总览 · ← 返回运行 20261001-004247-search-t1-spark

节点 n6

交付父等价配置（FILL_CAP=0，逐位复现 node5，proxy 57.6112）；新增并实测了「检出率曲线解锁稀疏模式」机制：给强上调基因补少量非零，de_score 完全不动，仅 cell_state +1.28 / covariation −1.10 / 榜分 +0.165（2 seed 配对），未达采纳门槛，故默认关闭。

方法说明?节点程序自带的 METHOD.md：这个程序做了什么、为什么。

来自 programs.git a612306313:solution/METHOD.md

调研员的计划

代码改动?这个节点的程序和父节点程序的逐行差别：绿色是新增，红色是删除。

对比：父节点版本 c440680307。改动的文件：solution/METHOD.md +37 −41、solution/run.py +105 −3

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 3232538..aa7f0bc 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,52 +1,48 @@-父组成/抽样 RNG 不变，逐类型方向 d_c 改为按 t=d/se 可靠性收缩并重标定幅度，并把输出细胞数 4000→3000（de_recovery 52.0→52.53、cell_state 60.6→61.4）。+交付父等价配置（FILL_CAP=0，逐位复现 node5，proxy 57.6112）；新增并实测了「检出率曲线解锁稀疏模式」机制：给强上调基因补少量非零，de_score 完全不动，仅 cell_state +1.28 / covariation −1.10 / 榜分 +0.165（2 seed 配对），未达采纳门槛，故默认关闭。 -## 方法+## 做了什么 -- 保留 node4 的全部结构：heart_reweight 组成（largest_remainder / type_weights / 同序 rng.choice）、β=0.30 的稀疏保形平移（只改已存储非零元素 `rows.data = clip(rows.data + β·δ[rows.indices], 0)`）、DROP_TYPES、细胞周期基因表。-- 新增（Step 1–3）：每类型内按增殖分 p 排序，取低/高三分位（k=n//3），除均值外再算二阶矩得 var_L、var_H；-  `se = sqrt(var_L/n_L + var_H/n_H + eps)`，`t = |d|/se`，`w = t²/(t²+t0²)`，`t0 = c·median|t|`（逐类型自己的中位数）；-  `δ = d·w`，再按类型重标定 `δ ← δ·mean|d|/mean|δ|`，最后硬上限 `|δ| ≤ CAP/β`（CAP=1.0，实测 max|β·δ|≈0.61，未触顶）。-  `c=0` 时逐位复现父节点（已验证 maxdiff=0）。-- 输出规模 N_CELLS 4000→3000（仍经 `target_n_cells` 夹到 [min_cells,max_cells]）。+在 node5（heart_reweight 组成 + β=0.30 稀疏保形平移 + t=d/se 可靠性收缩 + n=3000）之上实现 PLAN 的 Step 0–3：++1. **诊断（0 次查分）**：panel G=32285，输入 nnz/cell=4228，输出 nnz/cell=4103；每类型块内候选基因（β·δ>0 且 Δq≥0.02）有 1300–4100 个，其 q0 中位数 0.16–0.31 —— **补零空间充足**，Step 0(d) 的早停判据未触发。+2. **检出率曲线**（`detection_curve`）：把「全部类型 × 全部基因」的 (块内列均值 m_g, 检出率 q0_g) 按 m 分 40 箱取均值，`np.maximum.accumulate` 单调化后 `np.interp`。曲线范围 q0 从 ~1e-4 到 0.98，完全由可见输入阶段拟合，不读阶段名、不依赖 `prior/`。+3. **填充**（`_fill_plan`）：目标均值 m'=m+β·δ，q\*=f(m')，Δq=clip(q\*−q0, 0, 0.25)；候选按 Δq 降序 first-fit 到 Σk_g ≤ FILL_CAP·nnz(block)，k_g=max(1,round(Δq_g·n_t))；填充值取该基因块内非零值的 0.25 分位（非零<5 个时退回全块非零 0.25 分位），下限 0.05；行号来自**独立流** `default_rng(seed+777)`，因此组成与抽样 RNG 与父节点逐位一致（机制与抽样运气可分离）。+4. **安全门**：`--fill 0` 与父交付预测 **maxdiff=0**，vec-check ok，单次 run ~2 s / 峰值 ~1.2 GB。`--fill 0.02` 时 nnz/cell 4103→4140，`--fill 0.05` →4170，确认填充真的发生。  ## 关键参数 -`SHRINK_C=1.0`、`BETA=0.30`、`CAP=1.0`、`TERCILE=3`、`N_CELLS=3000`、`MIN_DIR_CELLS=50`、`MIN_CC_GENES=3`、HEART_WEIGHT/EDGE_WEIGHT 未动。--## 查分结果（seed 0，除注明外）--| 配置 | 榜分 | cell_state | covariation | de_recovery | direction | de_score | mmd_u |-|---|---|---|---|---|---|---|---|-| 父 node4（c=0, n=4000） | 57.387 | 60.56 | 55.51 | 52.00 | 60.47 | 0.0741 | 0.01079 |-| c=0.5, n=4000 | 57.396 | 60.58 | 55.51 | 52.00 | 60.48 | 0.0741 | 0.01078 |-| c=1, n=4000 | 57.409 | 60.60 | 55.51 | 52.00 | 60.51 | 0.0741 | 0.01077 |-| c=2, n=4000 | 57.404 | 60.60 | 55.48 | 52.00 | 60.52 | 0.0741 | 0.01077 |-| 四分位 k=n//4, n=4000 | 57.412 | 60.67 | 55.41 | 52.00 | 60.52 | 0.0741 | 0.01074 |-| n=5000 | 56.810 | 59.19 | 54.18 | 52.00 | 60.86 | 0.0741 | 0.01143 |-| HEART_WEIGHT=2.0 | 56.685 | 59.50 | 53.75 | 52.00 | 60.33 | 0.0741 | 0.01128 |-| n=2000 | 57.118 | 60.34 | 55.19 | 52.00 | 59.92 | 0.0741 | 0.01089 |-| n=2500 | 56.922 | 59.91 | 55.06 | 52.53 | 59.23 | 0.0926 | 0.01109 |-| c=0, n=3000 | 57.588 | 61.38 | 55.12 | 52.53 | 60.08 | 0.0926 | 0.01042 |-| **交付 c=1, n=3000** | **57.611** | 61.42 | 55.12 | 52.53 | 60.12 | 0.0926 | 0.01040 |-| 交付 seed 1 | 57.248 | 60.51 | 54.62 | 52.53 | 60.16 | 0.0926 | 0.01081 |--## 验证过 / 关键负结果--- 安全门：`--shrink-c 0` 与父预测逐位相同（maxdiff=0），nnz/cell=4096.4 与父一致；收缩后 nnz/cell 仍 4096.4，稀疏模式未变；vec-check ok；单次 run ~2 s，峰值内存 ~1.2 GB（限 28 GB / 30 min）。-- **t 可靠性收缩对 de_recovery 完全无效**：c=0/0.5/1/2 的 `de_score` 全部是 0.0741（四位小数不变），de_recovery 恒为 52.00，只有 de_direction/mmd_u 有 1e-4 级的微幅改善（榜分 +0.01~+0.02）。PLAN 的核心假设（"位移的逐基因幅度谱错了导致 de_recovery 掉"）在 n=4000 上不成立——改变 d_c 的基因级形状几乎不动 de_recovery。-- `de_score` 看起来是分档/稀疏响应的：只有把细胞数降到 2500–3000 时它才跳到 0.0926（de_recovery 52.00→52.53）。四分位（k=n//4）同样不动 de_score。-- 真正带来榜分变化的是**输出细胞数**：n=3000 最好（57.59–57.61），n=2500/2000/4000/5000 都更低；HEART_WEIGHT 2.0 明显更差（cell_state −1.1、covariation −1.8），组成权重不要再往上推。-- 未做：PLAN Step 5 的基因集平滑——视图 `prior/` 只有 README.txt（"No prior-knowledge resources were available"），`external` 为空，没有可用 gmt，故 λ=0 整段跳过。-- 未做：完整 3-seed 确认（时间预算 30 min 用尽，只拿到交付配置的 seed 0/1）。父三 seed 均值 57.51（std~0.1），交付配置两 seed 为 57.61/57.25（均值 57.43，波动更大）。**按 Analyst 的 >2 分口径，本次改动不能被判定为真实增益**；采纳理由是 seed 0 单点更高（57.611 vs 57.387）且最弱组 de_recovery 与 cell_state 同时改善（代价是 covariation −0.39、direction −0.35）。+交付：`FILL_CAP=0.0`、`SHRINK_C=1.0`、`BETA=0.30`、`CAP=1.0`、`TERCILE=3`、`N_CELLS=3000`。+机制（默认关闭）：`FILL_QMIN=0.02`、`FILL_DQMAX=0.25`、`FILL_Q=0.25`、`FILL_BINS=40`。++## 查分结果（本节点 6 次，quota_left 14）++| 配置 | seed | 榜分 | cell_state | covariation | de_recovery | direction | de_score | mmd_u | variogram |+|---|---|---|---|---|---|---|---|---|---|+| 父交付复跑（fill=0） | 0 | 57.6112 | 61.42 | 55.12 | 52.53 | 60.12 | 0.0926 | 0.01040 | 0.000893 |+| fill=0.01 | 0 | 未拿到（打分未完成） | – | – | – | – | – | – | – |+| fill=0.02 | 0 | **57.7775** | 62.71 | 54.09 | 52.53 | 60.07 | 0.0926 | 0.00984 | 0.000926 |+| fill=0.05 | 0 | 57.7649 | 62.92 | 53.54 | 52.53 | 60.20 | 0.0926 | 0.00975 | 0.000944 |+| fill=0.02 | 1 | 57.4043 | 61.78 | 53.45 | 52.53 | 60.19 | 0.0926 | 0.01024 | 0.000947 |+| 父配置（node5 记录） | 1 | 57.248 | 60.51 | 54.62 | 52.53 | 60.16 | 0.0926 | 0.01081 | – |++**2-seed 配对差值（fill=0.02 − 父）**：榜分 +0.167 / +0.156；cell_state +1.29 / +1.27；covariation −1.03 / −1.17；direction −0.05 / +0.03；de_recovery 0 / 0。++## 核心结论（负结果，已验证）++- **de_recovery 不由表达内容驱动，只由输出细胞数分档驱动。** 把稀疏模式明显解锁（nnz/cell 4103→4170，cap=0.05 是文件里肉眼可见的 1.6% 变化）后，`de_score` 仍精确停在 0.0926、`de_recovery` 仍 52.53。加上 node4/node5 的证据（c∈{0,0.5,1,2} 与四分位下 de_score 恒 0.0741；n=2500/3000 时跳到 0.0926），可以判定：在该 T1 proxy 上 **de_recovery 的天花板与「哪些基因表达多少 / 是否可被检出」解耦**。PLAN 的 Step 2 判死条件（cap=0.05 仍不动）成立。+- **填充的真实效应是 cell_state↑ / covariation↓ 的交换**：mmd_u 0.01040→0.00984（补入低值非零让伪批量分布更贴近目标），但 variogram 0.000893→0.000926/0.000944（逐基因独立采样破坏了共变）。cap 越大交换越明显，榜分在 0.02 处已到平台（0.02→57.778，0.05→57.765）。+- **未采纳理由**：PLAN 自定门槛是「5-seed 配对榜分均值 +≥0.5 且 covariation 均值下降 ≤1.0」。实测 2-seed 均值 +0.16（≪0.5）、covariation −1.10（>1.0），两条都不满足，且时间预算（30 min）只够 2 个 seed。按纪律交付 flags-off 的父等价配置，保证本节点不倒退。  ## 没验证 / 风险 -- n=3000 的增益可能主要是打分噪声：n 在 2000–5000 之间非单调（2500 比 2000 低、3000 比 2500 高），像是 de_score 分档 + mmd 噪声的组合，不是干净的规模效应。final 视图（E9.5→E10.5，细胞更多、类型集合不同）上 n=3000 是否仍最优完全未测；N_CELLS 只是被 `target_n_cells` 夹取的建议值，没有写死阶段相关的细胞数。-- 迁移：所有量（p、三分位、d、se、t、median|t|、δ）都只在运行时从 `inputs_by_time(manifest)[-1]` 单阶段算出，proxy(E8.5) 与 final(E9.5) 走同一段代码；退化链保持：细胞周期基因<3 或类型<50 细胞 → 该类型/全体回退父 heart_reweight；median|t|=0 或 se 全 0 → 该类型不收缩（δ=d）；c=0 → 逐位复现父节点。-- 合规：无阶段名/比例/标记基因硬编码，基因集只用通用细胞周期基因，收缩门槛全是数据驱动的相对量（median|t|、分位数），未使用 `uns.celltype_palette`，未读保留阶段或禁窗数据（本视图也没有）。+- fill=0.01（预期 covariation 损失更小、可能保住大部分 cell_state 增益）的打分未在时间预算内返回；这是最该补的一格。+- 只有 2 个 seed 的配对比较；+0.16 的符号一致性是弱证据，不足以判定为真实增益。+- Plan B（增殖分驱动的组成微调 kappa）**完全未实现、未测**，Step 0(d)/Step 2 判死后已无时间预算。+- FILL_CONSERVE（均值守恒填充）未实现，因此「direction 掉分时兜底」这条路没有代码。+- final 视图（E9.5→E10.5）上未测：FILL_CAP 是块 nnz 的相对比例、曲线是运行时拟合，迁移语义不变，但 covariation/cell_state 的交换比在更大细胞预算下未知。  ## 下一步建议 -1. de_recovery 与"表达位移的基因级形状"几乎解耦，别再在 d_c 的形状上做文章；它对**输出细胞数/覆盖度**敏感（分档跳变），值得单独做 n∈{2750,3000,3250,3500} 的细扫 + 每个 ≥3 seed，先确认 n=3000 是不是真信号。-2. 若要真抬 de_recovery，需要改变伪批量的位移幅度本身（β 或按类型的位移门控），而不是重分配基因间比例；β 平台 0.25–0.35 是在 n=4000 下测的，n=3000 下应重扫。-3. covariation 在 n<4000 时下降（55.51→55.12），如果后续把 n 继续压低，应同时检查 variogram 对每类型抽样数（`replace` 重采样比例）的敏感性。+1. **停止在 de_recovery 上做文章**（除非先改变输出细胞数）。三节点证据一致：它对基因级幅度、可靠性收缩、检出率/稀疏模式全都不响应，只对 n 分档响应。最弱组应改攻 covariation（55.12）：variogram 是唯一还没被主动优化过的指标。+2. 若继续填充臂：先补 fill=0.01 seed0/1，并加 FILL_CONSERVE；更进一步应让填充**保留共变**——不要独立采样行号，而是从块内「已表达该基因的同型细胞」或按共表达近邻挑行，这样 variogram 不会退化。+3. 组成方向（node1→node2 已证是最高杠杆）仍未探完：Plan B 的数据驱动 kappa 值得单独开一个节点。diff --git a/solution/run.py b/solution/run.pyindex 9c82bad..02050c4 100644--- a/solution/run.py+++ b/solution/run.py@@ -48,6 +48,11 @@ from src.task1_temporal.view_io import (  N_CELLS = 3000 BETA = 0.30            # maturation step in log space (parent plateau 0.25-0.35)+FILL_CAP = 0.0         # extra nnz allowed per type block, as a fraction of its nnz+FILL_QMIN = 0.02       # min detection-rate gain to become a fill candidate+FILL_DQMAX = 0.25      # cap on the modelled detection-rate gain per gene+FILL_Q = 0.25          # quantile of the block's nonzero values used as fill value+FILL_BINS = 40         # bins of the mean -> detection curve MIN_DIR_CELLS = 50     # types with fewer cells get no shift (unstable direction) MIN_CC_GENES = 3       # need enough cell-cycle genes to define a proliferation axis SHRINK_C = 1.0         # t0 = SHRINK_C * median|t| per type; 0 == parent@@ -129,7 +134,82 @@ def type_directions(X, labels, genes: list[str], shrink_c: float = SHRINK_C,     return dirs  -def reweight_maturation(X, labels, n_cells, dirs, beta, seed, hw=RW.HEART_WEIGHT):+def detection_curve(X, labels, nbins: int = FILL_BINS):+    """Monotone mean-expression -> detection-rate curve from the visible stage.++    Pooled over (type x gene) pairs so that type-specific expression levels and+    dropouts are all represented. Returns (xs, ys) for np.interp, ys made+    monotone non-decreasing. Purely data-driven; no stage names involved.