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

节点 n18

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 75853c209f: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 6fe0b621d5。改动的文件：solution/run.py +78 −0

diff --git a/solution/run.py b/solution/run.pyindex a730748..e9c0420 100644--- a/solution/run.py+++ b/solution/run.py@@ -487,6 +487,57 @@ def transition_cells(X_pool, ct_pool: np.ndarray, scores: np.ndarray,     return rows[keep], Xt  +def load_pathway_sets(view_dir: str, genes, lo: int = 10, hi: int = 500):+    """Parse prior/ GMT gene sets (Reactome + GO BP) into panel index lists.++    Generic, stage-independent knowledge resources shipped with the view.+    """+    pos = {g: i for i, g in enumerate(genes)}+    sets = []+    for rel in ("prior/reactome/gene_sets.gmt", "prior/go/gene_sets_bp.gmt"):+        p = os.path.join(view_dir, rel)+        if not os.path.exists(p):+            continue+        with open(p) as f:+            for line in f:+                parts = line.rstrip("\n").split("\t")+                if len(parts) < 3:+                    continue+                idx = [pos[g] for g in parts[2:] if g in pos]+                if lo <= len(idx) <= hi:+                    sets.append(idx)+    return sets+++def pathway_direction_matrix(M: np.ndarray, mu_all: np.ndarray, genes,+                             view_dir: str, std_pool: np.ndarray,+                             sign: float = 1.0) -> np.ndarray | None:+    """Per-type additive direction from pathway activity deviations (node 18).++    A_{c,p} = mean pseudobulk of type c over pathway p; delta = A_c - A_all.+    sign=+1 (divergence): genes of pathways already high in the type get +1+    (amplify type-specific module contrast, cf. node 15 typicality evidence);+    sign=-1 (convergence): high pathways get -1 (PLAN's original direction).+    Gene direction = mean set-sign over sets containing the gene, divided by+    the pool gene std for scale stability (PLAN step 3).+    """+    sets = load_pathway_sets(view_dir, genes)+    if len(sets) < 20:+        return None+    ng = M.shape[1]+    rows = np.repeat(np.arange(len(sets)), [len(s) for s in sets])+    cols = np.concatenate([np.asarray(s) for s in sets])+    P = sp.csr_matrix((np.ones(len(cols)), (rows, cols)), shape=(len(sets), ng))+    sizes = np.asarray(P.sum(axis=1)).ravel()+    A = np.asarray(P @ M.T).T / sizes[None, :]+    A_all = np.asarray(P @ mu_all).ravel() / sizes+    delta = A - A_all[None, :]+    sdir = sign * np.sign(delta)+    mem = np.asarray(P.sum(axis=0)).ravel()+    r = np.asarray(sp.csr_matrix(sdir) @ P) / np.maximum(mem, 1.0)+    return r / (std_pool[None, :] + 1e-3)++ def weighted_sample_without_replacement(w: np.ndarray, n_out: int,                                         rng: np.random.Generator) -> np.ndarray:     n = w.shape[0]@@ -597,6 +648,33 @@ def main() -> None:         X_out = sp.vstack([X_out, X_trans], format="csr")         X_out.data = X_out.data.astype(np.float32) +    # Node 18: additive type-level expression evolution (default OFF).+    # VEC_ADDMODE=dev: d_c = mu_c - mu_all (direct pseudobulk deviation);+    # VEC_ADDMODE=pathway: sign-based pathway module direction (PLAN step 3).+    # VEC_ADDSIGN=+1 amplifies type contrast (divergence), -1 converges.+    # Skipped on the identity path (n_out >= pool, X3) and without celltypes.+    add_eps = float(os.environ.get("VEC_ADDEPS", "0.0"))+    if add_eps > 0.0 and ct is not None and n_out < adata.n_obs and X_trans is None:+        types_a, codes_a = np.unique(ct, return_inverse=True)+        M = type_pseudobulk(adata.X, codes_a, len(types_a)).astype(np.float64)+        mu_all = np.asarray(adata.X.mean(axis=0)).ravel().astype(np.float64)+        add_sign = float(os.environ.get("VEC_ADDSIGN", "1.0"))+        add_mode = os.environ.get("VEC_ADDMODE", "dev")+        D = None+        if add_mode == "pathway":+            std_pool = np.asarray(adata.X.power(2).mean(axis=0)).ravel() - mu_all ** 2+            std_pool = np.sqrt(np.maximum(std_pool, 0.0))+            D = pathway_direction_matrix(M, mu_all, genes, args.data,+                                         std_pool, sign=add_sign)+            if D is None:+                D = (M - mu_all[None, :]) * add_sign+        else:+            D = (M - mu_all[None, :]) * add_sign+        Xd = np.asarray(X_out.todense(), dtype=np.float32) if sp.issparse(X_out) else np.asarray(X_out, dtype=np.float32)+        Xd += (add_eps * D[codes_a[rows]]).astype(np.float32)+        np.clip(Xd, 0.0, None, out=Xd)+        X_out = Xd+     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

