Archive 4 checkpoints (1-4)

paper-releases/pbisc-diffusion/updates/20261013T094815Z-all-celltypes-final-palette-142/diffusion/dataset/server_1/model8/presentations/2026-09-30--paper-summary--r00/data/celltypes_palette_master_20261013/render.log

@@ -0,0 +1,124 @@
+ 7  right fig  9.20x4.86 in  Experimental overview
+ 8  below fig 12.45x2.62 in  Pretraining corpus
+ 9  below fig 12.38x5.33 in  Corpus scale and generation workflow
+10  none  fig 12.45x4.07 in  From Gaussian noise to generated cell states
+13  none  fig 12.45x5.67 in  Where context width and trunk width change
+14  none  fig 12.45x5.67 in  Predicted and oracle hints: one trained denoiser
+15  none  fig 12.45x5.67 in  Architecture: full and late validation progression
+16  below fig  9.57x4.63 in  Width & context ablation: benchmark
+17  none  fig 12.45x5.67 in  Architecture arms: dimensions and endpoints
+18  below fig  9.57x4.63 in  Gene context: 2k / 3k / 6k / 15k
+19  none  fig 12.45x5.67 in  Gene panels: progression relative to each endpoint
+20  none  fig 12.45x5.67 in  Gene-panel arms: exact sizes and training provenance
+21  none  fig 12.45x5.67 in  All ablation arms: parameters and training time
+22  none  fig 12.15x5.70 in  Real-cell repeat: a sampling reference
+23  none  fig 12.45x5.48 in  Native-pseudobulk model comparisons
+26  none  fig 11.76x5.70 in  Bulk and pooled cells: different expression values
+27  none  fig 12.45x5.19 in  Paired calibration reduces same-donor expression error
+28  below fig 10.47x4.63 in  Consequence: cells off-manifold
+29  none  fig 12.15x5.70 in  Healthy paired data: full FT and LoRA
+30  none  fig 12.45x5.40 in  Full FT and LoRA ranks: quality and parameters
+31  none  fig 12.19x5.70 in  Healthy pair budget: correlation in all cell types
+32  none  fig 12.19x5.70 in  Healthy pair budget: error in all cell types
+33  right fig  9.20x5.17 in  Five pairs, no extra validation: LoRA vs scSemi
+34  none  fig 12.17x5.70 in  Composition: error and donor-level wins
+37  right fig  9.20x5.18 in  Disease signals with five training donors
+38  right fig  9.20x4.80 in  5-fold CV: disease signal
+39  below fig 11.93x4.63 in  Disease genes at every list length (CAT)
+40  below fig 10.54x4.63 in  Cell-type deconvolution, same pairs: disease signal
+48  below fig 12.45x4.61 in  Backbone: SDD → PBISC-Diffusion
+49  below fig 12.45x4.61 in  Bulk conditioning
+50  below fig 11.68x5.33 in  Denoiser: joint value + support diffusion
+51  below fig 12.45x4.71 in  Fine-tuning with paired bulk + sc
+52  below fig 12.35x4.63 in  Evaluation design
+53  below fig 11.19x4.63 in  How we score generated cells
+54  none  fig 12.45x5.31 in  Does the model follow its bulk conditioning?
+55  below fig 10.30x4.63 in  SLE benchmark: PBISC vs scSemiProfiler
+56  below fig 10.79x4.63 in  SLE benchmark: per cell type
+57  none  fig 12.45x5.38 in  Disjoint-cell controls test the bulk-broadcast baseline
+58  none  fig 12.45x5.60 in  SLE: what is added beyond the bulk broadcast?
