Datasets:

junidude14
/

PBISC-data

paper-releases/pbisc-diffusion/updates/20261015T100456Z-figure1-diffusion-readable-corpus/diffusion/dataset/server_1/model8/presentations/2026-09-30--paper-summary--r00/data/figure1_focus_20261015/render.log ADDED Viewed

	@@ -0,0 +1,137 @@

+ 7  none  fig 12.29x5.70 in  Experimental overview
+ 8  none  fig 12.30x5.70 in  Pretraining data: 33.14 million training cells
+ 9  none  fig 12.45x5.67 in  Training corpus: complete counts and minor categories
+10  none  fig 12.45x5.67 in  Full source corpus: training, validation and test
+11  none  fig 12.45x5.67 in  From 41.40M source cells to 33.14M training cells
+12  none  fig 12.45x5.67 in  Recipe K and training exposure are different counts
+13  below fig 12.38x5.33 in  Corpus scale and generation workflow
+14  none  fig 12.45x4.07 in  From Gaussian noise to generated cell states
+17  none  fig 12.45x5.67 in  Where context width and trunk width change
+18  none  fig 12.45x5.67 in  Predicted and oracle hints: one trained denoiser
+19  none  fig 12.45x5.67 in  Architecture: full and late validation progression
+20  below fig  9.57x4.63 in  Width & context ablation: benchmark
+21  none  fig 12.45x5.67 in  Architecture arms: dimensions and endpoints
+22  below fig  9.57x4.63 in  Gene context: 2k / 3k / 6k / 15k
+23  none  fig 12.45x5.67 in  Gene panels: progression relative to each endpoint
+24  none  fig 12.45x5.67 in  Gene-panel arms: exact sizes and training provenance
+25  none  fig 12.45x5.67 in  All ablation arms: parameters and training time
+26  none  fig 12.15x5.70 in  Real-cell repeat: a sampling reference
+27  none  fig 12.45x5.48 in  Native-pseudobulk model comparisons
+30  none  fig 11.76x5.70 in  Bulk and pooled cells: different expression values
+31  none  fig 12.45x5.19 in  Paired calibration reduces same-donor expression error
+32  below fig 10.47x4.63 in  Consequence: cells off-manifold
+33  none  fig 12.33x5.70 in  Adaptation recovers the observed cell mixture
+34  none  fig 12.45x5.35 in  Adaptation: mixture error and expression agreement
+35  none  fig 12.15x5.70 in  Healthy paired data: full FT and LoRA
+36  none  fig 12.45x5.40 in  Full FT and LoRA ranks: quality and parameters
+37  none  fig 11.45x5.70 in  What does “all pairs” actually mean?
+38  none  fig 12.19x5.70 in  Healthy pair budget: correlation in all cell types
+39  none  fig 12.19x5.70 in  Healthy pair budget: error in all cell types
+40  right fig  9.20x5.17 in  Five pairs, no extra validation: LoRA vs scSemi
+41  none  fig 12.17x5.70 in  Composition: error and donor-level wins
+44  right fig  9.20x5.18 in  Disease signals with five training donors
+45  right fig  9.20x4.80 in  5-fold CV: disease signal
+46  below fig 11.93x4.63 in  Disease genes at every list length (CAT)
+47  below fig 10.54x4.63 in  Cell-type deconvolution, same pairs: disease signal
+48  none  fig 12.45x5.70 in  Disease gene rankings: complete CV comparison
+49  none  fig 11.99x5.70 in  Disease integrity depends on cohort and endpoint
+50  none  fig 12.19x5.70 in  Five-pair Sepsis: metrics across all support draws
+53  none  fig 12.33x5.70 in  Figure 5 targets begin with the source paper
+54  none  fig 12.18x5.70 in  Ye sepsis: published markers in paired scRNA
+55  none  fig 12.33x5.70 in  Transcriptional programs and rare-population identity
+61  none  fig 12.45x2.62 in  Corpus reference: assay and source composition
+62  below fig 12.45x4.61 in  Backbone: SDD → PBISC-Diffusion
+63  below fig 12.45x4.61 in  Bulk conditioning
+64  below fig 11.68x5.33 in  Denoiser: joint value + support diffusion
+65  below fig 12.45x4.71 in  Fine-tuning with paired bulk + sc
+66  below fig 12.35x4.63 in  Evaluation design
+67  below fig 11.19x4.63 in  How we score generated cells
+68  none  fig 12.45x5.31 in  Does the model follow its bulk conditioning?
