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

节点 n16

温度排名轴凸组合（0.75·权重排名+0.25·丰度排名）小幅正向采纳；类型间过渡态插值细胞实测证伪默认关闭；表达值不修改

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 6fe0b621d5: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 3a1f6ecb1e。改动的文件：solution/METHOD.md +19 −20、solution/run.py +132 −3

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 96204e1..fcd264c 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,36 +1,35 @@-# 类型内中心性偏置抽样（按到类型中位表达的Pearson相关加权）与温度丰度排名轴均实测证伪，默认精确回退节点13配置；表达值不修改+# 温度排名轴凸组合（0.75·权重排名+0.25·丰度排名）小幅正向采纳；类型间过渡态插值细胞实测证伪默认关闭；表达值不修改  ## 方法 -基底与节点 13 完全一致（最新官方输入阶段细胞池、alpha=-3 类型增殖权重、beta=-0.5 细胞级梯度、gamma=0.2 凋亡罚分、k=1 wrand 保底、按类型中位权重排名的温度 T_c∈[0.60,0.90]、E-S 不放回抽样）。本节点按计划实现了两个新机制，**均实测负向或中性，默认全部关闭/保持节点 13**：+基底 = 节点 13 配置（最新官方输入阶段细胞池、alpha=-3 类型增殖权重、beta=-0.5 细胞级梯度、gamma=0.2 凋亡罚分、k=1 wrand 保底、按类型排名的温度 T_c∈[0.60,0.90]、E-S 不放回抽样）。本节点实现两个新机制： -1. **类型内中心性偏置（VEC_CENT，默认 0=关闭）**：对每个类型算逐基因中位表达 mu_c（稀疏感知，只遍历 >50% 细胞表达的列），细胞权重乘入 c_i = (clip(corr(x_i, mu_c), 0.05, 1) / 类型内均值)^delta，再 clip [0.01,100]，然后照旧过温度与 E-S 抽样。类型 <5 细胞跳过。delta=0 精确退化节点 13。全程确定性、无 RNG。X3 恒等路径（n_out≥n_obs）跳过该块，X3 输出不变。-2. **温度丰度排名轴（VEC_TAXIS，默认 "weight"=节点 13）**：T_c 排名轴从类型中位权重换成类型细胞数升序（最稀有的类型得最低温度、保留更多存在）。+1. **温度排名轴凸组合（VEC_TRHO=0.75，采纳）**：类型温度 T_c 的排名轴从纯「中位权重升序」改为凸组合 rank = 0.75·权重排名 + 0.25·丰度排名（两个排名均为升序 0..n-1，组合后再重排名）。稀有类型得到略低温度、保留更多存在，同时保住节点 13 权重轴绑定的 de_score 0.0727 档位。ρ=1.0 精确退化节点 13（默认路径 sha256 验证一致后再改默认为 0.75）。+2. **类型间过渡态插值细胞（VEC_MIXFRAC，默认 0=关闭，实测证伪）**：按类型增殖评分降序排名取相邻 (早,晚) 类型对（分差最大 ≤3 对），对每对取输出中权重最高的细胞逐对插值 x_t=(1-λ)x_a+λ·x_b（λ=VEC_MIXLAM=0.15），替换输出中权重最低的 frac·n_out 个细胞（保护每类型仅剩的 1 个细胞）。逐对真实细胞插值、非向均值收缩；全确定性无 RNG；X3 恒等路径（n_out≥n_obs）跳过。 -## 查分记录（proxy A 半，本节点共用 8 次）+## 查分记录（proxy A 半，共用 8 次）  | 配置 | seed 0 | seed 1 | de_score s0/s1 | 备注 | |---|---|---|---|---|-| 基底=节点 13 | 56.01 | 55.48(父报) | 0.0727 / 0.0545 | 本次复跑 56.005 确认环境一致 |-| 中心性 delta=0.2 | 55.44 | - | 0.0545 | cell_state 57.35, cov 53.20 |-| 中心性 delta=0.3 | 55.58 | - | 0.0727 | cell_state 56.88 |-| 中心性 delta=0.5 | 55.57 | 55.09 | 0.0727 / 0.0364 | 双 seed 均负 |-| 中心性 delta=-0.2 | 55.61 | - | 0.0727 | 反向也负 |-| 丰度轴 (0.60,0.90) | 56.02 | 55.34 | 0.0545 / 0.0364 | s0 cov +1.3 但 de 掉档；s1 负 |+| 基底=节点 13 | 56.005 | 55.48(父报) | 0.0727 / 0.0545 | 复跑确认环境一致 |+| 过渡细胞 λ=0.15 frac=0.02 | 55.43 | - | 0.0727 / - | cell_state 58.3→56.0，cov +0.2，dir +0.3 |+| 过渡细胞 λ=0.15 frac=0.01 | 55.65 | - | 0.0727 / - | 剂量单调：frac 越大越伤，止损 |+| 凸组合轴 ρ=0.5 | 55.95 | - | 0.0545 / - | de 掉档，止损 |+| **凸组合轴 ρ=0.75** | **56.17** | **55.58** | 0.0727 / 0.0545 | 双 seed 均正（+0.17/+0.10），cov s0 53.93→54.65 |+| 凸组合轴 ρ=0.65 | 56.15 | - | 0.0727 / - | 与 0.75 持平，取 0.75 |  结论：-1. **中心性偏置两个方向都伤分**：偏向类型中心细胞减少类型内多样性，covariation/cell_state 受损，de_score 平台 0.0727 未被突破（PLAN 风险 2 成立）。de_recovery 对该组成家族是结构性的，此路封闭。-2. **丰度轴不满足父节点采纳标准（双 seed >55.6）**：s0 总分持平（cov +1.3 被 de 掉档抵消），s1 55.34 < 55.48。de_score 档位似乎绑定「权重轴 + T_hi=0.90」这一具体温度分配，换轴即掉档。不采纳。-3. 默认提交 = 节点 13 行为的逐字节复现（sha256 验证），预期正式分 ≈ 父节点。+1. **过渡细胞插值证伪**（PLAN 风险 2 成立）：de_score 对插值细胞完全不动（0.0727 平台），而 mmd_u 上升伤 cell_state，剂量依赖（frac 0.01→0.02 单调变差）。de_recovery 的天花板不在「缺少中间表达状态」。+2. **凸组合轴 ρ=0.75 采纳**：s0 cov +0.72（53.93→54.65）、总分 +0.17；s1 +0.10；两 seed de 档位与基底相同（s0 0.0727、s1 0.0545），无掉档风险。增益小于 ±2 噪声带，但方向一致、机制明确（稀有类型温度更低→存在保留→协方差结构更完整），且无任何分组变差超过 0.1。ρ=0.5 即触发 de 掉档，说明档位对轴扰动敏感，0.75 是可用的最激进值附近（0.65 未掉档但增益不更大）。  ## 验证过 / 未验证 -- 验证：8 次 proxy A 半查分（中心性 5 配置 + 丰度轴双 seed + 基底复现）；VEC_CENT=0 且 VEC_TAXIS=weight 默认输出与节点 13 代码路径逐字节一致（final_proxy_s0 与 base_s0 sha256 相同）；同 seed 重跑逐字节一致（确定性）；proxy2 输出与 proxy 逐字节一致（include_external=False，sha256 相同，proxy2 无需另查）；X3 恒等路径不受两机制影响（n_out≥n_obs 时中心性块跳过、温度不改多重集）；三视图 vec-check 全部 ok；运行 ~4.5s、内存与父节点相同量级。-- 未验证：final 视图（代码路径同 proxy，dt=1）；B 半。本节点为**证伪型负结果**：提交配置即父配置，无新增分数主张。-- 知识来源：同父节点（细胞周期基因 Tirosh et al. 2016 惯例、凋亡基因 GO:0006915）；中心性与丰度轴只用输入池自身表达/计数现场计算，无硬编码统计，未用保留阶段/禁窗/保留基因型信息。+- 验证：8 次 proxy A 半查分；VEC_TRHO=1.0+VEC_MIXFRAC=0 默认路径与节点 13 输出 sha256 逐字节一致；采纳配置（ρ=0.75）双 seed 正向；proxy2 输出与 proxy 逐字节一致（include_external=False，sha256 相同，无需另查）；X3 恒等路径不受两机制影响（n_out≥n_obs 时 E-S 取全池、温度不改多重集，mix 块跳过）；三视图 vec-check 全部 ok；同 seed 重跑逐字节一致（确定性，ρ 轴与 mix 均无 RNG）；运行 ~4.5s/视图。+- 未验证：final 视图（代码路径同 proxy，dt=1）；B 半；ρ∈(0.75,1) 细网格；λ<0.15 或不同配对策略的过渡细胞（de_score 不动，判定为方向性证伪，未细扫）。+- 知识来源：同父节点（细胞周期基因 Tirosh et al. 2016 惯例、凋亡基因 GO:0006915，均为阶段无关通用知识）；凸组合轴与过渡细胞只用输入池自身表达/计数/评分现场计算，无硬编码统计量，未用保留阶段、禁窗或保留基因型信息。  ## 下一步建议 -1. 组成-权重家族（比例、温度、保底、中心性、丰度轴）已系统扫过且全部收敛/证伪；de_score 阶梯 0.0727→更高档对任何抽样权重形状不敏感。建议换家族：在保持逐细胞实体的前提下做**细胞状态的轻度演化**（如对每种类型按已发布 E8.5→E9.5 之外的通用分化知识做小幅基因模块调整），或类型间**过渡态细胞的构造**（混合型插值细胞以少量比例注入），目标直接对准 de_recovery/direction。-2. covariation 对「稀有类型保留」有响应（丰度轴 s0 cov +1.3）：若能与权重轴温度做凸组合轴（rank = ρ·权重排名 + (1-ρ)·丰度排名，ρ 可搜），可能保住 de 档的同时吃到 cov 增益；单 seed 探针 ≤2 次。