+59  below fig 12.45x5.24 in  Same shift in three paired cohorts
+60  none  fig 12.45x5.64 in  Input corrections on one real-reference UMAP
+61  none  fig 12.45x4.86 in  Where generated-cell density differs from real cells
+62  none  fig 12.45x4.89 in  Input calibration changes cell-type composition
+63  none  fig 12.45x5.63 in  Same noise, different input: matched-cell shifts
+64  none  fig 12.45x4.77 in  Matched noise separates cell state from cell identity
+65  none  fig 12.45x5.63 in  Input changes can switch the generated cell label
+66  none  fig 12.45x5.58 in  Nearest real cells: distance and label agreement
+67  none  fig 12.34x5.70 in  Composition agreement does not ensure state agreement
+68  none  fig 12.45x5.47 in  Gene-length effects in the bulk input
+69  none  fig 12.45x5.47 in  Gene-length effects within label-stable cells
+70  none  fig 12.45x5.41 in  Raw and TPM shifts persist within cell labels
+71  none  fig 12.40x5.70 in  Reference calibration leaves specific gene-state shifts
+72  none  fig 12.45x5.45 in  Donor trait axes and donor identification differ
+73  none  fig 12.45x4.61 in  Reference choice changes different quality endpoints
+75  none  fig 12.45x4.72 in  Technical repeats and follow-up are different controls
+76  none  fig 12.45x5.32 in  Annotation agreement and difficult categories
+77  none  fig 12.45x5.40 in  Depth matching changes precision and coverage
+78  none  fig 12.45x4.86 in  Detection and library size are separate diagnostics
+79  right fig  9.20x5.18 in  Healthy cohort: LoRA cells cover the real ones
+80  right fig  9.20x4.79 in  Healthy cohort: realism beyond precision/coverage
+81  right fig  9.20x5.14 in  Healthy cohort: full vs LoRA vs condition encoder
+82  below fig  9.37x4.63 in  Representative-dependent composition
+83  below fig 11.39x4.63 in  Full vs LoRA vs cond.-encoder-only
+84  none  fig  9.32x5.70 in  Pair-budget summary: composition, coverage and steps
+85  right fig  9.20x5.09 in  Healthy cohort: LoRA rank and K
+86  right fig  9.20x5.09 in  Healthy paired-data learning curves
+87  right fig  9.20x4.66 in  Time: days for scSemiProfiler, minutes for LoRA
+88  below fig 10.77x4.63 in  5 donors: time to apply
+89  below fig  9.99x4.63 in  Pairs needed: composition, coverage, training steps
+90  below fig 10.08x4.63 in  LoRA rank: r = 4, 16, 64
+91  right fig  8.31x5.70 in  K diversification: no gain
+92  below fig 12.45x3.82 in  Five paired cohorts
+93  none  fig 12.45x4.70 in  Sepsis: exact-five reconstruction across five draws
+94  none  fig 12.45x5.18 in  Sepsis: realism beyond precision and coverage
+95  none  fig 12.45x4.70 in  Imperial: first completed exact-five comparison
+96  below fig 10.01x4.63 in  5 donors: LoRA vs scSemiProfiler — cells
+97  below fig 10.04x4.63 in  5 donors: realism beyond precision/coverage
+98  below fig 10.02x4.63 in  5 donors: precision/coverage at k = 3, 5, 10
+99  below fig 10.09x4.63 in  5-fold: realism beyond precision/coverage
+100  below fig 11.74x4.63 in  Same training pairs: LoRA vs scSemiProfiler
+101  below fig 11.85x4.63 in  scSemiProfiler and the representative-copy baseline
+102  none  fig 10.46x5.70 in  Sepsis: patient-aware disease-gene agreement
+103  none  fig 10.46x5.70 in  Imperial: patient-aware disease-gene agreement
+104  below fig 10.60x4.63 in  Sepsis: fine-tuning variants
+105  right fig  8.44x5.70 in  Pairs needed: donor and disease signal
+106  below fig 10.53x4.63 in  Cell-type deconvolution, same pairs: composition
+107  none  fig 12.45x4.95 in  Deconvolution: expression coverage limits the comparison
+108  none  fig 12.45x5.08 in  K=4,000 recipe: paired reconstruction quality
+109  none  fig 12.45x5.08 in  K=4,000 recipe: disease signal does not improve uniformly
+110  none  fig 12.45x5.22 in  K=4,000 recipe: calibration gains are selective
+111  none  fig 12.45x4.66 in  Influenza: response order versus response genes
+112  none  fig 10.30x5.70 in  COVID: calibration on a shared real-cell map
+113  none  fig 10.82x5.70 in  COVID monocytes: direction after depth matching
+114  none  fig 11.44x5.70 in  COVID monocytes: direction, magnitude and null