+69  below fig 10.30x4.63 in  SLE benchmark: PBISC vs scSemiProfiler
+70  below fig 10.79x4.63 in  SLE benchmark: per cell type
+71  none  fig 12.45x5.38 in  Disjoint-cell controls test the bulk-broadcast baseline
+72  none  fig 12.45x5.60 in  SLE: what is added beyond the bulk broadcast?
+73  below fig 12.45x5.24 in  Same shift in three paired cohorts
+74  none  fig 12.45x5.64 in  Input corrections on one real-reference UMAP
+75  none  fig 12.45x4.86 in  Where generated-cell density differs from real cells
+76  none  fig 12.45x4.89 in  Input calibration changes cell-type composition
+77  none  fig 12.45x5.63 in  Same noise, different input: matched-cell shifts
+78  none  fig 12.45x4.77 in  Matched noise separates cell state from cell identity
+79  none  fig 12.45x5.63 in  Input changes can switch the generated cell label
+80  none  fig 12.45x5.58 in  Nearest real cells: distance and label agreement
+81  none  fig 12.34x5.70 in  Composition agreement does not ensure state agreement
+82  none  fig 12.45x5.47 in  Gene-length effects in the bulk input
+83  none  fig 12.45x5.47 in  Gene-length effects within label-stable cells
+84  none  fig 12.45x5.41 in  Raw and TPM shifts persist within cell labels
+85  none  fig 12.40x5.70 in  Reference calibration leaves specific gene-state shifts
+86  none  fig 12.45x5.45 in  Donor trait axes and donor identification differ
+87  none  fig 12.45x4.61 in  Reference choice changes different quality endpoints
+89  none  fig 12.45x4.72 in  Technical repeats and follow-up are different controls
+90  none  fig 12.45x5.32 in  Annotation agreement and difficult categories
+91  none  fig 12.45x5.40 in  Depth matching changes precision and coverage
+92  none  fig 12.45x4.86 in  Detection and library size are separate diagnostics
+93  right fig  9.20x5.18 in  Healthy cohort: LoRA cells cover the real ones
+94  right fig  9.20x4.79 in  Healthy cohort: realism beyond precision/coverage
+95  right fig  9.20x5.14 in  Healthy cohort: full vs LoRA vs condition encoder
+96  below fig  9.37x4.63 in  Representative-dependent composition
+97  below fig 11.39x4.63 in  Full vs LoRA vs cond.-encoder-only
+98  none  fig  9.32x5.70 in  Pair-budget summary: composition, coverage and steps
+99  right fig  9.20x5.09 in  Healthy cohort: LoRA rank and K
+100  right fig  9.20x5.09 in  Healthy paired-data learning curves
+101  right fig  9.20x4.66 in  Time: days for scSemiProfiler, minutes for LoRA
+102  below fig 10.77x4.63 in  5 donors: time to apply
+103  below fig  9.99x4.63 in  Pairs needed: composition, coverage, training steps
+104  below fig 10.08x4.63 in  LoRA rank: r = 4, 16, 64
+105  right fig  8.31x5.70 in  K diversification: no gain
+106  below fig 12.45x3.82 in  Five paired cohorts
+107  none  fig 12.45x4.70 in  Sepsis: exact-five reconstruction across five draws
+108  none  fig 12.45x5.18 in  Sepsis: realism beyond precision and coverage
+109  none  fig 12.45x4.70 in  Imperial: first completed exact-five comparison
+110  below fig 10.01x4.63 in  5 donors: LoRA vs scSemiProfiler — cells
+111  below fig 10.04x4.63 in  5 donors: realism beyond precision/coverage
+112  below fig 10.02x4.63 in  5 donors: precision/coverage at k = 3, 5, 10
+113  below fig 10.09x4.63 in  5-fold: realism beyond precision/coverage
+114  below fig 11.74x4.63 in  Same training pairs: LoRA vs scSemiProfiler
+115  below fig 11.85x4.63 in  scSemiProfiler and the representative-copy baseline
+116  none  fig 10.46x5.70 in  Sepsis: patient-aware disease-gene agreement
