###############################################################################
# SUBSCRIPT_03d: asignacion de tipos celulares en funcion de SCtype
#https://github.com/IanevskiAleksandr/sc-type/blob/master/README.md
# ScType: Fully-automated and ultra-fast cell-type identification using specific marker combinations from single-cell transcriptomic data
# Article: [https://doi.org/10.1038/s41467-022-28803-w]
# ScType a computational method for automated selection of marker genes based merely on scRNA-seq data. The open-source portal (http://sctype.app) provides an interactive web-implementation of the method.
# ###############################################################################

#vaciar memorias
graphics.off()
gc(full = TRUE)

#***Define raiz de rutas***
raiz   <- "D:/INVESTIGACION/PROYECTOS/ELKARTEK-2024-2026/ANALISIS/CCRCC"
#***Define raiz de rutas***

#esto define la muestra y los bins
sample_in<-"muestra-277T"
bins<-"square_016um" #elejimos aqui si 8um o 16um
sample_in_bins<-paste0(sample_in,"_",bins)

#REQUIERE HABER EJECUTADO EL SCRIPT 2
dir_bundle_in <- file.path(raiz, "SUB-BUNDLES", sample_in_bins)
#bundle_in     <- file.path(dir_bundle_in, "S2-bundle_markers_annot_scores.rds")
bundle_in     <- file.path(dir_bundle_in, "S2-bundle.rds")
stopifnot(file.exists(bundle_in))


##esto define donde va  a estar la salida de datos
#tipo CRRCC/SUB_OUTPUTS/muestra277t_square_016um
sample_out<-paste0(sample_in, "_", bins)
dir_sample_out <-file.path(raiz, "SUB-OUTPUTS", sample_out)
dir.create(dir_sample_out, showWarnings = FALSE, recursive = TRUE)
stopifnot(file.exists(dir_sample_out))


#esto define donde va  a estar la salida para el bundle
#tipo CCRCC/SUB_BUNDLES/muestra277T_squre_016um
dir_bundle_out <- file.path(raiz, "SUB-BUNDLES", sample_out)
dir.create(dir_bundle_out, showWarnings = FALSE, recursive = TRUE)
stopifnot(file.exists(dir_bundle_out))

# -----------------------------------------------------------------------------
# 0) CARGA DEL BUNDLE DEL SUBSCRIPT_02
# -----------------------------------------------------------------------------

bundle_step02 <- readRDS(bundle_in)


# Objetos principales del bundle
visium  <- bundle_step02$visium
#visium2 <- bundle_step02$visium2   # puede ser NULL
config  <- bundle_step02$config
# dims_use: robusto (algunas versiones lo guardan fuera de config)
dims_use <- if (!is.null(bundle_step02$dims_use)) bundle_step02$dims_use else config$dims_use



# -----------------------------------------------------------------------------
# Carga de librerias
# -----------------------------------------------------------------------------
#install.packages("openxlsx")

# load libraries and functions
lapply(c("dplyr","Seurat","HGNChelper","openxlsx"), library, character.only = T)


raizsctype   <- "D:/INVESTIGACION/PROYECTOS/ELKARTEK-2024-2026/ANALISIS"
#bajarme los scripts de RCtype
sctype_dir <- file.path(
  raizsctype,
  "R/SCytpe"
)

#######################################################################
#######################################################################
#######################################################################
#*** esto solo la primera  vez
#######################################################################
#######################################################################
#######################################################################

dir.create(sctype_dir, showWarnings = FALSE, recursive = TRUE)
stopifnot(dir.exists(sctype_dir))

#***solo la primera vez, luego ignorar***
download.file(
  "https://raw.githubusercontent.com/IanevskiAleksandr/sc-type/master/R/gene_sets_prepare.R",
  destfile = file.path(sctype_dir, "gene_sets_prepare.R"),
  mode = "wb"
)

download.file(
  "https://raw.githubusercontent.com/IanevskiAleksandr/sc-type/master/R/sctype_score_.R",
  destfile = file.path(sctype_dir, "sctype_score_.R"),
  mode = "wb"
)