+115  none  fig 11.44x5.70 in  COVID CD14 monocytes: direction, magnitude and null
+116  none  fig 12.45x5.02 in  COVID: biological endpoints give a mixed verdict
+117  none  fig 11.83x5.70 in  Rare-state frequencies in observed cells
+118  none  fig 11.35x5.70 in  Rare-state misses: rules 1–8
+119  none  fig 11.72x5.70 in  Rare-state misses: rules 9–15
+120  none  fig 12.06x5.70 in  Rare-state fidelity: zero-aware reanalysis
+121  none  fig 10.76x5.70 in  Sepsis rare states across paired-data budgets
+122  none  fig 12.45x5.62 in  Sepsis rare-state direction across support budgets
+123  none  fig 11.35x5.70 in  Rare-state screen in DRESS, Kawasaki and SLE
+124  right fig  7.24x5.70 in  Consequence: disease direction flips
+125  none  fig 12.45x5.18 in  C1Q: single-gene detection versus co-detection
+126  none  fig 12.45x4.54 in  Behçet: K=4,000 changes direction more than identity
+127  none  fig 12.45x5.59 in  Behcet: one-gene and multi-gene C1Q rules
+128  below fig  9.46x4.63 in  Pairs from other cohorts do not transfer
+129  below fig  9.44x4.63 in  Longer training on other cohorts: gap stays
+130  below fig 10.61x4.63 in  No pretraining: same cohort, from scratch
+131  below fig 10.53x4.63 in  No pretraining: other cohorts, from scratch
+132  below fig 10.20x4.63 in  Rare states: from scratch vs pretrained
+133  below fig 10.12x4.63 in  Appendix: scSemiProfiler without output threshold
+134  none  fig 12.45x5.28 in  Bulk-only exploration: calibration populations differ
+136  right fig  9.20x5.19 in  Rare-state fractions: original analysis
+137  right fig  9.20x5.01 in  Rare-state ranking: original analysis
+138  below fig  9.23x4.98 in  Rare states: original five-fold analysis
+139  right fig  8.01x5.70 in  Bulk-only cohort plan: original snapshot
+140  none  fig 12.45x4.73 in  Historical bulk-only search: no confirmed new finding
+142  below fig 12.45x4.62 in  Next: other tissues from a few dozen pairs
+{"pages": 142, "celltype_pages": [31, 32], "historical_summary_page": 84, "palette_assets": 119, "groups": {"Introduction": [1, 2, 3, 4], "Figure 1": [5, 6, 7, 8, 9, 10], "Figure 2": [11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23], "Figure 3": [24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34], "Figure 4": [35, 36, 37, 38, 39, 40], "Figure 5": [41, 42], "Figure 6": [43, 44, 45], "Supplementary": [46, 47], "Supp S01": [48, 49, 50, 51, 52, 53], "Supp S02": [54, 55, 56, 57, 58], "Supp S03": [59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73], "Supp S04": [74, 75, 76, 77, 78], "Supp S05": [79, 80, 81, 82, 83], "Supp S06": [84, 85, 86, 87, 88, 89, 90, 91], "Supp S07": [92, 93, 94, 95, 96, 97, 98, 99, 100, 101], "Supp S08": [102, 103, 104, 105, 106, 107, 108, 109, 110], "Supp S09": [111, 112, 113, 114, 115, 116], "Supp S10": [117, 118, 119, 120, 121, 122], "Supp S11": [123, 124, 125, 126, 127], "Supp S12": [128, 129, 130, 131, 132], "Supp S13": [133], "Supp S14": [134], "Historical archive": [135, 136, 137, 138, 139, 140], "Discussion": [141, 142]}}
+convert /home/sj_server_1/PBISC/immun-pbmc-fm/model_8_sparse_data_diffusion/presentations/2026-09-30--paper-summary--r00/PBISC-Diffusion_expanded_master_20261013_celltypes_palette.pptx as a Impress document -> /home/sj_server_1/PBISC/immun-pbmc-fm/model_8_sparse_data_diffusion/presentations/2026-09-30--paper-summary--r00/PBISC-Diffusion_expanded_master_20261013_celltypes_palette.pdf using filter : impress_pdf_Export:{"UseTaggedPDF":{"type":"boolean","value":"false"},"PDFUACompliance":{"type":"boolean","value":"false"}}
+Overwriting: /home/sj_server_1/PBISC/immun-pbmc-fm/model_8_sparse_data_diffusion/presentations/2026-09-30--paper-summary--r00/PBISC-Diffusion_expanded_master_20261013_celltypes_palette.pdf
+{"pass": true, "counts": {"spec": 142, "pptx": 142, "pdf": 142}, "failures": [], "celltype_max_abs_error": 1.7763568394002505e-15}

paper-releases/pbisc-diffusion/updates/20261013T094815Z-all-celltypes-final-palette-142/diffusion/dataset/server_1/model8/presentations/2026-09-30--paper-summary--r00/data/celltypes_palette_master_20261013/render.py

@@ -0,0 +1,21 @@
+"""Build, export and validate the final saved-asset deck (CPU only)."""