+117  none  fig 10.46x5.70 in  Imperial: patient-aware disease-gene agreement
+118  below fig 10.60x4.63 in  Sepsis: fine-tuning variants
+119  right fig  8.44x5.70 in  Pairs needed: donor and disease signal
+120  below fig 10.53x4.63 in  Cell-type deconvolution, same pairs: composition
+121  none  fig 12.45x4.95 in  Deconvolution: expression coverage limits the comparison
+122  none  fig 12.45x5.08 in  K=4,000 recipe: paired reconstruction quality
+123  none  fig 12.45x5.08 in  K=4,000 recipe: disease signal does not improve uniformly
+124  none  fig 12.45x5.22 in  K=4,000 recipe: calibration gains are selective
+125  none  fig 12.45x4.66 in  Influenza: response order versus response genes
+126  none  fig 10.30x5.70 in  COVID: calibration on a shared real-cell map
+127  none  fig 10.82x5.70 in  COVID monocytes: direction after depth matching
+128  none  fig 11.44x5.70 in  COVID monocytes: direction, magnitude and null
+129  none  fig 11.44x5.70 in  COVID CD14 monocytes: direction, magnitude and null
+130  none  fig 12.45x5.02 in  COVID: biological endpoints give a mixed verdict
+131  none  fig 11.83x5.70 in  Rare-state frequencies in observed cells
+132  none  fig 11.35x5.70 in  Rare-state misses: rules 1–8
+133  none  fig 11.72x5.70 in  Rare-state misses: rules 9–15
+134  none  fig 12.06x5.70 in  Rare-state fidelity: zero-aware reanalysis
+135  none  fig 10.76x5.70 in  Sepsis rare states across paired-data budgets
+136  none  fig 12.45x5.62 in  Sepsis rare-state direction across support budgets
+137  none  fig 11.35x5.70 in  Rare-state screen in DRESS, Kawasaki and SLE
+138  right fig  7.24x5.70 in  Consequence: disease direction flips
+139  none  fig 12.45x5.18 in  C1Q: single-gene detection versus co-detection
+140  none  fig 12.45x4.54 in  Behçet: K=4,000 changes direction more than identity
+141  none  fig 12.45x5.59 in  Behcet: one-gene and multi-gene C1Q rules
+142  below fig  9.46x4.63 in  Pairs from other cohorts do not transfer
+143  below fig  9.44x4.63 in  Longer training on other cohorts: gap stays
+144  below fig 10.61x4.63 in  No pretraining: same cohort, from scratch
+145  below fig 10.53x4.63 in  No pretraining: other cohorts, from scratch
+146  below fig 10.20x4.63 in  Rare states: from scratch vs pretrained
+147  below fig 10.12x4.63 in  Appendix: scSemiProfiler without output threshold
+148  none  fig 12.45x5.28 in  Bulk-only exploration: calibration populations differ
+150  right fig  9.20x5.19 in  Rare-state fractions: original analysis
+151  right fig  9.20x5.01 in  Rare-state ranking: original analysis
+152  below fig  9.23x4.98 in  Rare states: original five-fold analysis
+153  right fig  8.01x5.70 in  Bulk-only cohort plan: original snapshot
+154  none  fig 12.45x4.73 in  Historical bulk-only search: no confirmed new finding
+156  below fig 12.45x4.62 in  Next: other tissues from a few dozen pairs
+{"slides": 156, "overview": 7, "training_corpus_main": 8, "training_detail": 9, "full_source_support": 10, "source_bindings": 155}
+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_20261015_figure1_focused.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_20261015_figure1_focused.pdf using filter : impress_pdf_Export:{"UseTaggedPDF":{"type":"boolean","value":"false"},"PDFUACompliance":{"type":"boolean","value":"false"}}
+{"pass": true, "counts": {"spec": 156, "pptx": 156, "pdf": 156}, "failures": []}

	@@ -0,0 +1,20 @@

+"""CPU-only source build, PDF export and verification."""
