节点 n8

```json
{
  "name": "重加权 + 按类型收缩伪批量位移（真实细胞锚）",
  "motivation": "父节点 2（53.10）最弱组是 de_recovery 50.21 和 covariation 52.98：它只重加权抽真实 E8.5 细胞、完全不改表达，所以阶段间 DE 无从恢复（de_recovery 几乎贴着 copy_last 的 50.00）。节点 3 证明裸 pseudobulk_shift 会砸协方差（covariation 38.53）和 X3（40.53，比 copy_last 低 9.5），但节点 2 的组成重加权对 proxy 有 +6.2（56.23 vs 50.04）。本方案把两个已验证部件组合：保留重加权不动，只在真实细胞锚上叠加『按细胞类型的均值位移 × 收缩系数 α + 基因级截断』，机制上直接补 de_recovery，同时因位移是类型内常数、锚是真实细胞，理论上不破坏类型内协方差。",
  "approach": "步骤（在父 run.py 的 heart_reweight 抽样之后、write_prediction 之前插入一步）：1) 在输入数据的 log 表达空间按细胞类型算伪批量均值。2) 位移向量 Δ_t 的来源分两种情况：(a) 视图有 ≥2 个输入阶段（final：官方 E8.5+E9.5，或 proxy2 若把 Qiu E9.0 作为第二输入）——Δ_t = mean_t(最新阶段) − mean_t(较早阶段)，对无外部数据时的类型用全局 Δ 兜底；(b) 单输入阶段（T1 proxy 只有 E8.5）——若视图 external/ 里有 Qiu E9.0 心脏数据，则只对可映射的心脏类型（CM、内皮/心内膜、SHF/PHM、JCF、心包/心外膜原基）算 Δ_t = mean_Qiu-E9.0(t) − mean_E8.5(t)，未覆盖的 4,402 个基因和不可映射类型 Δ=0；若 external/ 不存在，则 α 强制为 0，方案退化为父节点（安全下界）。3) 对 Δ_t 做基因级截断：|Δ| 超过全体基因 |Δ| 的 99 分位或绝对上限 1.0（log 单位）者截断，防止极端基因。4) 每个抽样细胞 x' = clip(x + α·Δ_t(x), 0, ∞)，α 初值 0.5，网格 {0, 0.3, 0.5, 0.7}；若 proxy 提升但 covariation 或 X3 掉超 2 分，改为只对每类型 |Δ| 前 500 基因施加位移再试。5) 单阶段退路已内建（见 2b/α=0）；final 上主路是 2a，外部数据只作缺失类型的兜底，不做 0.5 天间隔专属调参。6) vec-score 筛选流程：先 α=0 复核与父节点同分（sanity），再跑 α 网格（每次 1.2 s 级、内存 ~1.3 GB，很便宜），用 seed 0 和 seed 1 各查一次取均值，只接受 proxy 均值提升 >2 分（T1 噪声）且 covariation/X3 降幅 <2 分的 α；查分预算控制在 ~12 次内（网格 4×2 seed + 精调 2-3 次）。",
  "expected_groups": ["de_recovery", "covariation", "cell_state"],
  "risks": "1) 位移破坏跨类型协方差或 X3（节点 3 的前车之鉴：covariation 38.53、X3 40.53）——Engineer 应在第一次 α=0.5 查分时立即看 covariation 组和 X3 列，掉 >2 分就减小 α 或改用 top-500 基因截断版；2) E8.5→E9.0（Qiu）的 Δ 外推到 E9.5 幅度过小或跨数据集技术偏差使 Δ 方向失真——若 proxy 的 de_recovery 不动而 X3 掉分，说明 Δ 过拟合心脏/0.5 天间隔，应回退 α=0 并只保留重加权；3) 类型映射错误把 Δ 加错细胞——抽查 2-3 个类型（如 JCF、CM）位移后其已知标记方向是否合理；4) 提升小于 2 分噪声被误判——必须双 seed 查分取均值再决定。",
  "sources": []
}
```