multivariado_y_Omicas/03_pca_biplot_fisiologia.R")

2. Curvas Dosis-Respuesta ($EC_{50}$) con drc

# Ajuste de curvas log-logísticas LL.4 y cálculo de factor de resistencia
source("04_Modelos_No_Lineales_y_GAMs/02_curvas_dosis_respuesta_drc.R")

3. Modelos Mixtos y Medidas Repetidas con easyModels

library(easyModels)

# Ajuste automático de medidas repetidas
modelo_rep <- analizar_medidas_repetidas(
  datos = datos_tiempo,
  formula_fijos = Altura ~ Tratamiento * Tiempo,
  sujeto = "ID",
  diagnosticos = FALSE
)

# Gráfico de líneas longitudinales
graficar_predichos(modelo_rep, predictor = "Tiempo", por = "Tratamiento", tipo_grafico = "lineas")

---

🚀 Inicio Rápido con RStudio

1. Clona el repositorio y abre directamente el archivo de proyecto BioAgro-Stats.Rproj:

   git clone https://github.com/PALP31/BioAgro-Stats.git
   cd BioAgro-Stats
   open BioAgro-Stats.Rproj

2. Al abrir el proyecto, el archivo .Rprofile configurará automáticamente el entorno y mostrará el catálogo interactivo de módulos en tu consola de RStudio.

---

📦 Instalación de Dependencias

Para instalar todos los paquetes utilizados en el repositorio, ejecuta en la consola de R:

paquetes <- c(
  "tidyverse", "lme4", "lmerTest", "emmeans", "car", "multcomp",
  "performance", "DHARMa", "agricolae", "drc", "mgcv", "gratia",
  "pheatmap", "corrplot", "patchwork", "tidymodels", "xgboost",
  "brms", "tidybayes", "bayesplot", "vegan", "mixOmics", "vip",
  "ranger", "kernlab", "bayestestR", "see", "ggsci", "viridis", "remotes"
)

paquetes_faltantes <- paquetes[!(paquetes %in% installed.packages()[, "Package"])]
if (length(paquetes_faltantes) > 0) {
  install.packages(paquetes_faltantes)
}

# Instalar easyModels desde GitHub
if (!requireNamespace("easyModels", quietly = TRUE)) {
  if (!requireNamespace("remotes", quietly = TRUE)) install.packages("remotes")
  remotes::install_github("PALP31/easyModels")
}

---

👨‍🏫 Autor & Contacto

Paúl Alexander López Peña
Profesor de Aplicaciones Estadísticas (Pregrado) • Estudiante de Doctorado en Biotecnología Vegetal
Pontificia Universidad Católica de Chile (PUC)
Email: paullopezpena@gmail.com | plopezp7@estudiante.uc.cl
GitHub: @PALP31