总览 · ← 返回运行 20261001-114429-search-t1-g18-continue

节点 n11

在 node 8 上加两个独立开关部件：跨阶段 δ 秩投影（两输入视图）与深度残差化增殖分；均未过预注册门槛，默认全关，出货路径与 node 8 逐位一致。

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 2ce1a61a75: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 8936c91c49。改动的文件：solution/METHOD.md +50 −32、solution/README.md +7 −2、solution/delta.py +162 −0、solution/mature.py +22 −4、solution/run.py +34 −11

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 299dc91..16e3fd2 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,49 +1,67 @@-冻结父本类型配额，类内按增殖打分做成熟端加权无放回抽样（θ=0.5，E-S 算法），3-seed 均值 56.06→58.13。+在 node 8 上加两个独立开关部件：跨阶段 δ 秩投影（两输入视图）与深度残差化增殖分；均未过预注册门槛，默认全关，出货路径与 node 8 逐位一致。  ## 方法 -- 类型配额与父节点 2（heart_jcf_peri）逐位一致：复用 `src.task1_temporal.reweight` 的-  `type_weights`（心脏×1.6、边缘×0.25、丢 Neural Tube）+ `largest_remainder`，N=4000。-- 新自由度：**类内选谁**。每细胞成熟分 `m_i = −z_c(cycle_i)`：-  - `cycle_i` = 面板基因全细胞 z 分数后取 `HALLMARK_E2F_TARGETS`（199 基因，prior/msigdb GMT 现场读取）集内均值；-  - 在每个类型内部再 z 化；凋亡项（HALLMARK_APOPTOSIS，161 基因）实测降分，λ=0 出货。-- 类内 Efraimidis–Spirakis 加权无放回抽样：`v_i = exp(clip(θ·m_i, ±log4))`，`key_i = log(u_i)/v_i`，每类取 top n_c。-  单一 `default_rng(seed)`，u_i 按原始行号一次性生成（θ 间配对比较）。θ=0 且 λ=0 时走父本 `heart_reweight` 原路径（逐位复现 55.97）。-- 表达矩阵不做任何修改，输出 100% 真实细胞。+出货配置 = node 8 原样：冻结 heart_jcf_peri 类型配额（心脏×1.6、边缘×0.25、丢 Neural Tube、+largest_remainder、N=4000），类内成熟分 `m_i = −z_c(E2F cycle)`，E-S 加权无放回抽样，θ=0.5、+clip±log4、λ_apopt=0。表达矩阵不修改，输出 100% 真实细胞。+默认参数下输出与 node 8 **逐位一致**（已验证 `max|ΔX|==0`）。 -## 关键参数+本节点新增（默认关，代码保留供后续节点使用）： -θ=0.5（出货），λ_apopt=0，N=4000，clip=±log4。+- **信号 B（`--w-proj`）：跨阶段 δ 秩投影**（`solution/delta.py`）。视图有第二个可用输入阶段时激活+  （proxy2 = Qiu E9.0 心脏，final = 官方 E8.5+E9.5）。每细胞表达在共享基因上转为细胞内百分位秩+  （scipy rankdata，消除跨技术分布差）；δ_c = mean秩(晚期,映射到 c 的细胞) − mean秩(E8.5, c)，去均值；+  p_i = cosine(细胞秩偏差, δ_c) 只在 |δ_c| 前 500 基因上算；m_i = z_c(−cycle) + w·z_c(p_i)。+  Qiu→官方标签映射（发育生物学知识，来源：心脏发育教科书/综述，如 Kelly & Buckingham 2004；+  Qiu 2024 作者标签语义）：First heart field→{LV-CM, AVC-CM, IFT-CM}；Second heart field→{aSHF, pSHF}；+  Endocardial cells→{Endothelium}。两侧各需 ≥30 细胞。+  零查分门控通过：全部 6 型 cos(δ,−E2F) ∈ [+0.11,+0.17] > 0（E9.0 心脏确在退出周期方向），+  max|cos(δ, 随机500基因)| ≤ 0.012 < 0.1（δ 非随机噪声方向）。单输入视图自动 w=0（= node 8 路径）。+- **信号 A（`--resid-depth`）：深度残差化**。cycle 分先对 [1, log1p(伪库大小)] 做类内闭式 OLS 取残差再类内 z。 -## 查分结果（proxy，T1:val）+## 查分结果（本节点，seed 0 除注明外） -| 配置 | seed 0 | seed 1 | seed 2 | 均值 |-|---|---|---|---|---|-| 父本 A0（θ=0） | 55.97 | 56.32 | 55.90 | **56.06** |-| θ=+0.25 | 57.40 | - | - | - |-| θ=+0.5 | 57.89 | 58.34 | 58.16 | **58.13** |-| θ=+0.75 | 57.62 | - | - | - |-| θ=−0.25 | 52.14 | - | - | - |-| θ=+0.5, λ=0.5 | 57.13 | - | - | - |+| 配置 | p1 | p2 | 结论 |+|---|---|---|---|+| node 8 锚点复现 | **57.887** | (=p1) | 环境正确 |+| 信号B w=0.25 | 逐位不变 | 57.72 | de_recovery −0.5 |+| 信号B w=0.5 | 逐位不变 | 57.82 | cell_state +0.4, de_recovery −0.5 |+| 信号B w=1.0 | 逐位不变 | 57.86 | 单调逼近但始终 < 基线 57.89 |+| 信号A 3-seed (p1) | 57.06/57.09/57.55，均值 **57.23** | - | 远低于门槛 57.83，弃用 |+| θ 只施非心脏类（心脏均匀） | 56.33 | - | cell_state 掉到 57.06，弃用 | -θ=+0.5 分组（seed 0）：de_recovery 52.53 / direction 60.75 / cell_state 61.44 / covariation 55.67。