总览 · ← 返回运行 20261001-233756-search-t1-abc-r0-A-era

节点 n10

类型分层增殖加权 + 类型内细胞级双轴（增殖 beta=-0.3、分化 delta=+0.2）组成重采样，talpha=-4；不改任何表达值

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 17992df23d: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 39efb96a11。改动的文件：solution/METHOD.md +29 −36、solution/run.py +126 −33

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 99ba885..e57be0c 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,52 +1,45 @@-# 增殖基因集加权的组成重采样（beta=-0.5，不改任何表达值）：按细胞周期评分下调高增殖细胞占比，proxy/proxy2 50.4→52.8+# 类型分层增殖加权 + 类型内细胞级双轴（增殖 beta=-0.3、分化 delta=+0.2）组成重采样，talpha=-4；不改任何表达值  ## 方法 -基底仍是最新官方输入阶段的 copy_last（无官方阶段时用最新阶段，即 X3）。唯一改动是**采样哪些细胞**，表达值逐位不动：+基底仍是最新官方输入阶段 copy_last（proxy2 的 Qiu E9.0 不作基底、不使用；X3 无官方阶段用最新外部阶段）。只改**抽哪些细胞**，表达值逐位不动。抽样分两级： -- 每个基底细胞算增殖分 = 细胞周期基因集（GO:0007049 ∪ Reactome R-MMU-1640170，从视图 `prior/` 现场读取，与面板求交）上的平均 log 表达；-- 权重 `w_i = clip(1 + beta * z(prolif_i), 0.1)`，默认 **beta=-0.5**（下调高增殖细胞），gamma（凋亡 GO:0006915）默认 0；-- `rng.choice(n_pool, size=n_target, replace=False, p=w)` 无放回加权抽样。+1. **类型层（配额）**：对基底做 PCA(50)+Leiden(res=0.8) 聚类得伪类型；每簇增殖分 s_c = 细胞周期基因集（GO:0007049 ∪ Reactome R-MMU-1640170，视图 `prior/` 现场读取）平均 log 表达；簇权重 w_c=(s_c/s_mean)^(talpha·dt)，**talpha=-4**，dt=目标时间-基底时间（clip 到 [0.5,2]，proxy/final 均为 1）。配额 = n·w_c·n_c 归一后最大余数取整、以簇大小为上限、余量再分配。+2. **细胞层（簇内）**：簇内 z 分（非全局 z，权重分布更窄，保护簇内共变结构）：w_i = clip(1+beta·z_type(prolif_i), 0.2) × (1+delta·z_type(diff_i))，**beta=-0.3**（下调高增殖），**delta=+0.2**（上调已分化细胞；分化基因集 GO:0030154 cell differentiation，3790 基因与面板交集）。簇内无放回加权抽样。 -生物学依据（通用发育知识，非禁窗测量）：随胚胎发育，越来越多细胞退出细胞周期进入分化，故目标阶段的增殖细胞占比低于输入阶段。+生物学依据（通用发育知识，非禁窗测量；Gilbert, Developmental Biology）：发育推进时越来越多细胞退出细胞周期进入分化，故目标阶段高增殖细胞占比下降、已分化细胞占比上升。基因集均来自视图 `prior/` 的 GO/Reactome 通用注释。 -**安全回退规则**：仅当 `n_target < n_pool` 时启用加权。若需输出整个池（X3：2174→2174），加权只能靠有放回复制，实测净负（见下表），此时逐位回退到均匀 copy_last（=50.00）。+**安全回退**：仅当 n_target < n_pool 时启用；X3（n_target==n_pool）逐位回退均匀 copy_last（代码路径与父节点一致，已验证 vec-check ok、X3=50.00）。 -保留父节点的簇匹配位移代码（--alpha，默认 0，X3 已证伪方向）。+保留父节点的簇匹配表达位移代码（--alpha，默认 0，X3 已证伪，不启用）。 -## 查分记录（A 半，seed 0，共 12 次）+## 查分记录（A 半，seed 0，共 10 次） -| 配置 | proxy | X3 | 备注 |-|---|---|---|---|-| 基线 copy_last（=父节点） | 50.40 | 50.00 | de_direction 0.008 |-| 有放回均匀复制（X3 对照） | - | 47.11 | 复制本身 -2.9 |-| beta=+0.3/0.5(g0.1) | 45.86/39.74 | 47.46/38.54 | 上调增殖：proxy 方向反 |-| beta=-0.3, gamma=0.1 | 51.15 | 49.08 | gamma 伤 covariation |-| beta=-0.3, gamma=0 | 51.38 | - | |-| beta=-0.2, gamma=0.1 | 50.62 | - | |-| **beta=-0.5, gamma=0（提交）** | **52.80** | (回退=50.00) | de_direction +0.175，direction 55.84，cell_state 53.64，covariation 49.45 |-| beta=-0.7/-1.0, gamma=0 | 49.71/49.71 | - | covariation 崩（44.3/43.3） |-| beta=-0.4, gamma=0 | 52.00 | - | |-| beta=-0.5 提交版 seed 1 | 51.76 | - | 跨种子稳健（+1.35 对基线） |+| talpha | beta | delta | proxy | covariation | cell_state | direction |+|---|---|---|---|---|---|---|+| -2 | -0.3 | 0.2 | 53.16 | 52.16 | 53.82 | 55.38 |+| -2 | -0.3 | 0 | 52.23 | 50.95 | 51.76 | 54.60 |+| -3 | -0.3 | 0.1/0.2/0.3 | 53.09/53.75/53.85 | 52.7/52.5/53.4 | | |+| -3 | -0.2/-0.5 | 0.2 | 53.05/53.36 | 52.5/51.5 | | |+| **-4** | **-0.3** | **0.2（提交）** | **54.02** | **53.44** | 54.11 | 55.93 |+| -4 | -0.4 | 0.2 | 53.25 | 52.19 | 53.54 | 55.55 |+| -4 | -0.3 | 0.3 | 53.48 | 53.81 | 52.74 | 55.64 |+| -5/-6 | -0.3 | 0.2 | 53.47/53.53 | 52.4/51.5 | | |+| -4 提交版 seed 1 | | | 53.63 | 53.50 | 52.84 | 55.84 |+| X3（回退） | | | 50.00 | | | | -proxy2：基底同为官方 E8.5（Qiu E9.0 不作基底、未使用），提交配置输出与 proxy **逐位相同**，此前 beta=-0.3 配置也实测与 proxy 完全同分（51.1519），故 proxy2 ≈ 52.8 无需另查。三视图 `vec-check` 全部 ok；X3 输出与均匀 copy_last 逐位相同已验证。--## 教训（供后续节点）--1. **组成是唯一有效的杠杆**：全部 5 个改表达值的尝试都失败，而只改"抽哪些细胞"立刻 +2.4（proxy A 半）。方向：增殖**下调**（beta<0）在官方全胚视图正确；X3 心脏上符号相反（+0.3 使 de_direction 由 -0.037 转 +0.020），说明心脏谱系 E9.0→E9.5 反而富集增殖细胞——若做 final（E9.5→E10.5 全胚），beta<0 的证据来自同结构的 proxy。-2. **beta 有尖峰悬崖**：-0.5 是峰（52.8），-0.7 即崩到 49.7（covariation 44.3）。B 半若最优略移，-0.5 有风险；-0.4（52.0）更稳。若复跑分掉，后续节点试 -0.4。-3. **有放回复制本身重罚**：即使权重均匀，X3 上复制抽样 50.0→47.1（de_recovery -8，covariation -2.4）。凡 n_target==n_pool 的视图，任何组成改动都先付 ~3 分复制成本，几乎不可能翻正——保持逐位复制。-4. 凋亡基因集加权（gamma>0）无益：伤 covariation/cell_state，方向增益不叠加。-5. 权重截断 clip≥0.1 + 无放回，天然保住细胞类型覆盖与零掩码（表达值未动）。+- delta=+0.2 分化轴独立贡献约 +0.9~+1.0（同 talpha 下对比 delta=0/0.1/0.2）；beta=-0.3 优于 -0.2/-0.4/-0.5；talpha=-4 是平缓峰（-3:53.75，-5:53.47），无 -0.7 式悬崖。+- proxy2：基底同为官方 E8.5，输出与 proxy **逐位相同**（已验证 X 相等），proxy2≈proxy 无需另查。+- covariation 由父节点 48.70 → 53.44（+4.7）：簇内 z（替代全局 z）+ 类型级配额修复了父节点最弱组。  ## 验证过 / 未验证 -- 验证：proxy 52.80（seed 0）/51.76（seed 1）；proxy2 与 proxy 逐位同输出；X3 回退逐位同均匀复制；三视图 vec-check ok；确定性（default_rng(seed)，无全局随机）；耗时 ~5s、内存与父节点同级。-- 未验证：final 视图（本地无）——final 若 n_target < E9.5 细胞数则走加权分支（结构与 proxy 相同，预期方向为正）；若相等则自动回退均匀，无风险。beta 是在 proxy A 半上选的，B 半可能略偏。-- 合规：细胞周期/凋亡基因集来自视图 `prior/`（GO/Reactome 通用注释）；"分化伴随细胞周期退出"是通用发育生物学知识（如 Gilbert, Developmental Biology；无禁窗测量数据）；全部统计量（z 分、权重）现场从输入计算，无硬编码阶段统计量。+- 验证：proxy 54.02（seed 0）/53.63（seed 1）；X3 回退 50.00 且 vec-check ok；proxy2 与 proxy 逐位同输出；默认参数与最优配置逐位一致；确定性（default_rng(seed)，Leiden random_state=seed）；耗时 ~35s（含聚类）、内存与父节点同级。+- 未验证：final 视图（本地无）——若 n_target<E9.5 细胞数走加权分支（结构同 proxy，dt=1）；若相等自动回退均匀。参数在 proxy A 半选出，B 半可能 ±2 噪声。Leiden 簇数随 seed 略变，但 seed 0/1 分数接近，稳健。+- 合规：所有基因集从视图 `prior/` 现场读取，无硬编码阶段统计量；未读任何保留阶段/基因型数据；"分化伴随细胞周期退出"为通用发育生物学知识。  ## 下一步建议 -1. 用同一增殖评分做**类型级**而非细胞级的组成外推：对基底聚类，按簇增殖分预测各簇在目标期的相对增减（如指数衰减模型），仍不改表达值——比逐细胞加权更接近真实群体动力学，可能突破 52.8。-2. 组合：cell_state 组仍只有 53.6，可试增殖分之外的第二组成轴（如分化/谱系成熟度基因集），但必须逐个在 proxy 验符号。-3. 若 B 半复跑低于预期，回退 beta=-0.4。+1. talpha=-4 在峰顶：若 B 半掉分，-3（53.75）更稳。+2. 分化轴换更具体的成熟度基因集（如 GO:0048468 cell development / 组织特异分化子集）或按簇自适应 delta，可能再抬 cell_state。+3. 类型级配额目前是指数模型，可试"配额 = 簇占比 × (1 + talpha·z(s_c))"的线性形式对比。diff --git a/solution/run.py b/solution/run.pyindex 6a30023..2de739b 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,28 +1,28 @@ #!/usr/bin/env python3-"""official-base copy_last + proliferation-weighted composition resampling.--Base cells are sampled from the latest OFFICIAL input stage whenever one-exists (external stages such as proxy2's Qiu heart E9.0 are never the base-for an official target); external stages are used only when no official-stage exists (X3-style views).