-3. 不要再试：任何 k≥2 保底、任何中心性/典型性偏置、T_hi<0.90 的温度。+1. de_score 平台（0.0727/0.0545 两档，随 seed 翻档）对组成重采样、表达插值、乘性调制全部不敏感——它可能由类型级伪批量 DE 的方向/集合决定，只有真正改变类型均值表达谱的方法（如按通用分化知识做基因模块级演化，且幅度足以移动 DE 集合）才可能突破；但节点 11 的乘性 boost 已证 de 对乘性调制盲，建议加性/通路级小幅演化（用 prior/ 的 Reactome/GO 注释选模块），单 seed 探针 2 次内止损。+2. cov 对「稀有类型温度」有响应（丰度轴 +1.3、ρ=0.75 +0.72）：可试 T_lo 再降（0.55）配 ρ=0.75，或每对相邻排名做局部温度微调；单 seed 探针。+3. 不要再试：过渡态插值细胞（任何 λ/frac）、k≥2 保底、中心性偏置、纯丰度轴或 ρ≤0.5、T_hi<0.90。diff --git a/solution/run.py b/solution/run.pyindex 91705a4..a730748 100644--- a/solution/run.py+++ b/solution/run.py@@ -88,7 +88,23 @@ Node 14 (both mechanisms MEASURED NEGATIVE, defaults keep node 13 exactly):       weight. Proxy A-half seed 0: 56.02 (covariation 53.93 -> 55.26 but       de_score drops to 0.0545); seed 1: 55.34 vs base 55.48, de_score       0.0364. Not positive on both seeds -> not adopted. The de_score tier-      (0.0727) requires the weight axis with T_hi=0.90, T_lo in [0.5, 0.65].+       (0.0727) requires the weight axis with T_hi=0.90, T_lo in [0.5, 0.65].++Node 16:+    * convex temperature rank axis (ADOPTED, VEC_TRHO=0.75): rank types by+      0.75*weight_rank + 0.25*abundance_rank (both ascending, re-ranked) for+      the per-type temperature. Captures part of the abundance-axis+      covariation gain while keeping the de_score tier. Proxy A-half:+      seed 0 56.17 (cov 53.93 -> 54.65) vs base 56.005; seed 1 55.58 vs+      55.48. rho=0.65 ties (56.15); rho=0.5 drops de_score to 0.0545.+      rho=1.0 reproduces node 13 byte-identically.+    * type-transition interpolated cells (VEC_MIXFRAC, default 0 = OFF):+      replace the lowest-weight frac*n_out output cells with pairwise+      interpolations (1-lam)*x_a + lam*x_b between top-weight cells of+      adjacent proliferation-ranked type pairs. MEASURED NEGATIVE: frac=0.02+      lam=0.15 -> 55.43, frac=0.01 -> 55.65 (vs base 56.005); de_score stays+      at 0.0727 (insensitive) while mmd_u rises (cell_state 58.3 -> 56.0),+      dose-monotone. Refuted; kept for reference. """  from __future__ import annotations@@ -204,7 +220,8 @@ def type_weights(adata, scores: np.ndarray, alpha: float, dt: float,   def apply_temperature(w: np.ndarray, ct: np.ndarray | None, temp: float,-                       t_lo: float, t_hi: float, axis: str = "weight") -> np.ndarray:+                       t_lo: float, t_hi: float, axis: str = "weight",+                       rho: float = 1.0) -> np.ndarray:     """Per-type weight temperature (node 13).      