-相对 A0：cell_state +4.9、direction +2.2、covariation +1.0、de_recovery −0.5（3-seed 均值口径），-出货门槛（均值 ≥ +2.0 且无组跌 >3.0）满足。+关键负结果：++1. **深度残差化增殖分有害**（3-seed 均值 57.23 vs 58.13）：de_recovery 确实回升（52.71 vs 52.53），+   但 cell_state 大跌（59.5–60.7 vs 61.4）——node 8 的增益有一部分正来自"顺带选了低深度细胞"，+   去掉深度混杂就丢掉了它。与 node 9（3-seed 57.42）互相印证。此路线可关闭。+2. **δ 投影与 E2F 打分冗余**：两者都在选"退出周期/成熟端"细胞（门控 cos(δ,−E2F)>0 本身就说明这点），+   叠加后 cell_state 微升、de_recovery/covariation 微降，总分持平略负。proxy2 上 Qiu E9.0 提供的+   增量信息 ≈ 0。w 网格 {0.25,0.5,1.0} 全部 ≤ 基线，按计划停网格、不做细调（防 proxy2 过拟合）。+3. **θ 的增益主要来自心脏类型**：心脏类改均匀抽样后 56.33，de_recovery 回到 53.06 但 cell_state 掉 4.4。+   印证 node 8 分析——不要为了 de_recovery 牺牲心脏类的成熟端加权。  ## 验证过的 -- A0 逐位复现 55.97（锚点）；ship 配置对 refactor 前后逐位一致；vec-check 通过；运行 ~6 s、内存与父本同量级。-- 符号方向确定：负 θ 大幅降分，正 θ 在 0.25–0.75 区间稳定优于父本，峰值 ≈0.5。-- 深度诊断：corr(cycle, log10 depth)=0.366 < 0.5，未做深度残差化；θ=0.5 输出深度均值仅 −1.6%。-- 方差守卫：随机 3000 基因上，θ=0.5 vs A0 的全基因方差比 1.045，无类内塌缩。-- 单输入阶段（proxy）与两输入（final）走完全相同代码路径（只读 `inputs_by_time[-1]`），θ 可直接迁移。+- 默认参数在 proxy 与 proxy2 上输出均与 node 8 逐位一致（Δ=0），锚点分数复现 57.887。+- 信号 B 全链路在 proxy2 真实数据上跑通：缺失基因处理（covered_mask，27,883/32,285）、秩变换、+  标签映射、门控、投影、加权抽样；运行 ~17 s、内存与父本同量级；vec-check 通过。+- 门控三防线按预注册执行（cos(δ,−E2F)>0 且随机方向 cos<0.1），未过则强制 w=0 的退路在代码里。  ## 没验证的 -- final 视图（E8.5+E9.5，目标 E10.5）上的实际分数；E9.5 类型集更大（21 型），θ=0.5 的幅度是否仍最优未测。-- θ 在 0.5–0.75 之间的细调（有意不做，防 proxy 过拟合）。-- prior GMT 缺失时的退化路径（代码上回退为类内均匀抽样=父本语义，未在真实缺失场景跑过；final 视图 prior 应存在）。+- final 视图（官方 E8.5+E9.5，同数据集、1 天间隔、全类型 δ，秩空间统一路径已实现 mapping=None 分支）+  上的信号 B。proxy2 证据（δ 与 E2F 冗余）预示 final 上大概率同样中性，但 1 天间隔的 δ 更"时间特异"、+  更少周期混杂，不排除 w>0 在 final 有效；出货默认 w=0，未在 final 侧验证。+- 信号 A×B 组合（A 单测已大幅低于门槛，组合无意义，未测）。+- w 在 {0.25,0.5,1.0} 之外的值、θ 细网格（有意不做）。  ## 下一步建议 -在 final 两阶段视图上，可用 E8.5→E9.5 的每类型伪批量差值替代/叠加增殖打分作为 m_i（proxy 无法验证此扩展）；θ 细网格 {0.4,0.5,0.6} × 3 seed。+- δ 投影要产生增益，需要与"成熟端选择"**正交**的信息：建议改为用 δ 修正**类型配额**+  （δ 幅度大的类型按增殖/生长趋势微调权重），而不是类内选细胞；或用 δ 的非周期分量+  （δ 对 E2F 集回归取残差后再投影），去掉与 E2F 的共线部分。+- de_recovery（52.5）与 cell_state（61.4）此消彼长是 θ 路线的结构性上限；要同时提升需改表达矩阵+  （如 δ 伪批量位移的收缩版，官方 48.6 分说明常数位移不行，需逐基因收缩），风险高。+- "深度残差化"和"心脏类均匀抽样"两条已证伪，后续节点勿再试。diff --git a/solution/README.md b/solution/README.mdindex 92fd13c..4c08d87 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,5 +1,10 @@-# heart_jcf_peri + 类内成熟端抽样（node 8）+# heart_jcf_peri + 类内成熟端抽样（node 11 = node 8 出货路径 + 两个默认关的实验部件）  父本类型配额（心脏×1.6 / 边缘×0.25 / 丢 Neural Tube，largest_remainder，4000 细胞）逐位不动； 类内用 prior/msigdb `HALLMARK_E2F_TARGETS` 增殖打分（每类型内 z 化取负）做 Efraimidis–Spirakis-加权无放回抽样，θ=0.5。