--Composition reweighting (--beta, default -0.5): instead of shifting any-expression value, we change WHICH base cells are sampled. Each base cell-gets a proliferation score = mean log-expression over cell-cycle genes-(GO:0007049 U Reactome R-MMU-1640170, read from the view's prior/);-weights w_i = clip(1 + beta * z(prolif_i), 0.1). beta<0 down-weights-highly proliferative cells, encoding the generic developmental fact that-over E8.5->E9.5->E10.5 an increasing share of cells exits the cell cycle-as they differentiate. Measured (A-half, seed 0): proxy 50.40 -> 52.80-(de_direction +0.008 -> +0.175, cell_state +3.4, direction +5.6),-beta=-0.5 optimal vs -0.3/-0.4/-0.7/-1.0; gamma (apoptosis down-weight)-hurt covariation and defaults to 0. Expression values of sampled cells-are untouched, so zero masks and per-cell structure are preserved.-Safety rule: reweighting is applied ONLY when n_target < n_pool so we can-sample without replacement; when the whole pool is requested (X3-style-views) reweighting would need with-replacement duplication, which-measured net-negative (uniform-dup control 47.11 vs 50.00; best weighted-49.08) -> those views fall back to uniform copy_last (bitwise identical).+"""official-base copy_last + hierarchical composition resampling.++Two-level sampling (expression values untouched):+1. Type level: PCA(50)+Leiden pseudo-types on the base; per-cluster+   proliferation score s_c (cell-cycle GO/Reactome sets from prior/);+   cluster weight w_c = (s_c/s_mean)^(talpha*dt), talpha=-4, dt = target+   time - base time (clip [0.5,2]); quotas by largest remainder, capped at+   cluster size.+2. Cell level within cluster: w_i = clip(1+beta*z_type(prolif_i),0.2) *+   (1+delta*z_type(diff_i)), beta=-0.3, delta=+0.2 (differentiation set+   GO:0030154). Within-type z-scores keep the weight distribution narrow,+   protecting within-type covariation (parent's global-z beta=-0.5 dropped+   covariation to 48.7; this version 53.4).++Measured (A-half, seed 0): proxy 54.02 (seed 1: 53.63) vs parent 52.12;+delta axis worth ~+1; talpha=-4 is a gentle peak (-3:53.75, -5:53.47).+proxy2 output bitwise identical to proxy (Qiu E9.0 never used as base).+Fallback: reweighting only when n_target < n_pool (sampling without+replacement); whole-pool views (X3) fall back to uniform copy_last+(bitwise identical, X3=50.00).++Legacy (kept, disabled): --alpha cluster-matched shrunken delta expression+shift (measured harmful on X3); --dup / --gamma controls.+  Legacy: optional cluster-matched shrunken delta shift (--alpha, default 0, measured harmful on X3, kept disabled).