+from pathlib import Path
+import os
+import subprocess
+import sys
+if os.environ.get('CUDA_VISIBLE_DEVICES')!='':
+    raise SystemExit('Run with CUDA_VISIBLE_DEVICES empty in a bounded user-systemd unit')
+A=Path(__file__).resolve().parent;D=A.parents[1]
+commands=[
+    [sys.executable,str(D/'tools/build_celltypes_palette_master_20261013.py')],
+    ['libreoffice','-env:UserInstallation=file:///tmp/pbisc-celltypes-palette-lo-20261013',
+     '--headless','--convert-to',
+     'pdf:impress_pdf_Export:{"UseTaggedPDF":{"type":"boolean","value":"false"},"PDFUACompliance":{"type":"boolean","value":"false"}}',
+     '--outdir',str(D),str(D/'PBISC-Diffusion_expanded_master_20261013_celltypes_palette.pptx')],
+    [sys.executable,str(D/'tools/verify_celltypes_palette_master_20261013.py')],
+]
+with (A/'render.log').open('a') as log:
+    for command in commands:
+        print('Run:',Path(command[-1]).name,flush=True)
+        subprocess.run(command,cwd=D,stdout=log,stderr=subprocess.STDOUT,check=True,timeout=600)
+print('PPTX/PDF/automated verification complete',flush=True)

paper-releases/pbisc-diffusion/updates/20261013T094815Z-all-celltypes-final-palette-142/diffusion/dataset/server_1/model8/presentations/2026-09-30--paper-summary--r00/data/figure_assignment_20261013/ASSIGNMENT.md

@@ -0,0 +1,147 @@
+# 131장 자료의 새 Figure 1–6 / Supplementary 분류
+
+> **페이지 번호 안내:** 이 문서의 쪽수는 재배치 전 131장 덱 기준이다. 실제 PPTX/PDF는 사용자 정의에 맞게 재배치됐으며, 현재 쪽수는 [페이지 대응표](../celltypes_palette_master_20261013/page_map.csv)와 [수정 보고서](../celltypes_palette_master_20261013/README.md)를 따른다.
+
+사용자가 2026-10-13에 다시 정의한 여섯 Figure를 기준으로 분류했다. **아래 쪽수는 131장 확장 덱의 쪽수**다. 덱 안의 기존 Figure 번호와 계획표는 이전 기획이다. 원본 PPTX/PDF는 수정하거나 삭제하지 않았다.
+
+- [131장 전체 분류표](slide_assignment.csv): 페이지별 주배정, 데이터 종류, 사용 조건, 필요한 수정, 원본 76장 번호.
+- [패널 구성안](panel_plan.json): Figure별 패널과 재사용 범위.
+- [사용자 정의](AUTHOR_SCOPE.md): 앞으로 적용할 Figure 1–6의 범위.