表达不修改。proxy 3-seed 均值 58.13（父本 56.06）。+加权无放回抽样，θ=0.5。表达不修改。默认参数输出与 node 8 逐位一致（锚点 57.887 已复现）。++新增部件（本节点实测均未过预注册门槛，默认关，详见 METHOD.md）：+- `--w-proj`：跨阶段 δ 秩投影（`delta.py`，两输入视图激活；proxy2 上 w∈{0.25,0.5,1.0} 全部 ≤ 基线，δ 与 E2F 冗余）。+- `--resid-depth`：cycle 分深度残差化（3-seed 均值 57.23 < 58.13，有害，弃用）。+- `--theta-heart-scale`：心脏类 θ 缩放（=0 时 56.33，证明增益来自心脏类，弃用）。diff --git a/solution/delta.py b/solution/delta.pynew file mode 100644index 0000000..bb3b55f--- /dev/null+++ b/solution/delta.py@@ -0,0 +1,162 @@+"""Cross-stage delta projection (signal B).++When the view provides a second (external) input stage closer in time to the+target, build a per-type temporal direction delta_c in within-cell rank space+(robust to cross-technology distribution differences) and project each cell's+rank deviation from its type mean onto it.++delta_c = mean_rank(late stage, cells mapped to c) - mean_rank(official stage, c)++Restricted to genes covered by both datasets. Only heart-lineage types have a+mapping; all other types get delta = 0 and skip the projection term.++Label mapping Qiu2024 -> official E8.5 (developmental-biology knowledge, see+METHOD.md): First heart field -> inflow/AV canal/LV cardiomyocytes;+Second heart field -> aSHF/pSHF; Endocardial cells -> Endothelium.++For the final view (two official stages, same dataset) the same code runs with+both sides official: no missing genes, mapping is identity per type name.+"""++from __future__ import annotations++import sys++import numpy as np+from scipy import sparse+from scipy.stats import rankdata++from src.task1_temporal.view_io import covered_mask, is_external, read_stage++# Qiu 2024 author label -> official E8.5 cell types (heart lineage only).+QIU_MAP = {+    "First heart field": ["LV-CM", "AVC-CM", "IFT-CM"],+    "Second heart field": ["aSHF", "pSHF"],+    "Endocardial cells": ["Endothelium"],+}+MIN_CELLS = 30+TOP_K = 500+++def _within_cell_ranks(Xsub) -> np.ndarray:+    """Per-cell percentile ranks across genes, in [0, 1], float32."""+    dense = np.asarray(Xsub.todense(), dtype=np.float32) if sparse.issparse(Xsub) else np.asarray(Xsub, dtype=np.float32)+    r = rankdata(dense, axis=1, method="average").astype(np.float32)+    r /= r.shape[1]+    return r+++def delta_scores(view, manifest, genes, labels, n_cells, w_proj, seed, verbose=True):+    """Per-cell projection score p_i (0 for unmapped types).++    Returns (p, ok) where ok=False means the gate failed or no usable second+    stage exists -> caller must use w=0.