+from pathlib import Path
+import os
+import subprocess
+import sys
+if os.environ.get('CUDA_VISIBLE_DEVICES') != '':
+    raise SystemExit('CPU-only bounded unit required')
+A=Path(__file__).resolve().parent
+D=A.parents[1]
+commands=[
+    [sys.executable,str(D/'tools/build_figure1_focused_master_20261015.py')],
+    ['libreoffice','-env:UserInstallation=file:///tmp/pbisc-figure1-focused-lo-20261015','--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_20261015_figure1_focused.pptx')],
+    [sys.executable,str(D/'tools/verify_figure1_focused_master_20261015.py')],
+]
+with (A/'render.log').open('a') as log:
+    for command in commands:
+        subprocess.run(command,cwd=D,stdout=log,stderr=subprocess.STDOUT,check=True,timeout=600)
+print('Build, PDF and automated verification finished',flush=True)

The diff for this file is too large to render. See raw diff

	@@ -0,0 +1,158 @@

+# Figure 1–6 / Supplementary: 근거 보강 계획과 반영 결과
+2026-10-13 사용자 수정 지시를 반영했다. Figure 번호는 [AUTHOR_SCOPE.md](AUTHOR_SCOPE.md)를 따른다. 현재 덱의 쪽수는 [현재 페이지 대응표](../figure1_focus_20261015/page_map.csv), 변경·검수 결과는 [작업 보고서](../strengthening_20261013/README.md)를 기준으로 한다. 이전 논의용 제안서는 [수정 전 사본](../strengthening_20261013/STRENGTHENING_PROPOSAL_before_revision.md)에 보존했다.
+2026-10-15 Figure 1 보완: 1a에 noisy gene state → iterative denoising → sparse expression을 명시했고, 1b 주요 비율·범례를 확대했다. 작은 범주는 명시적으로 묶고 전체 수치/범주는 support 9쪽에 보존했다. [변경 보고서](../figure1_focus_20261015/README.md).
+2026-10-14 Figure 1 수정: main 1a는 참조 그림체의 벡터 도식으로 교체했고, main 1b는 실제 train 33,141,380개 기준 도넛으로 추가했다. Healthy는 train 기준 88.4241%이며, 아래 full-source 88.51%와 분모가 다르다. [Figure 1 변경 보고서](../figure1_revision_20261014/README.md).
+2026-10-13 작업은 저장된 결과 재시각화, 분할·원 논문 검증, observed marker의 CPU 분석이다. 학습·생성·deconvolution을 새로 실행하지 않았다. 기존 campaign의 미완료 단위와 새로운 분석을 구분한다. 과거 13:58 KST 상태를 현재 실행 상태로 인용하지 않는다.
+## 우선 결정
+| 구분 | 이번 반영 | 남은 핵심 작업 | 새 모델 학습 필요 |
+|---|---|---|---|
+| Figure 1 | Healthy / Disease·at-risk → 상세 condition, cell type; corpus split와 K 모식도 | 사용 경계·donor 교차표의 최종 캡션 확인 | 없음 |
+| Figure 2 | 기존 architecture/hint 도식, validation progression, 비용·parameter 비교 유지 | 동일 family 안에서 주 패널 선정; 미완료 run의 saturation 과장 금지 | 기본적으로 없음 |
+| Figure 3 | 같은 107명 observed/raw/calibration/full FT/LoRA 직접 비교; 실제 split 도식 | 기존 strict total-support campaign 완료; 공통 cell-space 정성 패널은 저장 출력에서 후속 조립 | 중복 실행 없음 |
+| Figure 4 | 누락 scSemi CV CAT/RBO 복원, 다중 지표 비교, strict Sepsis donor-aware DEG | 나머지 cohort의 기존 strict 분석 완료, 동일 donor를 보존하는 CI | 중복 실행 없음 |
+| Figure 5 | 원 논문 target 대조; Ye paired observed marker 진단 | 원 저자 cluster identity 연결 후 observed/PBISC/scSemi 비교 | 먼저 CPU 분석 |
+| Figure 6 | 기존 논문 결과 재현 계획 유지 | endpoint·cohort 고정 후 기존 bulk-only 출력 분석 | 기본적으로 없음 |
+지금 가장 먼저 보강할 일은 Figure 5의 정확한 population identity, Figure 4의 donor-aware 비교 완성이다. 그림 수나 유리한 지표의 수를 늘리는 것을 종료 기준으로 삼지 않는다.
