[ScRAT] sampling() function process

sampling() → individual_train → x_train, y_train → train() 흐름을 살펴보자.

---

🎯 Q1. sampling()은 왜 하는 것이지? 꼭 필요한 과정인가요?

✅ 답변:

네, 필수적인 과정입니다.
sampling()은 scRAT의 핵심 구조 중 하나인 "Multiple Instance Learning (MIL)" 방식을 위해 꼭 필요합니다.

---

🔍 왜 필요한가?

scRNA-seq 데이터는 다음과 같이 구성됩니다:

• 1명 환자 = 수백~수천 개의 세포 (cell)
• 각 세포 = 1개의 feature vector (gene expression)

---

❗그런데 모델은 “한 개의 벡터”가 아니라 “세포 묶음 (bag of cells)”을 입력으로 받습니다.

그래서 각 환자에 대해:

작업	설명
sampling()	각 환자에게서 N개의 bag을 만듭니다.
1 bag	train_sample_cells개의 세포를 무작위로 뽑은 하나의 묶음입니다.
총 bag 개수	train_num_sample × 환자 수

---

📌 필수 이유:

• MIL 방식에서는 "1개의 샘플 = 세포의 집합 (bag)"입니다.
• 따라서 이 bag들을 생성해줘야 모델이 학습할 수 있습니다.
• 이게 바로 sampling()이 하는 일입니다.

예를 들어:

--train_sample_cells 500 --train_num_sample 20

이면, → 각 환자마다 500개의 cell로 구성된 bag을 20개 생성해서 학습에 사용합니다.

 

비슷하게,

--test_sample_cells 500 --test_num_sample 100

이면, → 각 test 환자에 대해 500개 cell로 구성된 bag을 100개 만들어서 majority voting 방식 등으로 예측합니다.

---

🎯 Q2. individual_train은 무엇이고, 거기서 나온 x_train, y_train은 무엇인가요?

✅ individual_train은 이렇게 생긴 리스트입니다:

individual_train = [
  [ [cell_idx1, label], [cell_idx2, label], ..., [cell_idxN, label] ],   # 1번째 bag
  [ [cell_idx1, label], [cell_idx2, label], ..., [cell_idxN, label] ],   # 2번째 bag
  ...
]

• 즉, 1개의 bag = 세포 index들의 모음
• 각 세포 index에 label이 붙어 있음 (예: normal, covid 등)

---

✅ x_train, y_train은?

x_train = [[cell_idx1, cell_idx2, ..., cell_idxN], ...]  # 각 bag의 세포 인덱스 리스트
y_train = [label1, label2, ...]                          # 각 bag의 라벨 (환자 단위의 병명)

→ 즉, 학습용 데이터셋의:

• 입력은 여러 개의 세포 인덱스 리스트 (x_train)
• 타겟은 각 bag에 대한 하나의 label (y_train)

---

🎯 Q3. train()에 왜 x_train도 넣고, train_data도 넣는 거예요?

✅ 이유는 두 가지:

요소	목적
x_train	어떤 세포들이 어떤 bag에 들어가는지를 알려줌
train_data (또는 data_augmented)	실제 gene expression 값 (cell feature vector)

---

🔍 더 자세히:

• x_train[i] = [17, 432, 500] → "i번째 bag은 17, 432, 500번 세포로 구성됨"
• train_data[17], train_data[432], ... → 실제 세포 벡터

따라서:

• x_train은 세포 index
• train_data는 세포 벡터들
• 이 둘을 조합해야 모델 입력값 = [cell1, cell2, ..., cellN]의 matrix가 됩니다.

---

🧠 요약정리

항목	설명
sampling()	각 환자에서 일정 수의 bag을 생성 (필수)
individual_train	각 bag에 포함된 세포 index + label
x_train	각 bag에 속한 세포들의 index 리스트
y_train	각 bag의 label (환자 단위)
train_data or data_augmented	전체 세포들의 expression 값 matrix
train()에서 둘 다 필요한 이유	index만으로는 feature 못 뽑고, feature만으로는 어떤 세포 쓸지 모름