+    """+    p = np.zeros(n_cells, dtype=np.float64)+    entries = manifest["inputs"]+    official = [e for e in entries if not is_external(e)]+    others = [e for e in entries if is_external(e)]+    if not others:+        if len(official) < 2:+            return p, False+        early_e, late_e, mapping = official[0], official[-1], None+    else:+        early_e = sorted(official, key=lambda e: e["time"])[-1]+        late_e = sorted(others, key=lambda e: e["time"])[-1]+        mapping = QIU_MAP++    cov = covered_mask(view, late_e, genes)+    if cov.sum() < 1000:+        return p, False+    gidx = np.flatnonzero(cov)+    gene_idx = {g: i for i, g in enumerate(genes)}++    late = read_stage(view, late_e, genes, missing="zero")+    late_labels = np.array([str(t) for t in late.obs["celltype"]])+    early_labels = np.array([str(t) for t in labels])++    R_late = _within_cell_ranks(late.X[:, gidx])+    R_early = _within_cell_ranks(_subview_X(view, early_e, genes, gidx))++    # per-type mean ranks+    def type_means(R, lab, names):+        out = {}+        for nm in names:+            sel = np.flatnonzero(lab == nm)+            if sel.size >= MIN_CELLS:+                out[nm] = R[sel].mean(axis=0, dtype=np.float64)+        return out++    off_types = sorted(set(early_labels))+    m_early = type_means(R_early, early_labels, off_types)+    if mapping is None:+        m_late = type_means(R_late, late_labels, off_types)+        pairs = {t: t for t in off_types if t in m_late and t in m_early}+    else:+        m_late = type_means(R_late, late_labels, list(mapping))+        pairs = {}+        for qname, onames in mapping.items():+            if qname not in m_late:+                continue+            for on in onames:+                if on in m_early:+                    pairs[on] = qname++    deltas = {}+    for on, qn in pairs.items():+        d = m_late[qn] - m_early[on]+        d = d - d.mean()+        deltas[on] = d++    if not deltas:+        return p, False++    # --- zero-query gate ---+    from mature import _gmt_path, _read_gmt, PROLIF_SET+    ok = True+    gmt_file = _gmt_path(view, manifest)+    e2f_on_G = None+    if gmt_file is not None:+        gmt = _read_gmt(gmt_file)+        if PROLIF_SET in gmt:+            sub_genes = [genes[i] for i in gidx]+            sub_idx = {g: i for i, g in enumerate(sub_genes)}+            e2f_on_G = np.array([sub_idx[g] for g in gmt[PROLIF_SET] if g in sub_idx])+    rng = np.random.default_rng(seed)+    rand_sets = [rng.choice(len(gidx), size=500, replace=False) for _ in range(5)]+    for on, d in deltas.items():+        nd = np.linalg.norm(d)+        if nd < 1e-12:+            ok = False+        cos_rand = max(abs(float(d[rs].sum()) / (nd * np.sqrt(rs.size) + 1e-12)) for rs in rand_sets) if nd > 0 else 0.0+        if e2f_on_G is not None and e2f_on_G.size:+            e_vec = np.zeros(len(gidx)); e_vec[e2f_on_G] = 1.0+            cos_e2f = float(d @ (-e_vec) / (nd * np.linalg.norm(e_vec)))+        else:+            cos_e2f = float("nan")+        if verbose:+            print(f"[delta] type={on} late={pairs[on]} |d|={nd:.4f} cos(d,-E2F)={cos_e2f:+.3f} max|cos(d,rand500)|={cos_rand:.3f}", file=sys.stderr)+        if not (cos_e2f > 0) or cos_rand >= 0.1:+            ok = False+    if not ok:+        if verbose:+            print("[delta] GATE FAILED -> w forced to 0", file=sys.stderr)+        return p, False++    # --- per-cell projection ---+    for on, d in deltas.items():+        top = np.argsort(-np.abs(d))[:TOP_K]+        dv = d[top]+        dn = np.linalg.norm(dv)+        sel = np.flatnonzero(early_labels == on)+        r = R_early[sel][:, top].astype(np.float64) - m_early[on][top]+        rn = np.linalg.norm(r, axis=1)+        proj = (r @ dv) / np.maximum(rn * dn, 1e-12)+        p[sel] = proj+    del R_late, R_early+    return p, True+++def _subview_X(view, entry, genes, gidx):+    a = read_stage(view, entry, genes, missing="zero") if is_external(entry) else read_stage(view, entry, genes)+    return a.X[:, gidx]diff --git a/solution/mature.py b/solution/mature.pyindex a1ab620..2ab4a5f 100644--- a/solution/mature.py+++ b/solution/mature.py@@ -19,7 +19,7 @@ from pathlib import Path import numpy as np from scipy import sparse -from src.task1_temporal.reweight import DROP_TYPES, largest_remainder, type_weights+from src.task1_temporal.reweight import DROP_TYPES, HEART_TYPES, largest_remainder, type_weights  CLIP = np.log(4.0) PROLIF_SET = "HALLMARK_E2F_TARGETS"@@ -92,7 +92,10 @@ def set_scores(X, genes: list[str], view, manifest: dict, lam_apopt: float, def mature_reweight_full(X, labels: np.ndarray, genes: list[str], view,                          manifest: dict, n_cells: int, seed: int, theta: float,                          lam_apopt: float = 0.0, heart_weight: float = 1.6,-                         edge_weight: float = 0.25, verbose: bool = True):+                         edge_weight: float = 0.25, verbose: bool = True,+                         extra_score: np.ndarray | None = None,+                         w_proj: float = 0.0, resid_depth: bool = False,+                         heart_theta_scale: float = 1.0):     cycle, apopt = set_scores(X, genes, view, manifest, lam_apopt, verbose)      types = [str(t) for t in np.unique(labels) if str(t) not in DROP_TYPES]@@ -100,6 +103,11 @@ def mature_reweight_full(X, labels: np.ndarray, genes: list[str], view,     alloc = largest_remainder(counts * type_weights(types, heart_weight, edge_weight),                               n_cells) +    depth = None+    if resid_depth:+        lib = np.asarray(X.sum(axis=1)).ravel()+        depth = np.log1p(np.maximum(np.asarray(lib, dtype=np.float64), 0.0))+     # maturity score, z-normalised within each type     m = np.zeros(X.shape[0], dtype=np.float64)     pools = {}@@ -112,10 +120,19 @@ def mature_reweight_full(X, labels: np.ndarray, genes: list[str], view,             if w == 0.0:                 continue             sc = s[idx]+            if w == -1.0 and resid_depth and idx.size >= 8:+                A = np.column_stack([np.ones(idx.size), depth[idx]])+                beta, *_ = np.linalg.lstsq(A, sc, rcond=None)+                sc = sc - A @ beta             sd = sc.std()             if sd < 1e-12:                 continue             m[idx] += w * (sc - sc.mean()) / sd+        if w_proj != 0.0 and extra_score is not None:+            sc = extra_score[idx]+            sd = sc.std()+            if sd >= 1e-12:+                m[idx] += w_proj * (sc - sc.mean()) / sd      # paired uniforms: one draw per input cell, shared across all theta     rng = np.random.default_rng(seed)@@ -135,10 +152,11 @@ def mature_reweight_full(X, labels: np.ndarray, genes: list[str], view,             choice = rng.choice(pool, size=n, replace=True)             blocks.append(X[choice])             continue-        if theta == 0.0:+        if theta == 0.0 or (t in HEART_TYPES and heart_theta_scale == 0.0):             v = np.ones(pool.size)         else:-            v = np.exp(np.clip(theta * m[pool], -CLIP, CLIP))+            th = theta * (heart_theta_scale if t in HEART_TYPES else 1.0)+            v = np.exp(np.clip(th * m[pool], -CLIP, CLIP))         key = np.log(u[pool]) / v         pick = pool[np.argsort(-key)[:n]]         blocks.append(X[np.sort(pick)])diff --git a/solution/run.py b/solution/run.pyindex 83ba1b5..a41ff03 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,19 +1,29 @@ #!/usr/bin/env python3-"""heart_jcf_peri quotas + within-type mature-end resampling (node 8).+"""heart_jcf_peri quotas + within-type mature-end resampling (node 11).  Type quotas are bit-for-bit the parent's (heart x1.6, edge x0.25, drop Neural Tube, largest_remainder). Inside each type, cells are drawn by Efraimidis-Spirakis weighted sampling without replacement with weights-v_i = exp(clip(theta * m_i, +-log4)), where m_i = -z_c(E2F-proliferation score)-(- lam * z_c(apoptosis score)) is z-normalised within the type. Gene sets come-from the view's prior/msigdb hallmark GMT; no expression is modified.-theta = 0 (and lam = 0) falls back to the parent's heart_reweight exactly.-Same code path for 1-input (proxy) and 2-input (final) views.+v_i = exp(clip(theta * m_i, +-log4)).++m_i = -z_c(cycle_i) + w * z_c(p_i), where:+  - cycle_i: E2F-proliferation set score (prior/msigdb hallmark GMT);+    with --resid-depth it is first residualised within type on+    [1, log1p(pseudo-lib-size)] (signal A, default off -> node 8 path).