总览 · ← 返回运行 20261001-140531-search-t1-g23-spark

节点 n5

抗增殖加权组成重采样 + 可选阻尼伪批量位移（默认关）：按细胞类型增殖分反比重采样输入细胞（g=-0.6），多官方输入时支持 EB 收缩的 per-type delta 位移。

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 e0a9cf86bc: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 238e86d42b。改动的文件：solution/METHOD.md +17 −0、solution/run.py +140 −5

diff --git a/solution/METHOD.md b/solution/METHOD.mdnew file mode 100644index 0000000..42a3058--- /dev/null+++ b/solution/METHOD.md@@ -0,0 +1,17 @@+抗增殖加权组成重采样 + 可选阻尼伪批量位移（默认关）：按细胞类型增殖分反比重采样输入细胞（g=-0.6），多官方输入时支持 EB 收缩的 per-type delta 位移。++## 方法+- **A（所有视图）**：对最新官方输入阶段，用通用细胞周期/增殖基因集（MKI67、PCNA、TOP2A、CDK1、CCNB1、MCM2、MCM5、BIRC5、AURKB、CCNA2、CDKN3、UBE2C、TYMS、RRM2；属已发表通路常识，基因名大小写不敏感匹配面板）算每细胞 z 化均值分，按 `celltype` obs 分组成 s_c，权重 w_c ∝ base_c · clip(exp(g·s_c·Δt), 0.5, 2)，Δt=target−last input（下限 0.25）。分层分配到 target_n_cells：每型保底 max(5, 10%·配额)，上限为可用细胞数，余量按权重大小补齐；每型内无放回抽样。**g=-0.6**（负号：增殖分高的类型在目标阶段占比下降，经验上显著优于 g>0 与 g=0）。+- **B（≥2 官方输入且共享 celltype 时，默认 α=0 关闭）**：per-type 伪批量对数差 delta_c，per-gene 经验贝叶斯收缩 r_g=tau²/(tau²+se²)，乘 α·min(Δt/间隔,1)，clip≥0。X3 实测 delta 极小（中位 0.003），且常数加到全矩阵（含零元素）会拉低 covariation（48.29），故默认关闭。+- 单输入视图（proxy/proxy2）只做 A；proxy2 的外部 Qiu E9.0 输入不读取（B 因官方输入只有 E8.5 而跳过）。无 celltype 标签时退回均匀抽样。++## 关键参数+g=-0.6（扫过 0.8/0.5/0.3/0.15/0/-0.3/-0.6/-1.0，proxy 分 54.79 最优，-1.0 为 54.53）；α=0（0.4/1.0 在 X3 上 ≤49.66）。++## 查分结果（A 半）+proxy 54.79（cell_state 54.7 / covariation 54.4 / direction 57.5 / de_recovery 52.5）；proxy2 54.79（同 proxy，输出相同）；X3 50.0（=地板：X3 输出细胞数=输入全量，A 无法重加权，B 关闭）。预计节点分 ≈53.2。++## 验证过 / 未验证+- 验证：三视图 run+vec-check 通过、确定性（default_rng(seed)）、g 扫描 8 个点、α 扫描 2 个点，运行 <6s / <2GB。+- 未验证：final 视图（E8.5+E9.5 双官方输入）上 A+B 的行为——A 应正常，B 默认关；Δt 缩放只在 proxy（Δt=1）和 X3（Δt=0.5）测过。g<0 的生物学解释未验证（可能是增殖高的类型在 E8.5 已被过采样，或 scorer 偏好更低增殖组成的 E9.5 真值），换数据分布后符号可能翻转。B 部件在 delta 有意义的阶段间隔（final 的 E8.5→E9.5，间隔 1 天）上未测，α 需重扫。+- 知识来源：细胞周期基因集为通用 GO/通路常识（Reactome "Cell Cycle"），非任何保留阶段标记。diff --git a/solution/run.py b/solution/run.pyindex aa4bbf0..92fcd73 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,36 +1,171 @@ #!/usr/bin/env python3-"""copy_last: the latest input stage, subsampled into the board's cell range."""+"""Growth-driven composition reweighting + damped EB-shrunk per-type pseudobulk shift.++A) reweight cell-type sampling by a generic proliferation score (cell-cycle gene+   set, general pathway knowledge) over the input->target interval;+B) when >=2 official inputs share cell-type labels, add a damped per-type+   pseudobulk delta (log space, per-gene empirical-Bayes shrinkage), never for+   genes missing from a stage.+Single-input views fall back to A + copy expression.+"""  from __future__ import annotations  import argparse+import sys  import numpy as np+from scipy import sparse  from src.task1_temporal.view_io import (     inputs_by_time,+    labels_of,     load_manifest,     panel_genes,     read_stage,-    sample_rows,     target_n_cells,     write_prediction, ) +G_GAIN = -0.6+ALPHA = 0.0++PROLIF_GENES = [+    "MKI67", "PCNA", "TOP2A", "CDK1", "CCNB1", "MCM2", "MCM5",+    "BIRC5", "AURKB", "CCNA2", "CDKN3", "UBE2C", "TYMS", "RRM2",+]+++def type_means(X: sparse.csr_matrix, lab: np.ndarray) -> tuple[np.ndarray, dict, np.ndarray, np.ndarray]:+    """Per-type mean and var of X (rows=cells). Returns (means[n_t,G], variances, types, counts)."""+    types, inv = np.unique(lab, return_inverse=True)+    n_t = len(types)+    onehot = sparse.csr_matrix(+        (np.ones(len(inv), dtype=np.float32), (inv, np.arange(len(inv)))), shape=(n_t, X.shape[0])+    )+    cnt = np.asarray(onehot.sum(axis=1)).ravel()+    mean = (onehot @ X).toarray() / np.maximum(cnt, 1)[:, None]+    sq = (onehot @ X.multiply(X)).toarray() / np.maximum(cnt, 1)[:, None]+    var = np.maximum(sq - mean ** 2, 0.0)+    return mean, var, types, cnt+++def eb_delta(mean_p, var_p, cnt_p, mean_l, var_l, cnt_l):+    """Per-type per-gene delta with empirical-Bayes shrinkage toward 0.++    Returns delta[n_t, G] already multiplied by r_g in [0,1].