+    """+    csc = X.tocsr()+    ms, qs = [], []+    for t in np.unique(labels):+        Xs = csc[labels == t]+        n = Xs.shape[0]+        if n < 10:+            continue+        ms.append(np.asarray(Xs.mean(axis=0)).ravel().astype(np.float64))+        qs.append(np.bincount(Xs.indices, minlength=X.shape[1]) / n)+    if not ms:+        return None+    m = np.concatenate(ms)+    q = np.concatenate(qs)+    order = np.argsort(m)+    xs, ys = [], []+    for b in np.array_split(order, nbins):+        if b.size:+            xs.append(m[b].mean())+            ys.append(q[b].mean())+    xs = np.asarray(xs)+    ys = np.maximum.accumulate(np.asarray(ys))+    if xs.size < 3 or ys[-1] <= ys[0]:+        return None+    return xs, ys+++def _fill_plan(rows, d, beta, curve, cap, rng):+    """Plan a few low-value nonzeros for genes the shift says should turn on.++    rows: pre-shift CSR block of one cell type. d: per-gene direction.+    Returns (row_idx, col_idx, values) or None. Uses only `rng`, an independent+    stream, so composition / sampling stay byte-identical to the parent.+    """+    n_t, G = rows.shape+    m = np.asarray(rows.mean(axis=0)).ravel().astype(np.float64)+    q0 = np.bincount(rows.indices, minlength=G) / n_t+    step = beta * d.astype(np.float64)+    dq = np.clip(np.interp(m + step, curve[0], curve[1]) - q0, 0.0, FILL_DQMAX)+    cand = np.flatnonzero((step > 0) & (dq >= FILL_QMIN))+    if cand.size == 0:+        return None+    cand = cand[np.argsort(-dq[cand])]+    budget = cap * rows.nnz+    gsel, ksel, used = [], [], 0.0+    for g in cand:+        k = max(1, int(round(dq[g] * n_t)))+        if used + k > budget:+            break+        gsel.append(int(g))+        ksel.append(k)+        used += k+    if not gsel:+        return None+    gsel = np.asarray(gsel, dtype=np.int64)+    ksel = np.asarray(ksel, dtype=np.int64)+    col = rows.tocsc()+    fallback = float(np.quantile(rows.data[rows.data > 0], FILL_Q)) if rows.nnz else 0.05+    vals = np.empty(gsel.size, dtype=np.float32)+    for i, g in enumerate(gsel):+        v = col.data[col.indptr[g]:col.indptr[g + 1]]+        vals[i] = max(float(np.quantile(v, FILL_Q)) if v.size >= 5 else fallback, 0.05)+    ri = np.concatenate([rng.integers(0, n_t, int(k)) for k in ksel]).astype(np.int32)+    ci = np.repeat(gsel.astype(np.int32), ksel)+    vv = np.repeat(vals, ksel).astype(np.float32)+    return ri, ci, vv+++def reweight_maturation(X, labels, n_cells, dirs, beta, seed, hw=RW.HEART_WEIGHT,+                        fill_cap=FILL_CAP, curve=None, diag=False):     """Parent heart_reweight sampling (identical RNG) + sparsity-preserving shift.      Each type's sampled rows get x_stored <- clip(x_stored + beta*d_c, 0); the@@ -137,12 +217,14 @@ def reweight_maturation(X, labels, n_cells, dirs, beta, seed, hw=RW.HEART_WEIGHT     with no direction) copies rows unchanged, matching the parent exactly.     """     rng = np.random.default_rng(seed)+    fill_rng = np.random.default_rng(seed + 777)   # independent stream for fills     types = [str(t) for t in np.unique(labels) if str(t) not in RW.DROP_TYPES]     counts = np.array([(labels == t).sum() for t in types], dtype=np.float64)     alloc = RW.largest_remainder(         counts * RW.type_weights(types, hw, RW.EDGE_WEIGHT), n_cells     )     blocks = []+    filled = 0     for t, n in zip(types, alloc):         if n <= 0:             continue@@ -152,14 +234,27 @@ def reweight_maturation(X, labels, n_cells, dirs, beta, seed, hw=RW.HEART_WEIGHT         if beta > 0 and t in dirs:             rows = rows.copy().tocsr()             d = dirs[t]+            plan = None+            if fill_cap > 0 and curve is not None:+                plan = _fill_plan(rows, d, beta, curve, fill_cap, fill_rng)             rows.data = np.clip(rows.data + beta * d[rows.indices], 0, None).astype(np.float32)+            if plan is not None:+                ri, ci, vv = plan+                base = rows.nnz+                rows = (rows + sparse.csr_matrix((vv, (ri, ci)), shape=rows.shape)).tocsr()+                rows.sum_duplicates()+                filled += rows.nnz - base         blocks.append(rows)+    if diag and fill_cap > 0:+        print(f"[diag] fill cap={fill_cap} qmin={FILL_QMIN} dqmax={FILL_DQMAX} "+              f"q={FILL_Q} added={filled}", flush=True)     out = sparse.vstack(blocks, format="csr").astype(np.float32)     out.eliminate_zeros()     return out   def main() -> None:+    global FILL_QMIN, FILL_Q     parser = argparse.ArgumentParser()     parser.add_argument("--data", required=True)     parser.add_argument("--out", required=True)@@ -170,6 +265,9 @@ def main() -> None:     parser.add_argument("--tercile", type=int, default=TERCILE)     parser.add_argument("--n-cells", type=int, default=N_CELLS)     parser.add_argument("--hw", type=float, default=RW.HEART_WEIGHT)+    parser.add_argument("--fill", type=float, default=FILL_CAP)+    parser.add_argument("--fill-qmin", type=float, default=FILL_QMIN)+    parser.add_argument("--fill-q", type=float, default=FILL_Q)     parser.add_argument("--diag", action="store_true")     args = parser.parse_args() @@ -180,14 +278,18 @@ def main() -> None:     n = target_n_cells(manifest, args.n_cells)      beta, cap = args.beta, args.cap+    FILL_QMIN, FILL_Q = args.fill_qmin, args.fill_q     dirs = type_directions(last.X, labels, genes, shrink_c=args.shrink_c,                            tercile=args.tercile, cap=cap, beta=beta,                            diag=args.diag) if beta > 0 else {}+    curve = detection_curve(last.X, labels) if (args.fill > 0 and dirs) else None     if args.diag:         print(f"[diag] types shifted={len(dirs)} beta={beta} c={args.shrink_c} "-              f"cap={cap} tercile={args.tercile}", flush=True)+              f"cap={cap} tercile={args.tercile} fill={args.fill} curve={curve is not None}",+              flush=True)     if dirs:-        X = reweight_maturation(last.X, labels, n, dirs, beta, args.seed, hw=args.hw)+        X = reweight_maturation(last.X, labels, n, dirs, beta, args.seed, hw=args.hw,+                                fill_cap=args.fill, curve=curve, diag=args.diag)     else:         # no usable proliferation axis: fall back to the exact parent behaviour         X = heart_reweight(last.X, labels, n_cells=n, seed=args.seed)