+  - p_i: cosine projection of the cell's within-cell-rank deviation from its+    type mean onto a cross-stage direction delta_c (signal B), active only+    when the view has a second usable input stage (proxy2: Qiu E9.0 heart;+    final: official E8.5 + E9.5). w=0 or gate failure -> node 8 exactly.++Gene sets come from the view's prior/; no expression is modified.+theta = 0, lam = 0 and w = 0 falls back to the parent's heart_reweight. """  from __future__ import annotations  import argparse+import os+import sys  from src.task1_temporal.reweight import heart_reweight from src.task1_temporal.view_io import (@@ -29,6 +39,7 @@ from src.task1_temporal.view_io import ( N_CELLS = 4000 SHIP_THETA = 0.5 SHIP_LAM = 0.0+SHIP_W = 0.0   def main() -> None:@@ -38,6 +49,9 @@ def main() -> None:     parser.add_argument("--seed", type=int, default=0)     parser.add_argument("--theta", type=float, default=SHIP_THETA)     parser.add_argument("--lam", type=float, default=SHIP_LAM)+    parser.add_argument("--w-proj", type=float, default=SHIP_W)+    parser.add_argument("--resid-depth", action="store_true")+    parser.add_argument("--theta-heart-scale", type=float, default=1.0)     args = parser.parse_args()      manifest = load_manifest(args.data)@@ -45,18 +59,27 @@ def main() -> None:     last = read_stage(args.data, inputs_by_time(manifest)[-1], genes)     n = target_n_cells(manifest, N_CELLS)     labels = labels_of(last)-    if args.theta == 0.0 and args.lam == 0.0:+    if args.theta == 0.0 and args.lam == 0.0 and args.w_proj == 0.0 and not args.resid_depth:         X = heart_reweight(last.X, labels, n_cells=n, seed=args.seed)     else:-        import os-        import sys-         sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))         from mature import mature_reweight_full +        extra, ok = None, False+        if args.w_proj != 0.0:+            from delta import delta_scores++            extra, ok = delta_scores(args.data, manifest, genes, labels,+                                     last.X.shape[0], args.w_proj, args.seed)+            if not ok:+                print("[run] delta gate failed / no second stage -> w=0", file=sys.stderr)         X = mature_reweight_full(last.X, labels, genes, args.data, manifest,                                  n_cells=n, seed=args.seed, theta=args.theta,-                                 lam_apopt=args.lam)+                                 lam_apopt=args.lam,+                                 extra_score=extra if ok else None,+                                 w_proj=args.w_proj if ok else 0.0,+                                 resid_depth=args.resid_depth,+                                 heart_theta_scale=args.theta_heart_scale)     write_prediction(X, genes, args.out, 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