@@ -70,8 +70,10 @@ from src.task1_temporal.view_io import ( )  DEFAULT_ALPHA = 0.0-DEFAULT_BETA = -0.5+DEFAULT_BETA = -0.3 DEFAULT_GAMMA = 0.0+DEFAULT_TALPHA = -4.0+DEFAULT_DELTA = 0.2 RIBOSOMAL_PREFIXES = ("Rps", "Rpl")  # Gene-set files/terms used for composition reweighting (generic GO/Reactome@@ -79,6 +81,7 @@ RIBOSOMAL_PREFIXES = ("Rps", "Rpl") PROLIF_SETS = (("go/gene_sets_bp.gmt", "GO:0007049"),                ("reactome/gene_sets.gmt", "R-MMU-1640170")) APOP_SETS = (("go/gene_sets_bp.gmt", "GO:0006915"),)+DIFF_SETS = (("go/gene_sets_bp.gmt", "GO:0030154"),)   def _gmt_genes(view_dir: str, relpath: str, term: str) -> set:@@ -126,6 +129,86 @@ def _comp_weights(base, genes, view_dir: str, beta: float, gamma: float) -> np.n     return np.clip(w, 0.1, None)  +def _cell_weights(labels, prolif, diff, beta, delta) -> np.ndarray:+    """Within-type (per-cluster) z-scored cell weights: narrower weight+    distribution than a global z, protecting within-type covariation."""+    w = np.ones(len(labels), dtype=np.float64)+    for c in np.unique(labels):+        m = labels == c+        if m.sum() < 3:+            continue+        wc = np.ones(int(m.sum()), dtype=np.float64)+        if beta != 0.0:+            wc = wc + beta * _zscore(prolif[m])+        if delta != 0.0:+            wc = wc * (1.0 + delta * _zscore(diff[m]))+        w[m] = np.clip(wc, 0.2, None)+    return w+++def _quotas(labels, prolif, talpha, dt, n, rng) -> np.ndarray:+    """Type-level quotas: w_c = (s_c / s_mean)^(talpha*dt) with s_c the mean+    proliferation score of cluster c. Largest-remainder rounding, capped at+    cluster size, leftover redistributed to clusters with remaining room."""+    clusters = np.unique(labels)+    nc = np.array([int((labels == c).sum()) for c in clusters])+    s_c = np.array([float(prolif[labels == c].mean()) for c in clusters])+    s_mean = float(prolif.mean())+    if s_mean <= 0 or talpha == 0.0:+        wc = np.ones_like(nc, dtype=np.float64)+    else:+        wc = (np.maximum(s_c, 1e-6) / s_mean) ** (talpha * dt)+    raw = n * (wc * nc) / float((wc * nc).sum())+    q = np.floor(raw).astype(int)+    q = np.minimum(q, nc)+    rem = n - q.sum()+    if rem > 0:+        order = np.argsort(-(raw - np.floor(raw)))+        for c in order:+            if rem <= 0:+                break+            if q[c] < nc[c]:+                q[c] += 1+                rem -= 1+        while rem > 0:  # any cluster with room+            room = np.where(q < nc)[0]+            if room.size == 0:+                break+            c = room[rem % room.size]+            q[c] += 1+            rem -= 1+    elif rem < 0:+        order = np.argsort(raw - np.floor(raw))+        for c in order:+            if rem >= 0:+                break+            if q[c] > 0:+                q[c] -= 1+                rem += 1+    return clusters, q+++def _stratified_rows(base, genes, view_dir, seed, talpha, beta, delta, dt, n, rng):+    labels = _cluster(base, seed)+    prolif = _cell_set_score(base, genes, view_dir, PROLIF_SETS)+    diff = (_cell_set_score(base, genes, view_dir, DIFF_SETS)+            if delta != 0.0 else np.zeros(base.n_obs))+    clusters, q = _quotas(labels, prolif, talpha, dt, n, rng)+    w = _cell_weights(labels, prolif, diff, beta, delta)+    rows = []+    for c, qc in zip(clusters, q):+        if qc <= 