#recordar poner la direccion raw.gitxxx.... y no algo que contenga blob en la ruta, porque entonces se descarga un html

download.file(
"https://raw.githubusercontent.com/IanevskiAleksandr/sc-type/master/ScTypeDB_short.xlsx",
destfile = file.path(sctype_dir, "ScTypeDB_short.xlsx"),
mode = "wb"
)
download.file(
  "https://raw.githubusercontent.com/IanevskiAleksandr/sc-type/master/ScTypeDB_full.xlsx",
  destfile = file.path(sctype_dir, "ScTypeDB_full.xlsx"),
  mode = "wb"
)

download.file(
"https://raw.githubusercontent.com/IanevskiAleksandr/sc-type/master/exampleData.RDS",
destfile = file.path(sctype_dir, "exampleData.RDS"),
mode = "wb"
)

download.file(
"https://raw.githubusercontent.com/IanevskiAleksandr/sc-type/master/R/auto_detect_tissue_type.R",
destfile = file.path(sctype_dir, "auto_detect_tissue_type.R"),
mode = "wb"
)

download.file(
  "https://raw.githubusercontent.com/IanevskiAleksandr/sc-type/master/R/sctype_wrapper.R",
  destfile = file.path(sctype_dir, "sctype_wrapper.R"),
  mode = "wb"
)
#***solo la primera vez, luego ignorar***
#######################################################################
#######################################################################
#######################################################################
#######################################################################

#RUN EVERY TIME
#----------------------------------------------------------------------
source(file.path(sctype_dir, "gene_sets_prepare.R"))
#Hace tres cosas clave:
#Lee el archivo .R
#Ejecuta todo su contenido, línea por línea
#Inserta los objetos creados en el entorno actual (normalmente el global environment)

source(file.path(sctype_dir, "sctype_score_.R"))
#Define típicamente:
#gene_sets_prepare()
#objetos con CellMarker + PanglaoDB
#funciones auxiliares para preparar markers
#"Ahora R sabe cómo construir los gene sets de SCType"

#sctype_score_.R Define:sctype_score()
#lógica de scoring por clúster / tipo celular
#Ahora R sabe cómo calcular scores y asignar tipos celulares"


source(file.path(sctype_dir, "sctype_wrapper.R"))


#ejemplos e la pag web https://github.com/IanevskiAleksandr/sc-type/tree/master/R
# get cell-type-specific gene sets from our in-built database (DB)
# gs_list <- gene_sets_prepare(file.path(sctype_dir, "ScTypeDB_short.xlsx"), "Immune system") # e.g. Immune system, Liver, Pancreas, Kidney, Eye, Brain
# 
# # load example (scaled/normalized) scRNA-seq matrix
# scRNAseqData <- readRDS(file.path(sctype_dir, "ScTypeDB_short.xlsx"),exampleData.RDS');
# 
# # assign cell types
# es.max <- sctype_score(scRNAseqData = scRNAseqData, scaled = TRUE, gs = gs_list$gs_positive, gs2 = gs_list$gs_negative)




###############################################################
# ASIGANCION DE FIRMAS (USANDO visium 16µm)
###############################################################

db_short_local <- file.path(sctype_dir, "ScTypeDB_short.xlsx")
db_full_local  <- file.path(sctype_dir, "ScTypeDB_full.xlsx")
wrapper_local  <- file.path(sctype_dir, "sctype_wrapper.R")
autotiss_local <- file.path(sctype_dir, "auto_detect_tissue_type.R")
exdata_local   <- file.path(sctype_dir, "exampleData.RDS")
stopifnot(exists("gene_sets_prepare"), exists("sctype_score"), exists("run_sctype"))


#------------------------------------------------------------
# 4) Selección de DB y tissue
#------------------------------------------------------------
# DB recomendada:
# - short: más compacta (a veces menos ruido)
# - full : más completa (a veces más falsos positivos)
db_path <- db_full_local   # cambia a db_short_local si prefieres

# educated guess para tu caso (ccRCC):
tissue <- "Kidney"         # alternativa: "Immune system" si quieres focalizar en inmunes
#En la base oficial (SCTypeDB), los tissueType relevantes para ccRCC suelen ser:
#"Kidney", "Immune system", "Endothelial" (en algunas versiones), 
#"Stromal" / "Mesenchymal" (limitado, depende versión DB)
#No hay: "Cancer", "Tumor", "Renal cancer"
#------------------------------------------------------------
# 5) Asegurar clusters en tu visium
#    SCType asigna "por cluster": necesita una columna de cluster en metadata
#------------------------------------------------------------
cluster_col <- "seurat_clusters"
if (!cluster_col %in% colnames(visium@meta.data)) {
  # Si no existe, intenta usar Idents; si tampoco, habría que clusterizar antes.
  if (length(levels(Idents(visium))) > 1) {
    visium$seurat_clusters <- as.character(Idents(visium))
  } else {
    stop("No encuentro clusters (seurat_clusters/Idents). Primero clusteriza el objeto visium.")
  }
}