Now the main hook:

调研员

4~0.7。本方案同时瞄准两组：主靶 de_recovery（加性模块演化），副靶 covariation（T_lo 微调）。",
  "approach": "**机制**：对每个细胞类型，利用 prior/ 中的 Reactome/GO 基因集注释，计算通路活性方向向量，以加性方式小幅移动类型内所有细胞的表达值，从而改变类型间伪批量 DE 基因集合。加性平移对类型内协方差结构完全不变（同一向量加到所有细胞），只移动类型均值，正好命中 de_score 的敏感维度。\n\n**步骤**：\n1. 加载 prior/ 目录中的通路注释文件（Reactome/GO .gmt 或类似格式），解析为 {pathway_name: gene_list}。若 prior/ 不存在或为空，回退到按基因方差选高变基因子集做微小幅值加性噪声（仅作保底路径）。\n2. 对每个细胞类型 c，计算伪批量均值 μ_c。对每条通路 p，计算通路活性 A_{c,p} = mean(μ_c[g] for g in p ∩ panel)。用全池均值 A_{all,p} 做参照，定义偏离 δ_{c,p} = A_{c,p} - A_{all,p}。\n3. 构建加性方向向量：对类型 c 中每条通路，若 δ_{c,p} > 0（该通路在此类型已高表达），则该通路基因的方向为 -1（轻微下调，模拟分化后通路活性收敛）；若 δ_{c,p} < 0，方向为 +1（轻微上调）。这是通用的'分化收敛'假设：E8.5→E9.5 期间，过度活跃的通路趋于收敛，低活跃通路趋于激活，使类型间差异适度重排。方向向量 d_c 按基因归一化（除以该基因在全池的标准差）以稳定尺度。\n4. 应用加性演化：x'_i = x_i + ε · d_c（对类型 c 的所有细胞 i）。关键参数 ε 初值 0.05，搜索范围 {0.02, 0.05, 0.10, 0.15}。ε=0 精确回退节点 16。\n5. 截断保护：演化后表达值 clip 到 [0, max_pool]，避免负值或超出观测范围。\n6. **副靶**：在加性演化基础上，将 T_lo 从 0.60 降到 0.55（T_hi 保持 0.90），验证 de 档位不掉的同时 cov 是否放大。单 seed 探针 1 次，掉档即回退。\n7. **vec-score 筛选流程**：先 ε=0.05 单 seed 0 查 proxy A 半，看 de_score 是否脱离 0.0727 平台。若 de_score 不动（±0.001），立即止损，不继续。若 de_score 变动，再跑 seed 1 确认，然后试 ε=0.02/0.10 各一次。总计预算 ≤6 次查分。\n8. **单输入阶段退路**：本机制完全基于输入池自身的类型伪批量和通路注释，不依赖第二时间点。proxy（单输入）和 proxy2/final（双输入）使用完全相同的代码路径。proxy2 的 Qiu 第二输入不参与加性演化计算（演化只作用于输出细胞）。\n9. **X3 路径**：若 n_out ≥ n_obs（恒等路径），跳过加性演化，保持恒等。\n10. **确定性**：方向向量完全由输入数据和通路注释决定，无 RNG，同 seed 重跑逐字节一致。\n11. **合规**：通路注释来自 prior/（已发布、阶段无关的通用知识库）；方向逻辑基于通用分化收敛假设，不含任何保留阶段/禁窗/保留基因型的统计量；不硬编码任何阶段的实测值。",
  "expected_groups": ["de_recovery", "covariation"],
  "risks": "1. de_score 可能对加性小幅演化同样不敏感（毕竟它连乘性 50% boost 都无感）。止损标准：ε=0.05 和 ε=0.10 两次探针后 de_score 仍在 0.0727±0.001，立即放弃加性演化，只保留 T_lo 微调。2. 加性演化若幅度过大可能伤害 cell_state（mmd_u 上升）和 covariation（类型间协方差被过度移动）。ε≤0.15 为硬上限，且先查 cell_state/cov 分组分再决定。3. prior/ 通路文件可能格式不标准或基因覆盖不足（<100 基因命中）。若覆盖率 <30%，回退到按基因方差选 top-500 高变基因做方向向量（方向仍按类型偏离全池的符号）。4. '分化收敛'假设可能方向反了（某些通路在 E9.5 更活跃）。若 ε>0 使 de_score 下降，尝试翻转方向（δ>0 → +1），仅需改一个符号，额外 1 次查分。5. T_lo=0.55 可能导致 de 掉档（ρ=0.5 时的教训），若掉档立即回退 0.60。"
}

审查员

REVIEW.json written