+
+## 본문 Figure 구성안
+
+| Figure | 본문에 넣을 자료 | 현재 페이지 | 상태 / 경계 |
+|---|---|---|---|
+| **1** | 전체 실험 흐름, corpus 통계, dataset별 규모와 K 분포 | **9, 11, 16 하단** | 기존 자료 재사용. 전체 corpus와 training subset의 분모를 구분 |
+| **2** | architecture, gene context/panel ablation, 공통 유전자 축의 비교 | **13, 14, 15** | **SLE pseudobulk**만 사용. 12의 corpus validation loss는 보충 |
+| **3** | healthy mismatch → full FT 개선 → LoRA rank 비교 → paired 수 ablation → exact-five 성능 | **21, 23, 116의 ImMicro pooled, 51, 49, 54**; **55** 선택 | 모두 healthy paired. 49의 추가 validation과 54의 exact-five를 구분 |
+| **4** | 질환 cohort, LoRA-five/5-fold의 logFC·DEG·CAT, deconvolution 비교 | **62 질환 행, 63, 67, 68, 71** | 핵심 정량 결과. 비교 단위와 cohort별 예외를 유지 |
+| **5** | paired sample의 real/LoRA/scSemi rare population, marker, donor별 사례 | **직접 충족하는 완성 슬라이드는 현재 없음** | 기존 생성 결과로 정성 패널 조립. 89, 91–93, 95–96은 정량 보조 자료 |
+| **6** | paired adaptation → bulk-only inference → 기존 논문의 특정 결과 재현 | **TODO**; 설계 참고 **104, 106, 107** | 재현 결과 패널은 아직 없음. 105는 과거 탐색 기록 |
+
+## Figure 1 — 전체 실험 개요와 corpus
+
+- **1a / 9쪽:** pretraining → paired adaptation → single-cell generation의 전체 실험 흐름.
+- **1b / 11쪽:** corpus 규모 및 assay, condition, cell-type 분포. cell·donor·dataset의 분모를 명시한다.
+- **1c / 16쪽 하단:** dataset별 corpus 규모와 recipe-size 분포. 상단 workflow는 9쪽과 중복되므로 Methods/S01로 이동한다.
+
+8, 10, 17, 38–41쪽의 세부 방법은 Methods/보충으로 배치한다. 필요하면 62쪽의 cohort 요약을 작은 evaluation inset으로 재사용한다. Corpus의 자연적 구성과 학습 sampler의 노출 비율은 별도 통계다.
+
+## Figure 2 — SLE pseudobulk에서 architecture와 gene context
+
+- **2a / 13쪽:** architecture와 conditioning width에 따른 SLE pseudobulk 성능.
+- **2b / 14쪽:** 2k/3k/6k/15k gene context 비교. 6k가 모든 지표에서 최고라는 표현 대신 성능과 biological gene coverage를 함께 보여준다.
+- **2c / 15쪽:** 공통 1,006-gene 축의 precision/coverage 및 composition 비교. Architecture의 1% floor와 panel의 0.1% floor 실험군은 나누어 해석한다.
+
+**12쪽**은 corpus pretraining validation loss이므로 SLE benchmark 성능으로 부르지 않는다. **18, 72–75쪽**의 conditioning intervention, per-cell-type SLE, broadcast 및 split-half controls는 S02로 분류한다. 특히 72–75쪽은 이전 덱의 위치와 관계없이 새 Figure 4에 들어가지 않는다.
+
+## Figure 3 — healthy paired adaptation의 필요성과 효율
+
+패널 흐름은 **21 → 23 → 116의 healthy 부분 → 51 → 49 → 54**로 잡는다. 55쪽의 donor별 composition 오차는 선택 패널이다.
+
+**Full FT의 개선은 raw zero-shot과 비교하면 지지된다.** ImMicro pooled 결과의 precision/coverage/L1은 raw에서 **0.6804/0.1918/0.4549**, full FT에서 **0.8895/0.6954/0.1572**다. Calibrated zero-shot의 precision은 0.9050으로 full FT보다 높으므로, 모든 baseline의 모든 지표가 개선됐다고 표현하지 않는다.
+
+| ImMicro pooled CV | Precision ↑ | Coverage ↑ | Composition L1 ↓ | Trainable parameters |
+|---|---:|---:|---:|---:|
+| Full FT | 0.8895 | 0.6954 | **0.1572** | 54.185M |
+| LoRA r4 | **0.9333** | 0.7123 | 0.1858 | **0.324M** |
+| LoRA r16 | 0.9241 | 0.7843 | 0.1617 | 1.296M |
+| LoRA r64 | 0.9044 | **0.8159** | 0.1610 | 5.185M |
+
+**현재 결과로 r16을 모든 지표에서 가장 좋은 rank라고 단정할 수는 없다.** r4는 precision, r64는 coverage와 LoRA 중 L1에서 앞선다. r16은 r64보다 학습 파라미터가 4배 적고 precision이 높으며 관측 L1 차이가 작은 절충안이다. 이는 통계적 동등성을 입증한 결과가 아니다. 5 training + 7 validation 조건에서도 r4는 L1, r64는 coverage, r16은 precision에서 가장 좋아 순위가 나뉜다.