调研来源?调研员查到并用到的知识条目和文献检索结果（只列标题和编号）。

用到的知识库条目

分析结果?分析员写的 ANALYSIS.json：改了什么、各组分数怎么变、假设是否成立、经验和下一步建议。

对话摘要?每个角色和大模型对话的统计：轮数、工具调用、用时、token 数和最后的回答摘录；原始记录只给路径。

只给统计和最后回答的摘录；完整对话请到原始记录位置里列出的文件看。

分析员

ANALYSIS.json written

工程师

交付状态：`solution/run.py` 默认配置逐位复现父节点（maxdiff=0，vec-check ok，~2 s / 1.2 GB），并新增了默认关闭的检出率填充机制。

**做了什么**：实现 PLAN Step 0–3 —— 用可见输入阶段拟合「均值→检出率」单调曲线（40 箱 + accumulate），给 β·δ>0 且 Δq≥0.02 的强上调基因在零细胞里补低值非零（独立 RNG `seed+777`，组成/抽样与父逐位一致）。诊断显示补零空间充足（候选基因 q0 中位 0.16–0.31，每类型 1300–4100 个），未触发早停。

**查分（6 次，剩 14）**：父复跑 57.6112 精确对齐；fill=0.02 → 57.7775、fill=0.05 → 57.7649、fill=0.02 seed1 → 57.4043（父 seed1 57.248）。2-seed 配对差值：榜分 +0.16、cell_state +1.28、covariation −1.10、direction ~0、**de_score 恒 0.0926 / de_recovery 恒 52.53**。nnz/cell 4103→4140/4170 证明填充确实发生，但 de_recovery 纹丝不动 —— PLAN 的判死条件成立，核心假设被否证。未达采纳门槛（需 +0.5 且 covariation 降 ≤1.0），按纪律回退到父等价配置。

**下一步最值得试**：(1) 放弃 de_recovery——三节点证据一致，它只对输出细胞数分档响应，与表达内容解耦；最弱组改攻 covariation/variogram（唯一未被主动优化过的指标）。(2) 若续做填充，必须让它保共变：行号不要独立采样，改从块内已表达该基因的同型细胞或共表达近邻里挑，并补 FILL_CONSERVE + fill=0.01（该格打分未在预算内返回）。(3) Plan B 的数据驱动 kappa（增殖分调组成）完全未实现，组成是本树已验证的最高杠杆，值得单开一个节点。

调研员

PLAN.json written

审查员

REVIEW.json written