#------------------------------------------------------------
# 6) Preparar gene sets (markers) para ese tejido
#------------------------------------------------------------
gs_list <- gene_sets_prepare(db_path, tissue)

# Sanity checks
stopifnot(is.list(gs_list), "gs_positive" %in% names(gs_list))
# gs_negative puede estar vacío en algunos tejidos
if (!"gs_negative" %in% names(gs_list)) gs_list$gs_negative <- NULL

#------------------------------------------------------------
# 7) Extraer matriz de expresión "scaled" desde tu Seurat (visium)
#    SCType funciona mejor con datos escalados (scaled = TRUE)
#    Para objetos grandes (Visium HD) reducimos a genes relevantes (markers)
#------------------------------------------------------------

assays_avail <- Seurat::Assays(visium)  # debe ser character
#Assays(visium) (sin Seurat::) NO estaba llamando a la función de Seurat, sino a otra función llamada Assays() 
#(probablemente de SummarizedExperiment o por colisión de namespaces).
assay_use <- if ("SCT" %in% assays_avail) "SCT" else "RNA"


# Asegura que hay scale.data; si no existe, lo creamos (solo features relevantes)
DefaultAssay(visium) <- assay_use

# Genes relevantes: unión de markers (+ y -)
genes_pos <- unique(unlist(gs_list$gs_positive, use.names = FALSE))
genes_neg <- if (!is.null(gs_list$gs_negative)) unique(unlist(gs_list$gs_negative, use.names = FALSE)) else character(0)
genes_markers <- unique(c(genes_pos, genes_neg))
genes_markers <- genes_markers[genes_markers %in% rownames(visium)]

if (length(genes_markers) < 50) {
  warning("Muy pocos genes marcadores intersectan con tu objeto. Revisa símbolos (HGNC) o tissue/db.")
}

# Si no hay scale.data (o está vacío), escalar SOLO genes_markers para ahorrar RAM
scale_has_data <- FALSE
if (assay_use == "SCT") {
  # En SCT, scale.data suele existir; si está vacío, lo escalamos igual
  scale_has_data <- nrow(GetAssayData(visium, slot = "scale.data")) > 0
} else {
  scale_has_data <- nrow(GetAssayData(visium, slot = "scale.data")) > 0
}

if (!scale_has_data) {
  message("No hay scale.data. Ejecutando ScaleData() solo para genes marcadores (ahorra memoria)...")
  visium <- ScaleData(visium, features = genes_markers, verbose = FALSE)
}

# Extraer matriz escalada (solo genes_markers)
sc_mat_scaled <- GetAssayData(visium, slot = "scale.data")
sc_mat_scaled <- as.matrix(sc_mat_scaled[intersect(rownames(sc_mat_scaled), genes_markers), , drop = FALSE])

#------------------------------------------------------------
# 8) Ejecutar SCType (sctype_score) como en el tutorial
#------------------------------------------------------------
es.max <- sctype_score(
  scRNAseqData = sc_mat_scaled,
  scaled       = TRUE,
  gs           = gs_list$gs_positive,
  gs2          = gs_list$gs_negative
)

# es.max: matriz (celltype x cells). Ahora agregamos por cluster como en tutorial.
clusters <- as.character(visium@meta.data[[cluster_col]])
names(clusters) <- colnames(sc_mat_scaled)

#------------------------------------------------------------
# 9) Resumen por cluster: top tipos + scores + regla "Unknown"
#    (misma lógica del tutorial: score bajo -> Unknown)
#------------------------------------------------------------
cL_results <- do.call(
  "rbind",
  lapply(sort(unique(clusters)), function(cl) {
    cells_in_cl <- names(clusters)[clusters == cl]
    # Suma por tipo celular sobre las celdas/spots del cluster
    es.max.cl <- sort(rowSums(es.max[, cells_in_cl, drop = FALSE]), decreasing = TRUE)
    head(
      data.frame(
        cluster = cl,
        type    = names(es.max.cl),
        scores  = as.numeric(es.max.cl),
        ncells  = length(cells_in_cl),
        stringsAsFactors = FALSE
      ),
      10
    )
  })
)

sctype_scores <- cL_results %>%
  group_by(cluster) %>%
  slice_max(order_by = scores, n = 1, with_ties = FALSE) %>%
  ungroup()