+
+권장 설명: **“성능과 학습 파라미터 수의 균형을 고려해 rank 16을 선택했다.”** 이 선택 이유는 제안이며, 사전에 정한 종합 선택 기준이 있었는지는 별도로 확인해야 한다.
+
+- **116쪽:** `dataset=immicro, call=pooled`만 추출해 raw/calibrated/full FT/LoRA를 비교한다. Sepsis나 22명 fold0의 condition-encoder pilot을 107명 pooled 결과와 합치지 않는다.
+- **51쪽:** healthy full FT/rank/parameter 비교의 주패널. 50쪽의 rank별 곡선은 S06에서 보완한다.
+- **49쪽:** n training + 7 validation 및 early stopping 곡선이다. n=5를 “총 5 paired만 사용”으로 읽을 수 없다.
+- **54쪽:** 5 pairs, 추가 validation 없음, fixed 3,000 steps의 exact-five 비교다. **“5 paired로도 성능을 확보한다”의 핵심 근거는 이 패널**이다. 5 support draws와 각 draw의 나머지 102 donors를 구분한다.
+- **56쪽:** historical scSemi budget curve에는 CV-HVG 재사용이 있어 완전히 동일한 정보 접근량의 비교로 본문에 쓰지 않는다.
+- **23쪽:** mismatch 진단의 native-depth scorer가 FT benchmark와 다르다. 그림 사이의 precision을 동일 기준의 before/after 수치로 직접 연결하지 않는다.
+
+## Figure 4 — 질환 신호 보존의 정량 비교
+
+**62 → 63 → 67 → 68 → 71쪽**을 중심으로 배치한다. 62에서는 질환 행을 사용한다. 63/67의 logFC correlation, bulk-controlled partial correlation, DEG를 나누고, five-donor와 five-fold 설계를 같은 축으로 표시하되 합쳐 평균하지 않는다. 다중 방문 cohort에서 five donors는 five samples와 다르다.
+
+**현재 수치는 “모든 질환·지표에서 최고”를 지지하지 않는다.** 예를 들어 five-donor Sepsis의 logFC r은 scSemi 0.4025 > LoRA 0.3501, five-fold Giroux도 scSemi 0.5373 > LoRA 0.4610이다. Sepsis의 deconvolution DEG overlap은 BayesPrism 27.0/CIBERSORTx 25.4 > LoRA 16.4다. 이 예외를 본문 그림에서 제거하지 않는다.
+
+기존 20개 five-donor draw에서는 LoRA가 scSemi보다 logFC r **13/20**, partial r **14/20**에서 높고, DEG는 **12승 + 8동률**이다. 단, support draws는 독립적인 환자 반복이 아니다. 현재 지지되는 결론은 **여러 질환 cohort에서 cell-type별 질병 신호를 보존하며 많은 비교에서 우수하지만, cohort와 endpoint별 예외가 있다**는 범위다.
+
+**68쪽에 빠진 scSemi five-fold CAT는 새 실험이 필요 없다.** 저장된 `scsemi_cv_20261002/pooled/cat.csv`의 `predictor=generated` 행에서 가져올 수 있다. CAT100의 LoRA/scSemi 값은 Sepsis 0.1625/0.0450, Imperial 0.2700/0.2250, Giroux 0.0675/0.0675, Ji 0.1525/0.0525다. Bulk-broadcast 행을 섞지 않는다.
+
+- **69–70쪽:** patient-aware corrected DEG의 보조 근거. 현재 덱은 Sepsis 5 draws/Imperial 1 draw의 고정 snapshot이며 모든 cohort의 완료판은 아니다.
+- **64–66, 110–115쪽:** cell realism/composition 등 생성 품질. Disease integrity의 직접 증거와 구분해 S07에 둔다.
+- **82–85, 120–122쪽:** rank, pair count, K=4,000, deconvolution coverage의 감도 분석은 S08.
+- **71쪽:** deconvolution이 지원하는 cell-type expression endpoint에서 비교한다. 공통 gene axis, 가용 draw 수와 NA를 표시한다.
