总览 · ← 返回运行 20261001-204440-search-t1-g21q-C

节点 n4

copy_last（校准后回退：簇级 EB 收缩位移在 X3/X4/X5 上均低于地板）

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 c28627b09b: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 65b97e3dd7。改动的文件：solution/METHOD.md +38 −0、solution/run.py +98 −4

diff --git a/solution/METHOD.md b/solution/METHOD.mdnew file mode 100644index 0000000..1c56374--- /dev/null+++ b/solution/METHOD.md@@ -0,0 +1,38 @@+# copy_last（校准后回退：簇级 EB 收缩位移在 X3/X4/X5 上均低于地板）++一句摘要：实现时间比例外推的簇级 EB 收缩伪批量位移并在三个外部视图上校准两档幅度，均低于 copy_last 地板，按预案回退提交 copy_last（位移代码保留、幅度置 0）。++## 做了什么++父节点为 copy_last（三把外部尺子均为地板 50.00）。本节点按 PLAN 实现了主分支方法：++1. 读最后两个输入阶段（三个视图均为 E8.75、E9.0，来自同一外部数据集）；+2. 对 last 阶段做 TruncatedSVD(50) + KMeans(k=12) 聚类，prev 细胞按最近质心归簇，prev 同簇细胞 <30 的簇 delta=0；+3. 每簇每基因 delta=mean(last)−mean(prev)，tau²=var_l/n_l+var_p/n_p，EB 收缩 s=delta²/(delta²+tau²)；+4. 每细胞 x+SHIFT_SCALE·h·s·delta，h=(t_target−t_last)/(t_last−t_prev) 从 manifest 时间现场计算（X3=2.0、X4≈1.19、X5=1.0，h 截断 ≤2），clip≥0，clip 率 >5% 自动减半；+5. 与父节点相同 sample_rows + write_prediction。++## 校准结果（A 半，seed 0，共 7 次查分）++| 配置 | X3 | X4 | X5 | 均分 |+|---|---|---|---|---|+| copy_last（父节点=回退提交） | 50.00 | 50.00 | 50.00 | 50.00 |+| shift scale 0.5 | 44.34 | 48.89 | 46.65 | 46.63 |+| shift scale 0.25 | 45.90 | 49.48 | 47.96 | 47.78 |++失败模式：X3 covariation 随幅度单调崩塌（24.2→30.6，mmd_u 0.0357/0.0348 高于 copy 的 0.0340）；X4/X5 的 de_direction 为负（−0.17/−0.14，direction 43.9/44.3），说明 E8.75→E9.0 的差值方向与真实 E9.0→target 变化**反相关**——两个输入阶段的差值很可能被胚胎间批次效应主导（X4/X5 目标仅 ahead 0.25–0.3 天，真实时间信号很小），外推放大的是批次噪声。EB 收缩和减小幅度都只能趋近、无法超过地板。++按 PLAN 的保守规则（两次查分均分都不比 copy_last 高 2 分即提交 copy_last），将 SHIFT_SCALE 置 0（数学上即 copy_last，位移代码保留在 run.py 中供后续节点复用），并用一次查分确认回退输出在三把尺子之一的 X3 上为 50.00。++## 验证过 / 没验证++- 验证：run.py 在 X3/X4/X5 三个视图上跑通（6–16 s，<2 GB）并通过 vec-check；在 proxy 视图（单输入 E8.5，含外部 Qiu E9.0 时 inputs_by_time 默认返回它，本代码取最后一个输入即 copy）跑通，输出 5118 细胞、基因顺序与 genes.txt 一致、无 NaN/负值；seed 确定（np.random.default_rng + sklearn random_state 全部定死）。+- 没验证：final 视图（官方 E8.5+E9.5，代码路径与 proxy 相同：SHIFT_SCALE=0 走 copy 分支）；scale<0.25 的更小幅度（外推趋势表明只会渐近 50，不值得查分额度）；全局（不分簇）delta 变体——de_direction 为负表明问题在差值方向本身，分簇粒度改不了符号。++## 生物学知识来源++无。程序不含任何来自保留阶段/禁窗的知识；仅使用 manifest 中的输入阶段时间做外推系数（已被校准否定，现幅度为 0）。++## 给后续节点的信号++外部心脏测试题（X3/X4/X5）上，E8.75→E9.0 两输入差值外推是净伤害（direction 反相关、covariation 崩塌），与官方 T1 上 pseudobulk_shift 失败（节点 3）一致。要超过 copy_last 需要与"两阶段差值"正交的信号（如仅用 last 阶段内部结构的保守重加权），或先证明差值方向与真实方向相关（de_direction>0）再加幅度。diff --git a/solution/run.py b/solution/run.pyindex aa4bbf0..dd956b4 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,5 +1,12 @@ #!/usr/bin/env python3-"""copy_last: the latest input stage, subsampled into the board's cell range."""+"""copy_last: the latest input stage, subsampled into the board's cell range.++Time-aware cluster-level EB-shrunk shifts were calibrated on X3/X4/X5 at+amplitudes 0.5 and 0.25 of the time-ratio extrapolation; both scored below+copy_last (means 46.6 / 47.8 vs 50.0), driven by covariation loss (X3+mmd_u/variogram). The shift path is therefore disabled (SHIFT_SCALE=0 makes+it mathematically identical to copy) and copy_last is submitted.