Types are ranked by their median weight ascending; the type with rank r@@ -233,6 +250,15 @@ def apply_temperature(w: np.ndarray, ct: np.ndarray | None, temp: float,             tw[t] = np.median(w[codes == t])     ranks = np.empty(nt, dtype=np.int64)     ranks[np.argsort(tw, kind="stable")] = np.arange(nt)+    if rho != 1.0 and axis != "abundance":+        # node 16: convex rank axis, rank = rho*weight_rank + (1-rho)*abundance_rank+        ab = np.bincount(codes, minlength=nt).astype(np.float64)+        ranks_ab = np.empty(nt, dtype=np.int64)+        ranks_ab[np.argsort(ab, kind="stable")] = np.arange(nt)+        comb = rho * ranks + (1.0 - rho) * ranks_ab+        ranks2 = np.empty(nt, dtype=np.int64)+        ranks2[np.argsort(comb, kind="stable")] = np.arange(nt)+        ranks = ranks2     tc = t_lo + (t_hi - t_lo) * (ranks / max(nt - 1, 1))     return np.power(w, tc[codes]) @@ -374,6 +400,93 @@ def apply_marker_boost(X_out, codes_out: np.ndarray, boost: np.ndarray):     return X_out  +def transition_cells(X_pool, ct_pool: np.ndarray, scores: np.ndarray,+                     w_out: np.ndarray, rows: np.ndarray, n_replace: int,+                     lam: float, npairs: int):+    """Build n_replace interpolated transition cells between type pairs (node 16).++    Types are ranked by mean proliferation score descending (high = "early",+    low = "late"; generic cell-cycle knowledge, stage-independent). Adjacent+    ranks are candidate (early, late) pairs; the npairs adjacent pairs with+    the largest score gap and at least one sampled cell on both sides are+    used. For a pair (a, b), the j-th transition cell interpolates the j-th+    highest-weight sampled cell of type a with the j-th of type b (cycling),+    x_t = (1-lam)*x_a + lam*x_b -- pairwise interpolation of two real cells,+    preserving each parent's covariance structure (unlike shrinkage to a type+    mean). Fully deterministic (rank-based, no RNG).++    Returns (new_rows, trans_X_csr): sampled rows to keep (sorted) and the+    sparse matrix of transition cells to append.