+
+## Figure 5 — paired rare population의 정성적 재현
+
+현재 131장에는 **같은 held-out paired sample의 real/LoRA/scSemi rare-population identity를 직접 대조하는 완성 패널이 없다.** 89, 91–93, 95–96쪽은 빈도·miss·상관·방향의 정량 자료다. 97/99는 pseudobulk 조건, 98/100/101은 주로 unmatched Behcet reference라서 이 목적을 대신하지 못한다. 77–80은 paired COVID 자료지만 zero-shot/calibration의 parent-population 진단이다.
+
+기존 출력으로 다음 패널을 조립할 수 있다. 아래 사례는 후보이며, 성공 여부를 보고 사례를 고르는 대신 관측 자료 기준의 선택 규칙을 먼저 고정한다.
+
+1. **5a:** 같은 held-out sample의 observed/LoRA/scSemi를 공통 observed-reference 공간에 나란히 표시하고, 사전에 정의한 rare state를 강조한다.
+2. **5b:** 동일 marker의 feature plot과 co-detection으로 population identity를 보여준다.
+3. **5c:** case/control donor별 small multiples로 반복성을 확인한다. Donor/visit 단위를 유지한다.
+4. **5d:** Sepsis MS1-like와 cycling monocyte 등 서로 다른 재현 양상을 함께 제시하고, Imperial cycling T/NK 등 독립 cohort로 확장한다.
+
+**이 공백이 곧 새 학습/생성이 필요하다는 뜻은 아니다.** 저장된 marker cache와 관측/생성 세포를 먼저 이용한다. Marker-space PCA/UMAP는 whole-transcriptome embedding과 다르며, 정의에 쓴 marker의 분리만으로 독립적인 identity 검증이 되지는 않는다. Bulk–sc pairing도 real/generated 개별 cell의 일대일 pairing을 의미하지 않는다. 여기서 “발견”은 우선 관측된 rare state의 회복/식별로 표현한다.
+
+기존 재료 위치(모두 Model 8 아래):
+
+- `plans/rare_states_paired_20261008/work/<cohort>/drawN/{lora5,scsemi5,zs_raw,zs_cal}.npz`
+- `plans/paired_finetune_intradataset_20260927/data/<cohort>/{cells_panel6k.npz,cells_obs.parquet,samples.csv,folds.csv}`
+- `plans/paired_finetune_intradataset_20260927/scoring_cache/<cohort>/observed_labels/labels/labels.parquet`
+- `plans/rare_states_screen_20261004/tools/states.json`
+- `plans/paper_figures_strictpairs_20261012/tools/{rare_cache_builder.py,export_rare_visuals.py}`
+
+확인 시점에 strict visual cache, coordinate CSV, 최종 qualitative PDF는 없었다. 전체 campaign exporter의 20-unit 완료 조건을 우회하지 않는다. 필요하면 검증된 subset의 범위를 명시한 별도 illustration으로 만든다.
+
+## Figure 6 — bulk-only 자료에서 기존 논문 결과 재현
+
+**TODO를 유지한다.** 재현할 논문의 특정 결과, adaptation pairs, bulk-only targets, 재현 endpoint와 독립적인 보조 근거를 먼저 고정한다. 104/106/107쪽은 설계 참고 자료이고 105쪽은 과거 탐색 기록이다. 기존 탐색의 “0 confirmed”는 특정 논문 결과 재현의 성공/실패를 뜻하지 않는다.
+
+Bulk-only sample에 sc partner가 없더라도 같은 donor의 다른 paired visit가 학습에 쓰였을 수 있으므로 자동으로 donor-held-out이라고 표기하지 않는다.
+
+## Supplementary 후보군
+
+다음S번호는**주제별분류용임시번호**다. 각그룹이그대로한장의SupplementaryFigure가된다는뜻은아니다.
