# Data analyse voor screening designs
# Uitwerking is van figuur 42/43 van les4 
# Voor andere datasets pas de naam van het bestand aan. Controleer ook de deliminator en de punten en komma's
# Let ook op hoeveel factoren er gebruikt zijn en de namen van de factoren. 
# Controleer dus altijd hoe de originele data is georganiseerd. 
# Indien nodig pas het script aan

# 1. laad de libraries
library(tidyverse)
library(ggplot2)

# 2. Lees de data in van bestand les4_PB_fig42_data.txt in folder data
pb_data <-read_tsv("data/les4_PB_fig42_data.txt")

# 3. Reshape data to long format for factors
pb_long <- pb_data |>
  pivot_longer(cols = IPTG:Glucose, names_to = "Factor", values_to = "Level")

pb_long$Level <- as.factor(pb_long$Level)
pb_long$Factor <- as.factor(pb_long$Factor)

# 4. Calculate mean meting per factor level
pb_summary <- pb_long |>  group_by(Factor, Level) |>
  summarise(mean_meting = mean(meting_mg_ml))

# 5. Plot bar plots for each factor
pb_summary |> ggplot(aes(x=Factor, y=mean_meting, fill = Level))+
  geom_col(position = position_dodge()) +
  labs(
    title = "Effect of Each Factor on protein yield",
    x = "Factor",
    y = "protein yield (mg/ml)"
)