+    """+    n_out = rows.shape[0]+    n_replace = min(n_replace, n_out)+    if n_replace <= 0:+        return rows, None+    Xcsr = X_pool.tocsr() if sp.issparse(X_pool) else sp.csr_matrix(X_pool)+    ct_out = ct_pool[rows]+    types = np.unique(ct_out)+    s_by_type = {t: float(scores[ct_pool == t].mean()) for t in types}+    order = sorted(types, key=lambda t: (-s_by_type[t], str(t)))+    cand = []+    for i in range(len(order) - 1):+        a, b = order[i], order[i + 1]+        cand.append(((s_by_type[a] - s_by_type[b]), a, b))+    cand.sort(key=lambda x: (-x[0], str(x[1]), str(x[2])))++    out_pos = {t: np.flatnonzero(ct_out == t) for t in types}+    for t in types:+        p = out_pos[t]+        out_pos[t] = p[np.argsort(-w_out[p], kind="stable")]++    # protect the last remaining cell of any type from being replaced+    protected = np.concatenate([out_pos[t][:1] for t in types+                                if len(out_pos[t]) <= 1]) if any(+        len(out_pos[t]) <= 1 for t in types) else np.array([], dtype=np.int64)++    picks = [(a, b) for _, a, b in cand+             if out_pos.get(a) is not None and out_pos.get(b) is not None+             and len(out_pos[a]) > 0 and len(out_pos[b]) > 0][:npairs]+    if not picks:+        return rows, None++    per = [n_replace // len(picks)] * len(picks)+    for i in range(n_replace - sum(per)):+        per[i] += 1++    trans_rows = []+    trans_w = []+    for (a, b), cnt in zip(picks, per):+        A, B = out_pos[a], out_pos[b]+        for j in range(cnt):+            ia, ib = A[j % len(A)], B[j % len(B)]+            trans_rows.append((ia, ib))+            trans_w.append(0.5 * (w_out[ia] + w_out[ib]))++    m = len(trans_rows)+    if m == 0:+        return rows, None+    xa = Xcsr[rows[[t[0] for t in trans_rows]]]+    xb = Xcsr[rows[[t[1] for t in trans_rows]]]+    Xt = ((1.0 - lam) * xa + lam * xb).tocsr()+    Xt.data = np.clip(Xt.data, 0.0, None).astype(np.float32)+    Xt.eliminate_zeros()++    cand_drop = np.argsort(w_out, kind="stable")+    if protected.size:+        cand_drop = np.setdiff1d(cand_drop, protected, assume_unique=False)+    drop = cand_drop[:m]+    m = drop.size+    if m < len(trans_rows):+        trans_rows = trans_rows[:m]+        xa = Xcsr[rows[[t[0] for t in trans_rows]]]+        xb = Xcsr[rows[[t[1] for t in trans_rows]]]+        Xt = ((1.0 - lam) * xa + lam * xb).tocsr()+        Xt.data = np.clip(Xt.data, 0.0, None).astype(np.float32)+        