+"""  from __future__ import annotations @@ -17,6 +24,20 @@ from src.task1_temporal.view_io import (     write_prediction, ) +SHIFT_SCALE = 0.0  # calibrated: any positive amplitude tested scored below copy_last+N_CLUSTERS = 12+MIN_PREV_PER_CLUSTER = 30+BLOCK = 2048+++def _col_stats(X, rows=None):+    sub = X if rows is None else X[rows]+    n = sub.shape[0]+    mean = np.asarray(sub.mean(axis=0)).ravel().astype(np.float64)+    sq = np.asarray(sub.multiply(sub).mean(axis=0)).ravel().astype(np.float64)+    var = np.maximum(sq - mean**2, 0.0)+    return mean, var, n+  def main() -> None:     parser = argparse.ArgumentParser()@@ -27,10 +48,83 @@ def main() -> None:      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)-    last = read_stage(args.data, inputs_by_time(manifest)[-1], genes)+    inputs = inputs_by_time(manifest)     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)++    last_entry = inputs[-1]+    last = read_stage(args.data, last_entry, genes)++    do_shift = SHIFT_SCALE > 0.0+    h = 0.0+    if do_shift and len(inputs) >= 2:+        t_prev = float(inputs[-2].get("time", last_entry.get("time", 0.0)))+        t_last = float(last_entry.get("time", 0.0))+        t_target = float(manifest.get("target", {}).get("time", t_last))+        do_shift = t_last > t_prev and t_target > t_last+        h = (t_target - t_last) / (t_last - t_prev)++    if not do_shift:+        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)+        return++    import scipy.sparse as sp+    from sklearn.cluster import KMeans+    from sklearn.decomposition import TruncatedSVD++    prev = read_stage(args.data, inputs[-2], genes)+    Xl = sp.csr_matrix(last.X, dtype=np.float32)+    Xp = sp.csr_matrix(prev.X, dtype=np.float32)++    n_comp = min(50, Xl.shape[0] - 2, Xl.shape[1] - 2)+    svd = TruncatedSVD(n_components=n_comp, random_state=args.seed)+    emb = svd.fit_transform(Xl)+    emb = emb / (np.linalg.norm(emb, axis=1, keepdims=True) + 1e-9)+    k = int(min(N_CLUSTERS, max(2, Xl.shape[0] // 100)))+    km = KMeans(n_clusters=k, n_init=10, random_state=args.seed).fit(emb)+    lab_last = km.labels_++    emb_p = svd.transform(Xp)+    emb_p = emb_p / (np.linalg.norm(emb_p, axis=1, keepdims=True) + 1e-9)+    lab_prev = km.predict(emb_p)++    shifts = np.zeros((k, Xl.shape[1]), dtype=np.float32)+    amp = SHIFT_SCALE * min(h, 2.0)+    for c in range(k):+        rl = np.flatnonzero(lab_last == c)+        rp = np.flatnonzero(lab_prev == c)+        if len(rl) == 0 or len(rp) < MIN_PREV_PER_CLUSTER:+            continue+        ml, vl, nl = _col_stats(Xl, rl)+        mp, vp, npp = _col_stats(Xp, rp)+        delta = ml - mp+        tau2 = vl / nl + vp / npp+        shrink = delta**2 / (delta**2 + tau2 + 1e-12)+        shifts[c] = (amp * shrink * delta).astype(np.float32)++    n_out = target_n_cells(manifest, Xl.shape[0])+    rows = np.sort(sample_rows(Xl.shape[0], n_out, rng))+    out_blocks = []+    clipped = 0+    total = 0+    for start in range(0, len(rows), BLOCK):+        r = rows[start : start + BLOCK]+        dense = np.asarray(Xl[r].todense(), dtype=np.float32)+        moved = dense + shifts[lab_last[r]]+        clipped += int((moved < 0).sum())+        total += moved.size+        np.maximum(moved, 0.0, out=moved)+        out_blocks.append(sp.csr_matrix(moved))+    if total and clipped / total > 0.05:+        shifts *= 0.5+        out_blocks = []+        for start in range(0, len(rows), BLOCK):+            r = rows[start : start + BLOCK]+            dense = np.asarray(Xl[r].todense(), dtype=np.float32)+            moved = np.maximum(dense + shifts[lab_last[r]], 0.0)+            out_blocks.append(sp.csr_matrix(moved))+    Xout = sp.vstack(out_blocks, format="csr")+    write_prediction(Xout, 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