**做了什么**：在 node 8 上实现两个独立开关部件——信号 B（跨阶段 δ 秩投影，`delta.py`，proxy2 的 Qiu E9.0 → 心脏 6 型 δ，零查分门控全过：cos(δ,−E2F)≈+0.13、随机方向 cos<0.012）和信号 A（cycle 分深度残差化）。

**查分结果**（8/20 次额度）：锚点复现 57.887 ✓。信号 B：p2 w=0.25→57.72、w=0.5→57.82、w=1.0→57.86，全部 ≤ 基线 57.89（δ 与 E2F 打分冗余，cell_state 微升被 de_recovery 微降抵消）；信号 A：3-seed p1 均值 57.23 ≪ 门槛 57.83（残差化去掉深度混杂的同时丢掉了 cell_state 增益）；θ 只施非心脏类：56.33（证明增益核心在心脏类）。三者均按预注册门槛弃用，**出货 = 默认全关，两视图输出与 node 8 逐位一致，vec-check 通过**，预期分维持 58.13。

**下一步最值得试**：(1) δ 需与"成熟端选择"正交才有增益——用 δ 对 E2F 集回归取残差后再投影，或用 δ 修正类型配额而非类内选细胞；(2) final 视图的官方两阶段 δ（1 天间隔、全类型、同技术）已在代码里实现（mapping=None 分支），但 proxy2 证据预示中性，w 默认 0；(3) "深度残差化"与"心脏类均匀抽样"已证伪，后续勿再试。

调研员

e 8在proxy与proxy2上分数逐位相同（57.89/57.89），完全忽略了proxy2额外提供的Qiu E9.0输入；节点分数=0.5·p1+0.5·p2，p1不变的前提下p2每+3即榜分+1.5。node 8的METHOD自己建议用阶段间伪批量差值叠加m_i，本方案把它做成只在≥2输入阶段激活的第二信号，单输入视图逐位退化为node 8。",
  "approach": "在node 8代码基础上加两个可独立开关的部件，表达矩阵不改，输出仍是真实细胞子集，供体阶段仍读inputs_by_time[-1]（与node 8逐位一致；Engineer先在proxy2上打印manifest确认inputs_by_time[-1]解析到官方E8.5而非Qiu，若解析到Qiu则改为显式选官方阶段并在两视图对齐）。【信号A：深度残差化增殖分】(a) 复现锚点：θ=0.5,λ=0,seed0应得57.89（1查分，若不符先修环境）。(b) 新变体A1：cycle分先对[1,log1p(lib_size)]做类内闭式OLS取残差，再类内z（其余同node 8），--resid-depth开关，默认关。用配对seeds{0,1,2}对照node 8已知3-seed（57.89/58.34/58.16，均值58.13），3查分。采用门槛：3-seed均值≥58.13-0.3 且 de_recovery 3-seed均值≥53.0；否则保留node 8原打分。【信号B：跨阶段δ投影（仅≥2输入视图）】(1) 取共享基因G=面板∩Qiu覆盖的27,883基因；两数据集各自把每细胞表达转为该细胞内跨G基因的百分位秩（秩空间消除跨技术分布差）。(2) 对每个在官方E8.5与Qiu E9.0中各≥30细胞的类型c（实际只有心脏系类型满足）：δ_c=mean秩(Qiu,c)−mean秩(E8.5,c)；其余类型δ_c=0。(3) 每细胞p_i=cosine(r_i, δ_c)，r_i=该细胞秩谱−其类型E8.5均秩，只在|δ_c|前500基因上算。(4) 合并m_i=z_c(−cycle_i)+w·z_c(p_i)（p_i=0的类型跳过第二项），仍用E-S加权无放回，θ=0.5、clip±log4不变；w=0时逐位退化为信号A/node 8路径。(5) 零查分门控：出货前必须验证cosine(δ_c, −E2F特征向量|_G)>0（E9.0心脏应更退出周期）且|cosine(δ_c,随机500基因集)|<0.1；不过关则强制w=0只出信号A，不浪费查分。(6) 查分：w∈{0.25,0.5}只影响p2（p1逐位不变，抽查1次确认p1=信号A基线即可），先seed0各1查分，取较优者补seeds{1,2}，共约5查分。粗网格、不细调w，防proxy2过拟合。【单输入退路】proxy/final单阶段时信号B自动w=0，代码路径与node 8完全相同。【final迁移】final有官方E8.5+E9.5两阶段：同一δ代码直接用官方两阶段（同数据集同技术，秩变换仍保留以统一路径），覆盖全部类型，无缺失基因问题；proxy2上选出的w∈{0.25,0.5}原样迁移，δ间隔1天比proxy2的0.5天更长，投影信号应更强而非更弱。总查分预算≈11（1锚点+3信号A+1 p1校验+4信号B+2机动），留余量给复核。",
  "expected_groups": ["de_recovery", "direction", "covariation"],
  "risks": "(1) 跨数据集批次差可能淹没δ_c的真实时间信号：已有秩变换+cosine打分+零查分门控三道防线，门控不过立即回退w=0，最坏情况=信号A或node 8原样，不会低于58.13基线太多。(2) 信号A可能像node 9一样单seed持平但3-seed均值下降（57.42 vs 58.13）：因此A必须过配对3-seed门槛才并入，且与B独立开关，B的增益不被A拖累。(3) proxy2的0.5天间隔使δ投影在proxy2上偏容易，w的最优值在final（1天间隔、全类型）可能不同：只允许粗档{0.25,0.5}，并在METHOD.md记录final上需复测w。(4) p2提升是否计入节点分依赖加权定义（0.5/0.5），若vec-score只回报合并分，则用p1不变的性质反推p2变化。(5) 30分钟时限风险：先做信号B（预期增益更大），信号A若实现超时可整体砍掉（默认关即是node 8）。(6) 早发现手段：锚点复现失败→先查环境；门控cosine≤0→停B；w=0.25 seed0的p2<57.89→停B网格，只交A的3-seed结果。",
  "sources": []
}
```

审查员

REVIEW.json written