# Regla de baja confianza del tutorial:
# si score < ncells/4 => Unknown
sctype_scores$type[as.numeric(sctype_scores$scores) < (sctype_scores$ncells / 4)] <- "Unknown"

#------------------------------------------------------------
# 10) Escribir anotación en metadata (por spot)
#------------------------------------------------------------
visium$sctype_classification <- NA_character_
for (cl in sctype_scores$cluster) {
  cl_type <- sctype_scores$type[sctype_scores$cluster == cl][1]
  visium$sctype_classification[clusters == cl] <- cl_type
}
visium$sctype_classification <- factor(visium$sctype_classification)

#------------------------------------------------------------
# 11) Outputs: tablas + objeto + plots
#------------------------------------------------------------
# Guardar tablas
write.xlsx(
  list(
    top1_per_cluster = as.data.frame(sctype_scores),
    top10_per_cluster = as.data.frame(cL_results)
  ),
  file = file.path(dir_sample_out, paste0(sample_in_bins, "_KIDNEY_SCType_scores.xlsx"))
)

# Guardar objeto (bundle intermedio)
bundle_sctype <- list(
  visium = visium,
  sctype = list(
    tissue = tissue,
    db_path = db_path,
    assay_use = assay_use,
    cluster_col = cluster_col,
    sctype_scores = sctype_scores,
    top10 = cL_results
  ),
  config = config
)
saveRDS(bundle_sctype, file.path(dir_bundle_out, paste0(sample_in_bins, "_KIDNEY_bundle_sctype.rds")))

# Plots (si tienes imágenes/UMAP ya calculados)
p_umap <- DimPlot(visium, group.by = "sctype_classification", label = TRUE, repel = TRUE) +
  ggplot2::ggtitle(paste0(sample_in_bins, " - SCType (", tissue, ")"))
ggplot2::ggsave(
  filename = file.path(dir_sample_out, paste0(sample_in_bins, "_KIDNEY_SCType_DimPlot.png")),
  plot = p_umap, width = 9, height = 7, dpi = 200
)

# Spatial plot (si el objeto tiene imagen espacial)
# Nota: para evitar bordes negros en spots, usa stroke = NA (como ya sabes)
p_spatial <- SpatialDimPlot(
  visium,
  group.by       = "sctype_classification",
  pt.size.factor = 4,
  image.alpha    = 0.4,
  stroke         = NA
) + ggplot2::ggtitle(paste0(sample_in_bins, " - SCType (", tissue, ")"))
ggplot2::ggsave(
  filename = file.path(dir_sample_out, paste0(sample_in_bins, "_KIDNEY_SCType_SpatialDimPlot.png")),
  plot = p_spatial, width = 9, height = 7, dpi = 200
)
p_spatial_big <- p_spatial +
  guides(
    fill   = guide_legend(override.aes = list(size = legend_size, alpha = 1)),
    colour = guide_legend(override.aes = list(size = legend_size, alpha = 1))
  ) +
  theme(
    legend.key.size = unit(1.2 * legend_mult, "lines")  # hace "la cajita" más grande
  )
legend_size <- 6      # tamaño del punto en la leyenda
legend_mult <- 1.2    # multiplicador del tamaño de la caja
print(p_spatial_big) + theme_void()
# Resumen por consola
print(sctype_scores[, c("cluster","type","scores","ncells")])
message("SCType terminado. Outputs en: ", dir_sample_out)




######################################################
#AHORA PARA INMUNE
######################################################
#------------------------------------------------------------
# 4) Selección de DB y tissue
#------------------------------------------------------------
# DB recomendada:
# - short: más compacta (a veces menos ruido)
# - full : más completa (a veces más falsos positivos)
db_path <- db_full_local   # cambia a db_short_local si prefieres