+## Figure 1 — condition 비율과 corpus → recipe의 관계
+### 완료: 두 단계 condition 도표
+총 **41,395,184개 source cells**를 기준으로 Healthy **36,639,276개, 88.51%**, Disease / at-risk **4,755,908개, 11.49%**를 나눈다. 가운데 도넛에서 후자를 11개 원래 condition으로 세분하고 cell-type 도넛을 함께 둔다.
+- ACPA+ at-risk는 **1,792,129개**로, 확진 RA가 아니다. 이 때문에 상위 범주를 단순 Disease로 쓰지 않는다.
+- At-risk를 제외한 disease/history annotation은 **2,963,779개, 전체의 7.16%**다. Post-COVID와 Cytopenia도 원래 annotation 의미를 유지한다.
+- Healthy는 donor 상태다. In-vitro 자극, post-vaccination, CMV-seropositive healthy를 모두 resting untreated cell로 해석하지 않는다.
+- **88.5%는 donor 비율이 아니라 cell 비율**이다. Condition 라벨은 corpus 설명용이며 최종 base model의 입력 label이 아니다.
+### 완료: 41.4M와 33.1M 차이는 split
+| Source allocation | Cells | 전체 중 비율 |
+|---|---:|---:|
+| Train | 33,141,380 | 80.06% |
+| Validation | 4,361,032 | 10.54% |
+| Test | 3,892,772 | 9.40% |
+따라서 약 **33.4M가 아니라 33.1M**이며, 차이 8,253,804개는 validation+test다. K recipe 때문에 제외된 세포 수가 아니다. 실제 group 크기가 달라 nominal 80/10/10이 cell 비율로 정확히 일치하지 않는다.
+### 완료: K와 target exposure 모식도
+`train sample에서 서로 다른 K cells 선택 → counts 합으로 pseudobulk condition 생성 → 같은 condition으로 각 member cell을 target으로 학습`한다. Registered K는 250/500/1,000/2,000/4,000, schedule part당 8,192 recipes이며 16 parts를 사용한다.
+Regular grid로 31,145,450개 고유 train cells를 덮은 뒤, **3,658개 top-up recipes**로 남은 1,995,930개를 포함한다. Final contract는 **33,141,380개 train cells 전부의 coverage**를 확인한다. 총 target occurrences 195,639,930회는 반복 노출을 포함하므로 고유 세포 수와 다르다. Top-up의 실제 K는 1–4,000이다.
+`unique source cells`, `recipe 개수`, `K`, `target occurrences`, `N_generated`를 서로 바꿔 쓰지 않는다. Source condition 비율을 sampler exposure 비율로 해석하지 않는다.
+**보충자료:** 내부 corpus split에는 sample 중복은 없지만 biological donor 27명이 split을 가로지른 기록이 있다. 외부 SLE/paired test 누출을 입증하는 결과와 구분한다. AIFI reference의 pretraining 노출도 target donor 중복과 별개로 기록한다.
+**재사용/산출물:** [corpus bundle](../strengthening_20261013/corpus/result.json), `manuscript/source_data/corpus/`, final run `ALLCELL_DATA_CONTRACT.json`. 새 학습 없음.
+## Figure 2 — architecture / gene context에 집중
+기존에 추가한 context/trunk, pred/oracle hint 경로 도식과 full/late validation curves, parameter/training-time 패널을 유지한다. 이 Figure에 real-bulk mismatch·paired adaptation을 넣지 않는다.
+**주 그림 조합:** 간략한 모델 구조 → width/context family의 validation progression → SLE pseudobulk 성능 → gene-panel family → parameter/time trade-off. Saved corpus-validation loss는 SLE held-out benchmark metric과 다른 자료임을 표시한다.
+**실제로 남는 보강:** 같은 평가 조건의 arm만 비교하고, 제한된 학습 기록을 saturation으로 부르지 않는다. 16× run은 E2까지만 있어 수렴 여부가 미확인이다. Architecture 1% detection floor와 gene-panel 0.1% floor의 차이도 보존한다. 6k의 5 seeds는 sampling 반복이며 독립 pretraining 5회가 아니다.