0:+            continue+        idx = np.where(labels == c)[0]+        if qc >= idx.size:+            rows.append(idx)+            continue+        p = w[idx]+        p = p / p.sum()+        rows.append(rng.choice(idx, size=int(qc), replace=False, p=p))+    return np.sort(np.concatenate(rows))++ def _dense(adata_rows) -> np.ndarray:     X = adata_rows     if sp.issparse(X):@@ -262,6 +345,11 @@ def main() -> None:                              "resampling (0 = uniform, parent behaviour)")     parser.add_argument("--gamma", type=float, default=DEFAULT_GAMMA,                         help="apoptosis down-weight strength (only with beta!=0)")+    parser.add_argument("--talpha", type=float, default=DEFAULT_TALPHA,+                        help="type-level proliferation exponent (negative = "+                             "down-weight high-proliferation clusters)")+    parser.add_argument("--delta", type=float, default=DEFAULT_DELTA,+                        help="differentiation up-weight strength within type")     parser.add_argument("--dup", action="store_true",                         help="force with-replacement sampling (control)")     parser.add_argument("--no-batch", action="store_true",@@ -279,17 +367,22 @@ def main() -> None:     rng = np.random.default_rng(args.seed)     n_rows = base.n_obs     n = target_n_cells(manifest, n_rows)-    if (args.beta != 0.0 and n < n_rows) or args.dup:-        # Reweight composition only when we can subsample WITHOUT replacement.-        # When the whole pool is requested (n >= n_rows, X3-style views),-        # reweighting would require with-replacement duplication, which-        # measured net-negative (uniform-dup control 47.11 vs 50.00 copy,-        # best weighted variant 49.08) -> fall back to uniform copy_last.+    active = (args.beta != 0.0 or args.talpha != 0.0 or args.delta != 0.0)+    if active and n < n_rows and not args.dup:+        # Hierarchical composition resampling (type-level quotas + within-type+        # cell weights), only when subsampling WITHOUT replacement is possible.+        # When the whole pool is requested (X3-style views), any composition+        # change requires with-replacement duplication, measured net-negative+        # (uniform-dup control 47.11 vs 50.00) -> uniform copy_last fallback.+        dt = float(manifest.get("target", {}).get("time", 0.0)) - float(base_entry["time"])+        dt = float(np.clip(dt, 0.5, 2.0))+        rows = _stratified_rows(base, genes, args.data, args.seed,+                                args.talpha, args.beta, args.delta, dt, n, rng)+    elif args.dup:         w = (_comp_weights(base, genes, args.data, args.beta, args.gamma)              if args.beta != 0.0 else np.ones(n_rows))         p = w / w.sum()-        replace = args.dup and n >= n_rows-        rows = np.sort(rng.choice(n_rows, size=n, replace=replace, p=p))+        rows = np.sort(rng.choice(n_rows, size=n, replace=n >= n_rows, p=p))     else:         rows = sample_rows(n_rows, n, rng)     Xb = base.X[rows]