# educated guess para tu caso (ccRCC):
tissue <- "Immune system"   
#En la base oficial (SCTypeDB), los tissueType relevantes para ccRCC suelen ser:
#"Kidney", "Immune system", "Endothelial" (en algunas versiones), 
#"Stromal" / "Mesenchymal" (limitado, depende versión DB)
#No hay: "Cancer", "Tumor", "Renal cancer"
#------------------------------------------------------------
# 5) Asegurar clusters en tu visium
#    SCType asigna "por cluster": necesita una columna de cluster en metadata
#------------------------------------------------------------
cluster_col <- "seurat_clusters"
if (!cluster_col %in% colnames(visium@meta.data)) {
  # Si no existe, intenta usar Idents; si tampoco, habría que clusterizar antes.
  if (length(levels(Idents(visium))) > 1) {
    visium$seurat_clusters <- as.character(Idents(visium))
  } else {
    stop("No encuentro clusters (seurat_clusters/Idents). Primero clusteriza el objeto visium.")
  }
}

#------------------------------------------------------------
# 6) Preparar gene sets (markers) para ese tejido
#------------------------------------------------------------
gs_list <- gene_sets_prepare(db_path, tissue)

# Sanity checks
stopifnot(is.list(gs_list), "gs_positive" %in% names(gs_list))
# gs_negative puede estar vacío en algunos tejidos
if (!"gs_negative" %in% names(gs_list)) gs_list$gs_negative <- NULL

#------------------------------------------------------------
# 7) Extraer matriz de expresión "scaled" desde tu Seurat (visium)
#    SCType funciona mejor con datos escalados (scaled = TRUE)
#    Para objetos grandes (Visium HD) reducimos a genes relevantes (markers)
#------------------------------------------------------------

assays_avail <- Seurat::Assays(visium)  # debe ser character
#Assays(visium) (sin Seurat::) NO estaba llamando a la función de Seurat, sino a otra función llamada Assays() 
#(probablemente de SummarizedExperiment o por colisión de namespaces).
assay_use <- if ("SCT" %in% assays_avail) "SCT" else "RNA"


# Asegura que hay scale.data; si no existe, lo creamos (solo features relevantes)
DefaultAssay(visium) <- assay_use

# Genes relevantes: unión de markers (+ y -)
genes_pos <- unique(unlist(gs_list$gs_positive, use.names = FALSE))
genes_neg <- if (!is.null(gs_list$gs_negative)) unique(unlist(gs_list$gs_negative, use.names = FALSE)) else character(0)
genes_markers <- unique(c(genes_pos, genes_neg))
genes_markers <- genes_markers[genes_markers %in% rownames(visium)]

if (length(genes_markers) < 50) {
  warning("Muy pocos genes marcadores intersectan con tu objeto. Revisa símbolos (HGNC) o tissue/db.")
}

# Si no hay scale.data (o está vacío), escalar SOLO genes_markers para ahorrar RAM
scale_has_data <- FALSE
if (assay_use == "SCT") {
  # En SCT, scale.data suele existir; si está vacío, lo escalamos igual
  scale_has_data <- nrow(GetAssayData(visium, slot = "scale.data")) > 0
} else {
  scale_has_data <- nrow(GetAssayData(visium, slot = "scale.data")) > 0
}

if (!scale_has_data) {
  message("No hay scale.data. Ejecutando ScaleData() solo para genes marcadores (ahorra memoria)...")
  visium <- ScaleData(visium, features = genes_markers, verbose = FALSE)
}

# Extraer matriz escalada (solo genes_markers)
sc_mat_scaled <- GetAssayData(visium, slot = "scale.data")
sc_mat_scaled <- as.matrix(sc_mat_scaled[intersect(rownames(sc_mat_scaled), genes_markers), , drop = FALSE])

#------------------------------------------------------------
# 8) Ejecutar SCType (sctype_score) como en el tutorial
#------------------------------------------------------------
es.max <- sctype_score(
  scRNAseqData = sc_mat_scaled,
  scaled       = TRUE,
  gs           = gs_list$gs_positive,
  gs2          = gs_list$gs_negative
)

# es.max: matriz (celltype x cells). Ahora agregamos por cluster como en tutorial.
clusters <- as.character(visium@meta.data[[cluster_col]])
names(clusters) <- colnames(sc_mat_scaled)