+
+- **S01 — 모델·conditioning·학습·평가 설계 상세:** 8, 10, 17, 38, 39, 41쪽. Figure1/2/3를 보완; 경험적 SLE/paired benchmark와 구분
+- **S02 — SLE pseudobulk 모델 검증과 대조군:** 12, 18, 72, 73, 74, 75쪽. 12쪽은 corpus validation loss, 나머지는 SLE development. paired disease Figure4에 넣지 않음
+- **S03 — paired 입력 mismatch와 calibration 상세:** 22, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37쪽. sc-derived depth/masks,10-pair calibration,AIFI/pretraining overlap을 명시. strict-five 결과와 합치지 않음
+- **S04 — 평가 단위·annotation·depth/readout 검증:** 40, 42, 43, 46, 47쪽. technical repeat와 follow-up, annotation taxonomy, sequencing depth를 각각 구분
+- **S05 — healthy paired 재구성·FT mode·대표 샘플 대조:** 44, 45, 48, 57쪽. 48의 condition-encoder는 fold0 pilot. 57은 literal cell copying이 아닌 composition dependence
+- **S06 — rank·pair budget·K·시간 상세:** 50, 56, 58, 59, 117, 118, 119쪽. Fig3 재사용 시 healthy만 추출. historical n+validation/CV-HVG와 exact-five를 구분; r16 universal-best 금지
+- **S07 — 질환/다중 cohort 생성 품질과 비교 안정성:** 64, 65, 66, 110, 111, 112, 113, 114, 115쪽. 질환 신호 자체의 증거와 구분. strict6-unit snapshot과 historical designs를 혼합평균하지 않음
+- **S08 — 환자 단위 DEG·질환 sensitivity·deconvolution/K4000:** 69, 70, 82, 83, 84, 85, 120, 121, 122쪽. 69는 Sepsis5draw,70은 Imperial1draw의 고정 snapshot. 전체 cohort 완성 결과처럼 제시하지 않음
+- **S09 — 외부 질환 real-bulk diagnostic:** 76, 77, 78, 79, 80, 81쪽. LoRA-five/scSemi paired rare-state 증거가 아님. Figure4 핵심 adaptation 비교와 분리
+- **S10 — paired rare-state 정량 검증과 case 선택 근거:** 89, 91, 92, 93, 95, 96쪽. Fig5 정성 사례를 뒷받침하되 빈도/상관 heatmap을 population-identity 그림으로 대체하지 않음
+- **S11 — pseudobulk rare screen·unmatched Behcet 한계:** 97, 98, 99, 100, 101쪽. Fig5의 독립 paired qualitative validation으로 사용하지 않음
+- **S12 — pretraining·cross-cohort·scratch 대조:** 123, 124, 125, 126, 127, 131쪽. 131의 다른 tissue 전이는 전망이며 실제 검증 결과가 아님;127은 rare 정량 대조
+- **S13 — scSemi output-threshold sensitivity:** 129쪽. 본문은 official output. 수정 readout은 별도 sensitivity로 표기
+- **S14 — bulk-only target cohort 차이:** 106쪽. Fig6 설계용 shift 점검; published finding의 재현 결과가 아님
+
+## 전체 페이지 처리
+
+| 분류 | source pages |
+|---|---:|
+| 본문 후보: 부분 추출·조건부 사용 포함 | 18 |
+| Supplementary 후보 | 86 |
+| Figure 6 설계/TODO: 104, 107쪽 | 2 |
+| 논문 증거로 사용 보류: 과거 rare scorer의 88, 90, 94쪽 | 3 |
+| 과거 workflow 기록: 105쪽 | 1 |
+| 표지·구분·이전 계획·읽기 안내 | 21 |
+| **합계** | **131** |
+
+분류는 131장 모두에 하나의 주배정을 부여하며 부분 재사용은 별도 열에 적었다. 원본 덱의 축소·삭제·재정렬은 하지 않았다. 새 학습, inference, scoring 또는 통계 검정도 실행하지 않았다.
+
+## 주요 근거 파일
+
+`data/`는 이 덱 폴더 아래, `plans/`는 Model 8 아래 경로다.
+
+- `data/expanded_master_20261013/spec.json`: 현재 131장 내용과 protocol.
+- `data/sec07_rank_sweep.csv`, `data/sec07_rank_sweep_runs.csv`, `data/sec07_ft_modes_accuracy.csv`: healthy paired rank/FT.
+- `plans/paper_figures_strictpairs_20261012/source_data/fig2_historical_rank_full.csv`: full FT/rank summary.
+- `data/fig4_disease.csv`, `data/sec09_cat_curves.csv`, `data/secS_deconvolution.csv`: 질환 비교.
+- `plans/paired_finetune_intradataset_20260927/scores_contrast/<cohort>/scsemi_cv_20261002/pooled/cat.csv`: 빠진 CV-CAT를 채울 기존 결과.