+**추가 실험 조건:** 특정 architecture의 안정적 우위를 논문의 필수 주장으로 삼는 경우에만 가장 가까운 경쟁 checkpoint의 동일 sampling 반복을 검토한다. 현재 시각화 보강 때문에 architecture 전체를 재학습할 필요는 없다.
+## Figure 3 — 입력 mismatch와 생성 결과 회복을 연결
+### 완료: 같은 사람을 나란히 보여주는 직접 비교
+Observed paired scRNA의 cell-type mixture와 raw zero-shot / input calibration / full FT / LoRA r16을 **동일 107명, 동일 순서**로 나란히 그렸다. Donor 순서는 observed monocyte 비율만으로 정했고, 모든 donor와 6개 type을 남겼다. Full FT/LoRA와 raw zero-shot은 같은 raw measured-bulk 입력을 사용한다.
+같은 사람을 잇는 보조 패널은 composition L1과 **generated-vs-observed pseudobulk gene-expression Pearson r**를 함께 보여준다. 후자는 같은 5,508 genes의 log1p-CPM에 대한 값이며 cell별 일대일 일치도가 아니다.
+- Mean composition L1: raw **0.4549**, calibration **0.1985**, full FT **0.1572**, LoRA r16 **0.1617**.
+- Median expression r: raw **0.8921**, calibration **0.8802**, full FT **0.9141**, LoRA r16 **0.8994**.
+즉 output composition 회복은 분명하지만 모든 지표에서 LoRA가 가장 좋거나 모든 expression mismatch가 사라진다고 쓰지 않는다. Adaptation은 measured-bulk 값을 직접 바꾸는 연산이 아니다. 기존 input-calibration density/error 패널과 생성 output 패널의 역할을 구분한다.
+### 확인: LoRA all / LoRA20의 실제 test
+기존 pair-budget 그림은 **고정된 5-fold outer test**를 사용한다.
+| 표기 | Training | Validation | Test/fold | 사용하지 않는 나머지 |
+|---|---:|---:|---:|---:|
+| LoRA5 | 5 | 7 | 21–22 | 73–74 |
+| LoRA20 | 20 | 7 | 21–22 | 58–59 |
+| LoRA all | 78–79 | 7 | 21–22 | 0 |
+“All”은 **각 fold에서 사용할 수 있는 training pool 전체**다. 107명 전체를 학습해 같은 사람에게 test하지 않는다. 각 donor의 held-out prediction을 모아 pooled 107명 결과를 만든다. LoRA20의 나머지 87명이 모두 test가 되는 설계도 아니다. Test를 고정해야 support 양에 따른 차이를 같은 사람들에서 비교할 수 있다.
+Outer/inner 분할 seed는 **20260927**이다. Training subset은 fold별 **1000–1004** seed의 random permutation에서 prefix를 취한다. 따라서 `5 ⊂ 10 ⊂ 20 ⊂ 40 ⊂ all`인 **random nested selection**이다. 저장된 20개 subset과 outer/inner 분할을 replay해 정확히 일치함을 확인했다.
+**프로토콜 구분:** 기존 별도 total-five 5 draws는 5 support+0 validation, 나머지 102명 test/draw다. 새 strict healthy campaign은 5/10/20/40 total support와 고정 outer-test fold, 추가 validation 없음이다. 두 total-five 설계도 같은 실험으로 합치지 않는다.
+**남은 작업:** 기존 strict curve의 미완료 산출물을 마무리한다. 추가 정성 패널이 필요하면 저장된 observed/raw/LoRA cells를 observed-only fit의 동일 projection에 배치하고 동일 test·depth·N_gen을 유지한다. 이는 CPU figure 작업을 우선하며 새로운 학습 근거가 아니다. r4/r16/r64/full FT는 지표별 절충으로 보고 r16 보편 우위를 만들기 위한 합성점수는 사용하지 않는다.
+**근거:** [healthy bundle](../strengthening_20261013/healthy/result.json), [split audit](../strengthening_20261013/healthy/split_audit.csv).
+## Figure 4 — reference가 있는 여러 평가를 보강
+### 완료: 기존 결과에서 추가한 세 패널
+1. **Complete historical CV-CAT:** 누락됐던 네 cohort의 scSemi CV 결과를 포함한다. Raw/calibration/LoRA/scSemi/bulk-broadcast, 저장 결과가 있는 Sepsis full FT를 같은 조건에서 비교한다.