+    """+    delta = mean_l - mean_p+    se2 = var_l / np.maximum(cnt_l, 1)[:, None] + var_p / np.maximum(cnt_p, 1)[:, None]+    d2 = delta ** 2+    tau2 = max(float(np.median(d2)) - float(np.median(se2)), 1e-6)+    r = tau2 / (tau2 + se2)+    return delta * r+  def main() -> None:     parser = argparse.ArgumentParser()     parser.add_argument("--data", required=True)     parser.add_argument("--out", required=True)     parser.add_argument("--seed", type=int, default=0)+    parser.add_argument("--g", type=float, default=G_GAIN)+    parser.add_argument("--alpha", type=float, default=ALPHA)     args = parser.parse_args()      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)-    last = read_stage(args.data, inputs_by_time(manifest)[-1], genes)+    official = inputs_by_time(manifest)+    last = read_stage(args.data, official[-1], genes)     rng = np.random.default_rng(args.seed)-    rows = sample_rows(last.n_obs, target_n_cells(manifest, last.n_obs), rng)-    write_prediction(last.X[rows], genes, args.out, seed=args.seed)+    lab = labels_of(last) if "celltype" in last.obs else None+    n_out = target_n_cells(manifest, last.n_obs)++    dt = float(manifest["target"]["time"]) - float(official[-1]["time"])+    dt = max(dt, 0.25)++    rows = None+    if lab is not None:+        types, inv = np.unique(lab, return_inverse=True)+        n_t = len(types)+        base_cnt = np.bincount(inv, minlength=n_t).astype(float)+        w = base_cnt.copy()+        if args.g != 0.0:+            Xl = last.X+            gidx = {g.lower(): i for i, g in enumerate(genes)}+            cols = np.array([gidx[g.lower()] for g in PROLIF_GENES if g.lower() in gidx], dtype=np.int64)+            if len(cols):+                sub = np.asarray(Xl[:, cols].todense(), dtype=np.float32)+                s = sub.mean(axis=1)+                sd = s.std()+                if sd > 1e-8:+                    s = (s - s.mean()) / sd+                    s_c = np.bincount(inv, weights=s, minlength=n_t) / np.maximum(base_cnt, 1)+                    mult = np.exp(args.g * s_c * dt)+                    mult = np.clip(mult, 0.5, 2.0)+                    w = base_cnt * mult+        w = w / w.sum()+        alloc = np.floor(w * n_out).astype(np.int64)+        floor = np.minimum(base_cnt.astype(np.int64), np.maximum(5, (0.1 * w * n_out).astype(np.int64)))+        alloc = np.maximum(alloc, floor)+        alloc = np.minimum(alloc, base_cnt.astype(np.int64))+        while alloc.sum() > n_out:+            excess = np.flatnonzero(alloc > floor)+            if len(excess) == 0:+                break+            j = excess[np.argmax(alloc[excess] - floor[excess])]+            alloc[j] -= 1+        while alloc.sum() < n_out:+            slack = np.flatnonzero(alloc < base_cnt)+            if len(slack) == 0:+                break+            j = slack[np.argmax(w[slack] * n_out - alloc[slack])]+            alloc[j] += 1+        rows = []+        for c in range(n_t):+            idx = np.flatnonzero(inv == c)+            k = int(alloc[c])+            if k <= 0:+                continue+            if k <= len(idx):+                rows.append(rng.choice(idx, size=k, replace=False))+            else:+                rows.append(rng.choice(idx, size=k, replace=True))+        rows = np.sort(np.concatenate(rows)) if rows else np.arange(min(n_out, last.n_obs))+        cell_type_of_row = inv[rows]+    else:+        rows = np.sort(rng.choice(last.n_obs, size=n_out, replace=False))+        cell_type_of_row = None++    X = last.X[rows].tocsr().copy()++    # ---- B: damped per-type delta, needs >=2 official inputs with shared labels+    n_matched = 0+    if len(official) >= 2 and cell_type_of_row is not None and args.alpha != 0.0:+        prev = read_stage(args.data, official[-2], genes)+        if "celltype" in prev.obs:+            lab_p = labels_of(prev)+            mp, vp, tp, cp = type_means(prev.X, lab_p)+            ml, vl, tl, cl = type_means(last.X, lab)+            pmap = {t: i for i, t in enumerate(tp)}+            shared = [t for t in tl if t in pmap and cl[list(tl).index(t)] >= 20 and cp[pmap[t]] >= 20]+            n_matched = len(shared)+            if shared:+                li = {t: i for i, t in enumerate(tl)}+                scale = min(dt / max(float(official[-1]["time"]) - float(official[-2]["time"]), 1e-6), 1.0)+                Xd = np.asarray(X.todense(), dtype=np.float32)+                for t in shared:+                    d = eb_delta(mp[pmap[t]:pmap[t]+1], vp[pmap[t]:pmap[t]+1], cp[pmap[t]:pmap[t]+1],+                                 ml[li[t]:li[t]+1], vl[li[t]:li[t]+1], cl[li[t]:li[t]+1])[0]+                    sel = cell_type_of_row == li[t]+                    if not sel.any():+                        continue+                    Xd[sel] += (args.alpha * scale) * d.astype(np.float32)[None, :]+                np.maximum(Xd, 0.0, out=Xd)+                X = sparse.csr_matrix(Xd)+    print(f"[diag] g={args.g} alpha={args.alpha} dt={dt:.2f} matched_types={n_matched} "+          f"n_out={len(rows)}", file=sys.stderr)++    write_prediction(X, genes, args.out, seed=args.seed)   if __name__ == "__main__":