#------------------------------------------------------------
# 9) Resumen por cluster: top tipos + scores + regla "Unknown"
#    (misma lógica del tutorial: score bajo -> Unknown)
#------------------------------------------------------------
cL_results <- do.call(
  "rbind",
  lapply(sort(unique(clusters)), function(cl) {
    cells_in_cl <- names(clusters)[clusters == cl]
    # Suma por tipo celular sobre las celdas/spots del cluster
    es.max.cl <- sort(rowSums(es.max[, cells_in_cl, drop = FALSE]), decreasing = TRUE)
    head(
      data.frame(
        cluster = cl,
        type    = names(es.max.cl),
        scores  = as.numeric(es.max.cl),
        ncells  = length(cells_in_cl),
        stringsAsFactors = FALSE
      ),
      10
    )
  })
)

sctype_scores <- cL_results %>%
  group_by(cluster) %>%
  slice_max(order_by = scores, n = 1, with_ties = FALSE) %>%
  ungroup()

# Regla de baja confianza del tutorial:
# si score < ncells/4 => Unknown
sctype_scores$type[as.numeric(sctype_scores$scores) < (sctype_scores$ncells / 4)] <- "Unknown"

#------------------------------------------------------------
# 10) Escribir anotación en metadata (por spot)
#------------------------------------------------------------
visium$sctype_classification <- NA_character_
for (cl in sctype_scores$cluster) {
  cl_type <- sctype_scores$type[sctype_scores$cluster == cl][1]
  visium$sctype_classification[clusters == cl] <- cl_type
}
visium$sctype_classification <- factor(visium$sctype_classification)

#------------------------------------------------------------
# 11) Outputs: tablas + objeto + plots
#------------------------------------------------------------
# Guardar tablas
write.xlsx(
  list(
    top1_per_cluster = as.data.frame(sctype_scores),
    top10_per_cluster = as.data.frame(cL_results)
  ),
  file = file.path(dir_sample_out, paste0(sample_in_bins, "_IMMUNE_SCType_scores.xlsx"))
)

# Guardar objeto (bundle intermedio)
bundle_sctype <- list(
  visium = visium,
  sctype = list(
    tissue = tissue,
    db_path = db_path,
    assay_use = assay_use,
    cluster_col = cluster_col,
    sctype_scores = sctype_scores,
    top10 = cL_results
  ),
  config = config
)
saveRDS(bundle_sctype, file.path(dir_bundle_out, paste0(sample_in_bins, "_IMMUNE_bundle_sctype.rds")))

# Plots (si tienes imágenes/UMAP ya calculados)
p_umap <- DimPlot(visium, group.by = "sctype_classification", label = TRUE, repel = TRUE) +
  ggplot2::ggtitle(paste0(sample_in_bins, " - SCType (", tissue, ")"))
ggplot2::ggsave(
  filename = file.path(dir_sample_out, paste0(sample_in_bins, "_IMMUNE_SCType_DimPlot.png")),
  plot = p_umap, width = 9, height = 7, dpi = 200
)

# Spatial plot (si el objeto tiene imagen espacial)
# Nota: para evitar bordes negros en spots, usa stroke = NA (como ya sabes)
p_spatial <- SpatialDimPlot(
  visium,
  group.by       = "sctype_classification",
  pt.size.factor = 4,
  image.alpha    = 0.4,
  stroke         = NA
) + ggplot2::ggtitle(paste0(sample_in_bins, " - SCType (", tissue, ")"))
ggplot2::ggsave(
  filename = file.path(dir_sample_out, paste0(sample_in_bins, "_IMMUNE_SCType_SpatialDimPlot.png")),
  plot = p_spatial, width = 9, height = 7, dpi = 200
)
p_spatial_big <- p_spatial +
  guides(
    fill   = guide_legend(override.aes = list(size = legend_size, alpha = 1)),
    colour = guide_legend(override.aes = list(size = legend_size, alpha = 1))
  ) +
  theme(
    legend.key.size = unit(1.2 * legend_mult, "lines")  # hace "la cajita" más grande
  )
legend_size <- 6      # tamaño del punto en la leyenda
legend_mult <- 1.2    # multiplicador del tamaño de la caja
print(p_spatial_big) + theme_void()
# Resumen por consola
print(sctype_scores[, c("cluster","type","scores","ncells")])
message("SCType terminado. Outputs en: ", dir_sample_out)