+2. **LogFC r / partial r / RBO:** observed paired scRNA를 reference로 사용한다. Same-patient cell-repeat r는 내부 cell resampling control이며 독립 환자 generalization ceiling이 아니다.
+3. **Strict five-support Sepsis:** 완료된 5 draws의 logFC r, partial r, CAT100, donor-aware DEG overlap을 함께 제시한다. 점은 overlapping support draws, 큰 점은 descriptive mean이다. Draw를 독립 환자로 간주한 CI를 붙이지 않는다.
+CAT는 [Irizarry et al., 2005](https://doi.org/10.1038/nmeth756), RBO는 [Webber et al., 2010](https://doi.org/10.1145/1852102.1852106)를 근거로 한다. Same-sign CAT는 현재 benchmark에서 방향 일치를 추가한 정의다. Donor-aware DEG의 필요성은 [Squair et al., 2021](https://www.nature.com/articles/s41467-021-25960-2)에 근거를 둔다. 구체적 구현·유전자 축·reference·출처는 [metric bundle](../strengthening_20261013/disease_metrics/result.json)에 묶었다.
+**주장 범위:** Strict Sepsis에서 LoRA/scSemi의 평균 logFC r는 **0.3421/0.4025**, CAT100은 **0.0768/0.0328**, donor-aware DEG overlap은 **17.6/11.4**다. 순위·DEG 회복에서의 장점과 전체 logFC correlation의 반례가 동시에 있다. ‘모든 질환·모든 지표에서 최고’라는 결론은 근거와 맞지 않는다.
+### 남은 필수 보강
+- 나머지 질환의 기존 strict outputs와 patient-aware statistics를 끝까지 연결한다. Sepsis 기존 deconvolution adoption을 다시 실행하지 않는다.
+- 같은 donor가 여러 visit/draw에 나타나는 구조를 보존해 **방법 간 차이의 donor CI**를 계산한다. 고정된 생성 결과의 CI는 재학습 불확실성까지 포함하지 않는다.
+- Primary endpoint와 보조 endpoint를 고정한다. LogFC r, partial r, CAT/RBO, DEG가 서로 다른 질문에 답한다는 점을 설명한다.
+- Cohort/cell type별 NA, 불리한 결과, support/HVG/test 접근 범위를 Supplementary에 보존한다. Giroux의 sex/severity confounding은 sex gene 제거만으로 없어지지 않는다.
+새 지표를 계속 찾거나 원하는 순위가 나올 때까지 실험을 반복하기보다, 이미 있는 reference-backed 지표들의 비교 조건과 불확실성을 완성한다.
+## Figure 5 — 각 paired 원 논문의 population을 먼저 검증
+원 논문에서 직접 보고한 population과 일반적인 marker rule을 구분한다. 네 cohort에 억지로 rare population 하나씩을 배정하지 않는다. 상세 원문/figure/marker/시점/파일 가용성은 [문헌·observed 분석 bundle](../strengthening_20261013/rare_literature/result.json)을 따른다.
+| Cohort | 원 논문 기반 우선 대상 | 다음 단계 |
+|---|---|---|
+| Ye sepsis | Fig.5 **Mono_c06-CD14-MKI67**, pediatric pulmonary sepsis; MKI67/STMN1/MPO/ELANE | 원 저자의 fine-cluster identity와 감염 부위·연령 대조를 연결 |
+| Imperial ESKD | Fig.5 **dexamethasone-associated monocytes**, wave2 | Steroid 투약 시점·wave2·세부 cluster를 매칭; wave1 음성 대조 |
+| Giroux COVID | IgG 전환 전 CD14 monocyte clusters 2/4(mild), 7(moderate), RNA/regulon states | Fine labels·serostatus 연결; IRF1/KLF3는 저장된 6k panel 밖이므로 exact rare identity 주장 보류 |
+| Ji CHILI | Cell-type DE/pathway 중심 | 기존 DE/pathway endpoint는 Figure4에 적합; rare target 근거가 있어야 Figure5에 채택 |
+### 이번 observed-truth 진단에서 배운 점
+Ye의 identity-passed **82명, frozen AIFI monocyte 111,269개**에서 CD14/MKI67/STMN1/MPO/ELANE만 CPU로 추출했다. MKI67+STMN1 native-depth 동시검출의 donor 평균은 소아 폐렴군 **2.33%**, 소아 복부감염군 **4.10%**, 성인 폐렴군 **0.39%**다.