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

计划里引用的来源

• PMID 38274364 — TIGON（Sha, Qiu, Nie 2024, Nat Mach Intell）：非平衡 OT / Wasserstein-Fisher-Rao 同时重建群体生长与未测时间点表达，证明‘生长’对时间推断至关重要；用作部件 A（增殖驱动组成重加权）的机制依据，且与 proxy2/X3 的 Qiu 外部数据同源。

文献检索

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

完成。

- **做了什么**：在 copy_last 父节点上加「按细胞类型的增殖分反比加权重采样」（g=-0.6，扫了 8 个点），并实现了 EB 收缩的 per-type 伪批量位移部件（默认 α=0 关闭，X3 上实测有害于 covariation）。
- **查分**（A 半，用了 15/20）：proxy 54.79、proxy2 54.79、X3 50.0（地板，X3 输入全量输出无法重加权）→ 节点分预计 ≈53.2，三视图 vec-check 通过，<6s。
- **下一步最值得试**：(1) X3 上 A 失效是因输出=输入全量，可改为允许有放回过采样/欠采样打破该约束；(2) g<0 的符号需在 final（E8.5+E9.5）上确认是否稳定，并试 per-type 更细的权重形状（如线性/幂律）；(3) 与节点 2 的 heart_jcf_peri（proxy 56.23）组合，但需解决其 X3 掉分。