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

完成。

**做了什么**：把 node 7 的细胞级全局增殖加权升级为两级分层组成重采样——类型层（Leiden 伪类型配额，w_c=(s_c/s_mean)^(talpha·dt)，talpha=-4）+ 簇内细胞级双轴（增殖 beta=-0.3、分化成熟度 GO:0030154 delta=+0.2，z 均在类型内计算）。表达值完全不改；X3 整池视图逐位回退均匀 copy_last。

**查分**（A 半，10 次）：proxy **54.02**（seed 0）/ 53.63（seed 1），vs 父节点 52.12；covariation 48.70→53.44（修复父最弱组），cell_state 54.11，direction 55.93。proxy2 输出与 proxy 逐位相同；X3 = 50.00 回退确认。talpha=-4 为平缓峰（-3:53.75，-5:53.47），无悬崖；delta 轴独立贡献 ~+1。

**下一步最值得试**：① 分化轴换更具体的成熟度基因集或按簇自适应 delta（抬 cell_state）；② 若 B 半掉分回退 talpha=-3；③ 类型级配额改线性形式 (1+talpha·z(s_c)) 对比指数模型。

调研员

{"name":"类型分层增殖加权+分化成熟度双轴组成重采样（修复covariation）","motivation":"父节点7最弱组是covariation 48.70（-1.41 vs 父节点4的50.11），而节点6的类型级加权在covariation上得52.60（+2.49）。细胞级全局加权（node 7: w=clip(1+beta*z,0.1)）在类型内部过度选择极端增殖状态的细胞，破坏了类型内基因共表达结构。同时cell_state 51.61仍有提升空间。节点8（53.24）已证明类型级+细胞级组合有效，但其第二轴是凋亡罚分；本方案用分化成熟度作为第二轴，并采用分层抽样结构保护类型内协方差。","approach":"在node 7的run.py基础上改造为两阶段分层加权抽样：\n\n1. **类型层（第一级）**：用现有_cluster函数（PCA50+Leiden res=0.8）对基底聚类得到伪类型；计算每簇平均增殖分s_c；类型权重 w_c=(s_c/s_mean)^(alpha*dt)，alpha初值-2（搜索范围-1,-2,-3；节点6用-3有效但本方案有第二级细化故用更温和值），dt=1（单阶段视图）或从两输入时间差计算。按w_c比例分配各类型抽样配额n_c（四舍五入，总和调至n_target）。\n\n2. **细胞层（第二级，类型内部）**：在每个类型内部，用增殖分做温和的细胞级权重 m_i=clip(1+beta*z_type(prolif_i),0.2)，beta初值-0.3（搜索-0.2,-0.3,-0.4），z在类型内计算（而非全局），无放回抽样n_c个。类型内z-score保证权重分布更窄，保护类型内协方差。\n\n3. **分化成熟度第二轴**：从prior/go/gene_sets_bp.gmt读取GO:0045595（cell differentiation）或GO:0030154（cell differentiation involved in embryonic development）基因集，与面板求交；每细胞分化分d_i=该基因集平均log表达；最终细胞权重 w_i = m_i * (1+delta*z_type(d_i))，delta初值+0.2（搜索0.1,0.2,0.3），正号=上调已分化细胞（发育方向正确：目标期更多分化细胞）。若基因集交集<5个基因则跳过此轴。\n\n4. **安全回退**：与node 7相同，n_target>=n_pool时逐位回退均匀copy_last（保护X3）。proxy2的Qiu E9.0输入不作基底、不使用。\n\n5. **查分策略**：先跑alpha=-2,beta=-0.3,delta=0.2在proxy（1次）；若>52则微调alpha∈{-1,-3}和delta∈{0.1,0.3}（3-4次）；确认最优后跑X3验证回退（1次）；若proxy>53则跑proxy2确认（1次）。总计≤8次查分。","expected_groups":["covariation","cell_state","direction"],"risks":"1) 分化基因集在prior/gmt中可能不存在或交集太小（<5基因），此时第二轴无效退化为纯增殖加权——Engineer应先检查交集大小，若<5则只保留两轴增殖方案。2) 类型级alpha与细胞级beta叠加可能过度压缩某些类型（如高增殖祖细胞类型被双重下调导致消失），若covariation反而下降则去掉细胞级（beta=0）只保留类型级。3) Leiden聚类在~1-2k细胞上可能不稳定（簇数过少或过多），可尝试res=0.5或1.0。4) 分数噪声~2分：若proxy提升<2分不算有效，需跑2个seed确认。","sources":[]}