Xt.eliminate_zeros()+    keep = np.setdiff1d(np.arange(n_out), drop)+    return rows[keep], Xt++ def weighted_sample_without_replacement(w: np.ndarray, n_out: int,                                         rng: np.random.Generator) -> np.ndarray:     n = w.shape[0]@@ -444,7 +557,8 @@ def main() -> None:         c_i = centrality_weights(adata.X, codes_c, len(types_c), cent)         w = np.clip(w * c_i, 0.01, 100.0) -    w = apply_temperature(w, ct, temp, t_lo, t_hi, axis=t_axis)+    t_rho = float(os.environ.get("VEC_TRHO", "0.75"))+    w = apply_temperature(w, ct, temp, t_lo, t_hi, axis=t_axis, rho=t_rho)      k_low = int(os.environ.get("VEC_KLOW", "0"))     q_low = float(os.environ.get("VEC_QLOW", "0.25"))@@ -457,6 +571,16 @@ def main() -> None:     rows = stratified_floor_sample(w, ct, n_out, rng, k_floor, mode=k_mode,                                    kmap=kmap) +    # Node 16: inject type-transition interpolated cells (default OFF).+    mix_frac = float(os.environ.get("VEC_MIXFRAC", "0.0"))+    mix_lam = float(os.environ.get("VEC_MIXLAM", "0.15"))+    mix_pairs = int(os.environ.get("VEC_MIXPAIRS", "3"))+    X_trans = None+    if mix_frac > 0.0 and ct is not None and n_out < adata.n_obs and scores.max() > 0.0:+        rows, X_trans = transition_cells(+            adata.X, ct, scores, w[rows], rows,+            int(mix_frac * n_out), mix_lam, mix_pairs)+     X_out = adata.X[rows]      # Multiplicative marker-gene boost (node 11). Applied to output cells only.@@ -468,6 +592,11 @@ def main() -> None:         boost = marker_boost_matrix(M, g_mean, delta, thr, mk_max)         X_out = apply_marker_boost(X_out, codes[rows], boost) +    if X_trans is not None and X_trans.shape[0] > 0:+        X_out = X_out.tocsr() if sp.issparse(X_out) else sp.csr_matrix(X_out)+        X_out = sp.vstack([X_out, X_trans], format="csr")+        X_out.data = X_out.data.astype(np.float32)+     if eps > 0.0 and ct is not None:         types, codes = np.unique(ct, return_inverse=True)         M = type_pseudobulk(adata.X, codes, len(types))

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：在节点 13/14 基底上实现两个机制——(1) PLAN 主推的类型间过渡态插值细胞（VEC_MIXFRAC，实测证伪：frac=0.02→55.43、frac=0.01→55.65 vs 基底 56.005，de_score 0.0727 平台纹丝不动、cell_state 剂量性受损，默认关闭）；(2) 父节点建议的温度排名轴凸组合 ρ·权重排名+(1-ρ)·丰度排名（**采纳 ρ=0.75**：seed 0 56.17 / seed 1 55.58，双 seed 均正，cov s0 53.93→54.65，de 档位不掉；ρ=0.5 掉档 55.95、ρ=0.65 持平 56.15）。查分用 8/20 次。三视图 vec-check 全 ok，proxy2 输出与 proxy sha256 相同，X3 恒等路径不变，ρ=1.0 时与父节点逐字节一致。