调研员

 那样牺牲 X3。",
  "approach": "在 copy_last 之上加两个正交部件，全部运行时从视图输入计算，不硬编码任何阶段统计量。【A 组成重加权·所有视图】1) 用通用增殖基因集（MKI67/PCNA/TOP2A/CDK1/CCNB1/MCM2 等，属已发表通路常识、非任何保留阶段标记）对每个输入细胞算增殖分 s_i=该基因集 z 化表达均值；2) 按视图自带的 cell_type obs 分组（scorer 忽略标签，仅供我们分组；若无标签则对输入做快速 kNN+Louvain 聚类），得每型 s_c；3) 采样权重 w_c∝exp(g·s_c·Δt)，Δt=1（官方/final 输入→目标间隔 1 天；proxy2 也输出 E9.5，同样用 1 天），重采样到 target_n_cells；4) g 初值 0.3，搜索 {0,0.15,0.3,0.5,0.8}，g=0 即退回 copy_last；5) 每型权重变化裁剪到 [0.5×,2×] 并保留每型最少细胞数，防止 rare state 丢失（card k016）。【B 阻尼位移·仅多输入视图】1) 仅当 ≥2 输入阶段存在可匹配的同名型时启用（X3；proxy2 需官方 E8.5 型与 Qiu E9.0 心脏型同名匹配，跨数据集匹配数设阈值，不足则跳过）；2) delta_c=mean_log(last|c)−mean_log(prev|c)；3) per-gene 经验贝叶斯收缩 r_g=tau²/(tau²+se_{c,g}²)（se 由型内方差/n 得，tau² 全局估计），噪声基因少动（card k018）；4) x_new=clip(x+α·r_g·delta_c,0)（log 空间，纯 per-type 常数加，保 within-type 协方差）；α 初值 0.4，搜索 {0,0.2,0.4,0.6}；5) 无 delta 的型（末阶段新生/未匹配）原样复制。【C 退路/迁移】单输入 proxy：B 关闭→只做 A+复制表达；proxy2：Qiu 缺的 4402 基因 delta=0 不移、绝不插补；final（E8.5+E9.5、全基因、全胚）：A+B 正常，缺可靠 delta 的基因被 EB 收缩向 0。【vec-score 快筛，≤16 次，留余量】先小样本（~2000 细胞）跑通再全量（父节点仅 1.2s/1.26GB，余量充足）。Step1（2 查）：g=0,α=0 复核地板；g=0.3,α=0.4 三尺子。Step2（6~8 查）：固定 α=0.4 扫 g∈{0.15,0.3,0.5}；固定最优 g 扫 α∈{0.2,0.4,0.6}，每次记录 per-ruler 与四组（盯 covariation、cell_state）。Step3（3~4 查）：取 top-2 各复查 2 次，因 A 半噪声≈2，只保留增益>2 的配置，按 mean(proxy,proxy2,X3) 选优，约束 covariation 不掉>2、rare state 保留。",
  "expected_groups": ["cell_state", "de_recovery", "direction"],
  "risks": "1) 增殖分未必等于净扩张（凋亡/分化退出细胞周期），A 可能把组成推向错误方向使 cell_state 跌破地板——早查 g=0.15 vs g=0，若 cell_state 下降则 g→0 关 A、只靠 B。2) proxy2 跨数据集同名型匹配可能近乎为空，B 静默失效——Engineer 须打印每视图匹配型数，确认 B 是否真的生效。3) covariation 崩塌（重演节点 3 的 38.53）：若位移非纯 per-type 常数或过度 clip——每查必监控 covariation 组，掉>2 则降 α 或改为每型只随机移动半数细胞（低秩残差味道，T1-12），并保留真实细胞锚。4) 单输入 proxy 上只有 A 起作用，增益可能<噪声 2——靠 Step3 重复查确认，且不过度拟合 A 半（正式分用 B 半）。5) 过度重加权丢 rare state——已用权重裁剪+每型最少细胞数兜底，仍在诊断里核对组成与稀有型保留。",
  "sources": ["PMID 38274364 — TIGON（Sha, Qiu, Nie 2024, Nat Mach Intell）：非平衡 OT / Wasserstein-Fisher-Rao 同时重建群体生长与未测时间点表达，证明‘生长’对时间推断至关重要；用作部件 A（增殖驱动组成重加权）的机制依据，且与 proxy2/X3 的 Qiu 外部数据同源。"]
}
```