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

**节点 4 完成。**

- **做了什么**：实现 PLAN 主分支——簇级（SVD+KMeans，最近质心匹配）EB 收缩伪批量位移，外推系数 h 由 manifest 时间现场计算（X3=2.0/X4=1.19/X5=1.0），clip 率超限自动减半。
- **查分**（7/20 次）：scale 0.5 → X3 44.3/X4 48.9/X5 46.6（均 46.6）；scale 0.25 → 45.9/49.5/48.0（均 47.8）；均低于 copy_last 地板 50。X4/X5 的 de_direction 为负（−0.17/−0.14），说明 E8.75→E9.0 差值方向与真实发育方向反相关（批次效应主导），X3 covariation 崩塌（24–31）。按预案回退 SHIFT_SCALE=0（=copy_last），确认查分 50.00，三视图+proxy 跑通、vec-check 通过、seed 确定。
- **下一步最值得试**：在两阶段差值之外找信号——先用 de_direction>0 作门槛检验任何"方向"来源（如 last 阶段内部伪时间、prior/ 通路约束的保守基因子集），只有方向验证为正再加幅度；或转向不依赖差值的分布重加权（保 covariation 的细胞状态微调）。

调研员

 校准，单输入退路）",
  "motivation": "父节点 1（copy_last）四组均为地板 50.00，任何真实信号都应是净提升。实验表显示两个失败模式：节点 3 pseudobulk_shift（alpha=1 全量按类型位移）总分 39.98，其中 covariation 崩到 20.41、de_recovery 49.29——说明在 log 空间硬加 delta 并 clip 到 0 会破坏基因间协方差，且噪声基因的位移是净伤害；节点 2 heart_jcf_peri 的 cell_state 51.19 略高于地板但 covariation 48.30、de_recovery 47.80。文献卡 k018 明确指出 alpha=1 低于 copy_last，需要 alpha∈[0,1] 收缩且噪声基因少动，但单输入 proxy 无法估 alpha，必须靠外部测试题校准——本 run 恰好只用 X3/X4/X5 三把外部尺子计分，具备直接校准 alpha 的条件。",
  "approach": "第一步：Engineer 对 X3/X4/X5 每个视图调用 view_io.inputs_by_time 确认输入阶段数，两条分支都在 30 分钟内可实现。【主分支：≥2 个输入】(1) 读最后两个输入阶段（panel_genes 基因，log 空间）；(2) 对 last 阶段做 PCA(≤50 维)+KMeans 聚成 k=15 簇（k 可试 10/20），prev 阶段细胞按最近质心归簇；prev 中同簇细胞数 <30 的簇视为新生，delta=0（保持 copy）；(3) 每簇每基因算 delta_cg=mean(last)−mean(prev)，同时算均值差抽样噪声 tau_cg²=var_last/n_last+var_prev/n_prev，做经验贝叶斯收缩 s_cg=delta²/(delta²+tau²)，使噪声基因几乎不动、强信号基因保留位移；(4) 对 last 的每个细胞 x_new=x+alpha·s_cg·delta_cg，clip 下限 0 并统计被 clip 条目比例，>5% 则降 alpha；(5) 与父节点相同 sample_rows 抽到 target_n_cells 后 write_prediction。alpha 初值 0.5，用 vec-score 在 {0.25, 0.5, 0.75, 1.0} 上校准（约 4 次查分），取 X3/X4/X5 平均最高者；若最优 alpha 的均分对 50.0 的优势 <2 分（噪声），保守选更小 alpha。【退路：仅 1 个输入（无 delta 可算）】用快照内伪时间外推（方向库 T1-06）：对 last 阶段做扩散映射/PCA 取主导轨迹轴作伪时间 t，逐基因线性拟合表达~t 得斜率 b_g，对斜率做与主分支同式的 EB 收缩后 x_new=x+h·s_g·b_g，h 以伪时间标准差为单位试 {0.5, 1.0}（约 2 次查分）；若两次查分均分都不比 copy_last 高 2 分以上，直接提交 copy_last（保底 50）。【预算】copy_last 基线分已知（50.00）不必重查；主分支 4 次 + 退路 2 次 + 复核 2 次 ≈ 8 次，远低于 20 次上限。查分前先跑本地自检：无 NaN/负值、每簇方差比（预测/输入）≥0.8、预测云的基因-基因协方差与输入云的相关 >0.9（防节点 3 式 covariation 崩塌）。",
  "expected_groups": ["de_recovery", "direction", "cell_state"],
  "risks": "(1) covariation 重蹈节点 3 覆辙（20.41）：根源是大幅硬位移+clip 压缩；EB 收缩、alpha≤0.75、clip 率>5% 即降档、以及查分前的协方差相关自检应尽早暴露，若 alpha=0.25 仍使任一把尺子明显低于 50，放弃位移改交 copy_last。(2) A 半过拟合：查分用 A 半、正式分用 B 半，只信 ≥2 分的差距，差距在噪声内一律选更保守配置。(3) Qiu/Imaz 与官方数据技术不同，簇跨阶段匹配可能不稳：用最近质心匹配+新生簇 delta=0 兜底，匹配率（prev 细胞被归入 <30 细胞簇以外的比例）<50% 时改用全体细胞的全局 delta（不分簇）作为降级方案。(4) 单输入退路的伪时间轴可能不代表真实发育方向：h 只试两档且不达标即回退 copy_last，不会低于父节点。(5) 运行时间风险低：父节点 1.5s/0.54GB，聚类+收缩在同量级。"
}
```