+이 결과는 cycling-marker 신호가 실제 paired sc에 있다는 진단이지 **원 논문의 Mono_c06 정체성 또는 폐렴 특이성 재현 완료가 아니다**. 검출률은 depth와 dropout에도 영향을 받는다. 73-marker cache의 일반 rule로 원 논문의 cluster를 대체하면 잘못된 결론을 만들 수 있다.
+### 실행 순서와 완료 기준
+1. **로컬 재사용 조사는 완료:** Ye의 canonical H5AD obs schema 133개, raw archive member 665개, benchmark metadata를 조사했으나 저자 fine-cluster labels를 찾지 못했다. [조사 목록](../strengthening_20261013/rare_literature/ye_author_label_inventory.json)을 보존했다. 다음은 원 논문의 공개 annotation/분석 코드에서 author_cell_id와 연결되는 라벨을 찾는 일이다. 확보할 수 없을 때만 원 논문 marker 기반 reference-only classifier/rule을 정의한다.
+2. **Observed paired sc에서 먼저** 연령·감염 ��위 또는 steroid timing에 따른 population identity/abundance를 재현한다. 이 단계가 안 맞으면 generated 결과를 성공 사례로 제시하지 않는다.
+3. 같은 held-out samples의 observed/PBISC/scSemi를 동일 projection·측정 gene·depth/N_gen 조건에서 비교한다. Original fine labels로 확인한 parent population과 rare cluster를 분리한다.
+4. 정의·projection에 사용하지 않은 marker/program으로 identity를 추가 검증한다. 모델 panel에 없는 marker를 zero로 채우지 않는다.
+5. 성공·과소생성·관측 음성 사례와 donor별 전체 결과를 함께 둔다. Observed zero를 진정한 부재로 단정하지 않는다.
+기존 paired K1000/K4000은 모두 **1,500 generated cells/sample**이다. K sensitivity와 generated-cell count sensitivity를 혼동하지 않는다. 지금 필요한 작업은 저장 자료의 정확한 annotation·CPU 재분석이며, 새 GPU 학습이 기본 선행 조건은 아니다.
+## Figure 6 — bulk-only 논문 결과 재현은 별도 TODO
+추천 후보는 [Stephenson et al., 2025](https://pmc.ncbi.nlm.nih.gov/articles/PMC12366655/) Fig.3C의 monocyte HLA-II 감소다. Sample-time severity와 peak severity를 구분해 endpoint를 고정한 뒤, 기존 Imperial bulk-only 출력에서 donor-aware 효과를 계산한다.
+Paired donor를 모두 제외한 후보 집합은 기존 audit상 97 samples/45 donors, wave1이다. 이 집합으로 wave2 steroid-associated population을 재현할 수는 없다. Figure5의 **paired wave2** 가능성과 Figure6의 **donor-disjoint bulk-only wave1**을 혼동하지 않는다. HLA-II 방향은 기존 workflow에서도 살펴본 후향적 재현이며 blind independent validation이 아니다. 이번 작업에서 Figure6 분석은 실행하지 않았다.
+## Supplementary와 추가 GPU의 경계
+Supplementary에는 전체 cohort/type/draw, 부정적 결과, support·validation·HVG 접근량, source/exposure 구분, rank/full FT 절충, 평가법·readout 감도, rare marker/annotation 근거와 음성 사례를 둔다. Main Figure2는 SLE pseudobulk, Figure3–5는 measured paired라는 범위를 유지한다.
+새 GPU 작업은 (a) 필수적인 architecture/training-seed 안정성 주장에 근거가 부족하거나, (b) adapted model의 conditioning 기전을 확인하는 matched-noise wrong-bulk intervention이 꼭 필요할 때에만 별도로 정의한다. 두 항목 모두 현재 기본 필수 과제는 아니다. 실행 전 reuse registry와 checkpoint/support/test/mask/seed/readout 계약을 대조하고 바뀐 연산만 수행한다.