下一步最值得试：de_score 两档（0.0727/0.0545）对一切组成/插值/乘性手段免疫，只有真正移动类型均值表达谱的方法可能突破——建议用 prior/ 的 Reactome/GO 通路注释做加性、小幅度的基因模块演化（按通用分化方向），单 seed 探针 2 次内止损；次选 cov 方向：ρ=0.75 配 T_lo=0.55。

调研员

入少量类型间过渡态插值细胞以突破 de_recovery 平台",
  "motivation": "de_recovery 51.33 是全树最弱分组，de_score 在 0.0727 形成平台且对一切抽样权重形状（中心性、丰度轴、温度、保底）均不敏感（节点 13/14 系统证伪）。纯组成重采样只能改变已有细胞的比例，无法产生输入池中不存在的表达状态，因此 de_score 存在结构性天花板。节点 9 的伪批量收缩（eps）虽伤 covariation，但其失败原因是向类型均值收缩抹平了细胞间方差；逐对细胞插值（两个真实细胞之间）保留了每个亲本细胞的协方差结构，机制不同。节点 12（解剖学重加权）得分 54.50 但来自不同父系且无 rank3，当前支线仍需在节点 13 配置上突破。",
  "approach": "基底 = 节点 13 完整配置（alpha=-3, beta=-0.5, gamma=0.2, k=1 wrand, 按类型中位权重排名温度 T_lo=0.60/T_hi=0.90, E-S 不放回抽样），不改任何已有逻辑。新增一个后处理步骤：\n\n1. **选亲本对**：E-S 抽样完成后，利用已有的类型级增殖评分对类型排序（高增殖=早，低增殖=晚）。取相邻排名的类型对 (c_early, c_late)，最多取 3 对（增殖分差最大的 3 对相邻类型）。\n2. **造过渡细胞**：对每对 (c_early, c_late)，从已抽样输出中各取该类型权重最高的 1 个细胞 (x_a, x_b)，生成 x_t = (1-λ)·x_a + λ·x_b。稀疏矩阵下用 CSR 逐行加权求和，保持稀疏。λ 初值 0.15，搜索 {0.10, 0.15, 0.20, 0.30}。\n3. **替换**：将输出中权重最低的 floor(frac·n_out) 个细胞替换为过渡细胞。frac 初值 0.02，搜索 {0.01, 0.02, 0.03, 0.05}。替换后总细胞数不变。\n4. **确定性**：亲本选择由权重排名决定，无 RNG；E-S 抽样本身的 RNG 与节点 13 一致（seed 固定）。\n5. **X3 退路**：n_out ≥ n_obs 时跳过过渡细胞注入，保持恒等路径（与现有 X3 逻辑一致）。\n6. **proxy2**：include_external=False 时输出与 proxy 逐字节一致，无需另查；若外部输入被启用，过渡细胞逻辑同样适用（只用当前池内细胞）。\n7. **单输入阶段退路**：过渡细胞只用同一输入池内的细胞做插值，不依赖第二个时间点，单阶段（proxy）与双阶段（final）代码路径相同。\n\n**查分策略（≤8 次）**：\n- 第 1 次：基底复跑确认环境一致（预期 ≈56.01）\n- 第 2-3 次：λ=0.15, frac=0.02, seed 0/1 探针（若 seed 0 < 55.5 立即止损）\n- 第 4-5 次：若正向，换 λ=0.10 或 λ=0.20 单 seed 探针\n- 第 6-7 次：最优配置双 seed 确认（需两 seed 均 >55.6 才采纳）\n- 第 8 次：最优配置 frac 微调（0.01 或 0.03）\n- 若第 2 次 seed 0 即负（<55.0），放弃过渡细胞，尝试 frac=0.01 一次后止损提交基底。\n\n**关键约束**：不修改任何未被替换细胞的表达值；不做全池伪批量收缩；不引入保留阶段/禁窗信息；类型配对只用增殖评分（通用细胞周期基因集，阶段无关）。",
  "expected_groups": ["de_recovery", "direction"],
  "risks": "1) covariation 受损：插值细胞的协方差结构介于两亲本之间，若比例过高会稀释群体协方差。缓解：frac ≤ 0.03 起步，Engineer 在第 2 次查分时同时看 covariation 分组，若 < 51 立即降 frac 或止损。2) de_score 仍不敏感：若 de_score 仍为 0.0727，说明 DE 指标不关心插值细胞，此路封闭；Engineer 在第 2 次查分即可判断。3) 亲本对选取不当：若增殖排序不准确导致配对不合理，过渡细胞无生物学意义；缓解：只用增殖分差最大的相邻对，且 λ 小（≤0.2）使细胞仍接近亲本。4) 与节点 9 eps 收缩混淆：两者机制不同（逐对插值 vs 向均值收缩），Engineer 应确认实现是逐对而非向均值。5) 噪声：预期提升 1-3 分，接近噪声；必须双 seed 确认，单 seed 正向不算采纳。",
  "sources": []
}

审查员

REVIEW.json written