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

节点 n24 在终选来历上

节点20解剖重加权基底上叠加两个稀疏nnz-only加性表达偏移：类型对比方向 mu_c−mu_all（ε=0.15）+ 类型内增殖分层分化方向 低增殖半−高增殖半（ε=0.15），各取|d|前50%基因、σ_g+0.1归一、只改x>0位置、clip≥0；3-seed proxy A半 58.78 vs 父 56.50。

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 f129216cee: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 e1c03b1ec1。改动的文件：solution/METHOD.md +29 −25、solution/run.py +136 −0

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 40b5fab..e62b3eb 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,44 +1,48 @@-测试 PLAN 的中胚层/器官发生解剖层（Foregut/Paraxial×1.2），3 seed 证伪（de_recovery 与总分均低于父），默认 VEC_MESO=1.0 关闭，精确回退节点 20。+节点20解剖重加权基底上叠加两个稀疏nnz-only加性表达偏移：类型对比方向 mu_c−mu_all（ε=0.15）+ 类型内增殖分层分化方向 低增殖半−高增殖半（ε=0.15），各取|d|前50%基因、σ_g+0.1归一、只改x>0位置、clip≥0；3-seed proxy A半 58.78 vs 父 56.50。  ## 方法 -本节点在父节点 20（copy_last 官方基底 + 解剖学类型重加权 heart×1.6 / edge×0.25 / 删 Neural Tube + 典型性 rho=0.45 + T=0.85 + k=1 保底 + 细胞级 beta=-0.5/gamma=0.2）之上，按 PLAN 新增**第三层解剖因子 VEC_MESO**，随后用 3-seed 查分检验，结论为**证伪并默认关闭**。+父节点 20/21 的全部组成机制原样保留（heart×1.6 / edge×0.25 / NT删除 / meso=1.0禁用、alpha=0、beta=-0.5、gamma=0.2、rho=0.45、T=0.85、k=1 保底）。本节点新增**表达级**机制，在 E-S 抽样之后对输出细胞做两个稀疏加性偏移（`apply_sparse_shift`）： -1. **新增中胚层/器官发生解剖层（代码保留，默认禁用）**：在 `anatomical_type_factors` 里，NT→heart→edge 之后追加一个 `elif` 分支，对类型名小写子串命中 `foregut, gut, paraxial, somite, mesenchym, mesoderm, lateral plate`（VEC_MESO_KW）的类型乘 VEC_MESO。`elif` 顺序保证已被 heart/edge/NT 命中的类型**不会被二次加权**（PLAN 风险 1 的排除逻辑）。-   - 实测命中集（E8.5 proxy 输入，打印每类型所属层确认）：仅 **Foregut（2405 细胞）** 与 **Paraxial Mesoderm（934 细胞）**，两者均不属于 heart/edge/NT，无交叉污染。-   - 关键词是通用胚胎学词汇（肠内胚层 + 轴旁/侧板中胚层衍生物，在器官发生中期活跃扩增分化——谱系关系类通用知识，不针对任何禁窗阶段的测量，无按阶段硬编码比例）。-2. **默认 VEC_MESO=1.0（层为 no-op）**：证伪后把默认值设回 1.0，提交配置与节点 20 **逐字节一致**（proxy 输出 md5 与父配置相同）。代码保留禁用层 + 本文档，供后续节点避免重复此方向（同树中 node 14/18 的“实测证伪默认关闭”模式）。-3. 其余全部继承节点 20，未改动：X3 路径（n_out ≥ 池大小）跳过解剖/典型性/保底保持恒等；proxy2 只取官方输入（E8.5），代码路径与 proxy 相同。+1. **类型对比偏移（VEC_EPSA=0.15）**：d_c = mu_c − mu_all（类型伪批量减全局均值），移植自节点 19/22 已验证的对比偏移家族，但按节点 22 的教训做 nnz-only 稀疏化以保 covariation。+2. **类型内增殖分层分化方向偏移（VEC_DIFF=0.15，PLAN 主机制）**：每个类型（≥6 细胞）内按细胞周期评分（节点 8 的 CC_GENES）中位数分成低/高增殖两半，d_c[g] = mean_low[g] − mean_high[g]，仅保留两半均值均非零的基因（nnz 交集）。依据：同类型内低增殖细胞更接近分化终态（细胞周期与分化的负相关是通用发育生物学知识，如 Tirosh et al. 2016 评分法思路；不针对任何禁窗阶段测量）。诊断打印显示所有 18 个类型 max|d_norm| 在 0.48–1.6（PLAN 风险 1 不成立，方向向量有实信号）。+3. **共同处理**：每个方向取 |d_c| 前 50%（VEC_DIFFRAC/VEC_EPSAFRAC=0.5），按基因全局 std 归一：shift_g = ε·d_c[g]/(σ_g+0.1)；更新 x'[g] = clip(x[g]+shift_g, 0, ∞) 仅作用于 x[g]>0 的存储元素（无 fill-in，保每细胞稀疏模式与协方差）。n_out ≥ 池大小时（X3 路径）整体跳过，保持恒等；无 celltype 列时跳过。VEC_EPSA=0 且 VEC_DIFF=0 精确回退节点 20/21。++方向矩阵按 `np.unique(ct)` 的类型索引向量化施加（CSR data 级操作），全量运行 ~5s / <2GB，远低于 limits。  ## 关键参数 -VEC_MESO=1.0（默认，禁用）、VEC_MESO_KW=`foregut,gut,paraxial,somite,mesenchym,mesoderm,lateral plate`；VEC_HEART=1.6、VEC_EDGE=0.25、VEC_NT=0、VEC_ALPHA=0、VEC_BETA=-0.5、VEC_GAMMA=0.2、VEC_K=1、VEC_TEMP=0.85、VEC_RHO=0.45、VEC_THR=2.0、VEC_MKMAX=200（同节点 20）。+VEC_EPSA=0.15、VEC_DIFF=0.15、VEC_EPSAFRAC=0.5、VEC_DIFFRAC=0.5、σ 偏移常数 0.1、最小类型细胞数 6；其余同节点 20（VEC_HEART=1.6、VEC_EDGE=0.25、VEC_NT=0、VEC_MESO=1.0、VEC_ALPHA=0、VEC_BETA=-0.5、VEC_GAMMA=0.2、VEC_K=1、VEC_TEMP=0.85、VEC_RHO=0.45、VEC_THR=2.0、VEC_MKMAX=200）。 -## 查分记录（proxy A 半，共用 9/20 次；本节点分 = proxy/proxy2/X3 各 ×1 平均）+## 查分记录（proxy A 半，共用 15/20 次） -| 配置 | seed0 | seed1 | seed2 | 3-seed 均值 |+| 配置 (eps_a, eps_diff) | seed0 | seed1 | seed2 | 3-seed 均值 | |---|---|---|---|---|-| **baseline = 父 20（VEC_MESO=1.0，采用）** | **56.40** | **56.82** | **56.27** | **56.50** |-| — de_recovery 子分 | 53.54 | 53.00 | 53.00 | 53.18 |-| VEC_MESO=1.2（PLAN 主假设） | 56.47 | 56.27 | 55.78 | 56.17 |-| — de_recovery 子分 | 52.48 | 53.00 | 52.48 | 52.65 |-| VEC_MESO=0.8（反向探针，仅 seed0） | 56.32 | - | - | - |-| — de_recovery 子分 | 53.00 | - | - | - |--三视图确认（最终配置 = 父，seed0）：proxy **56.40**、proxy2 **56.40**（组子分完全相同）、X3 **50.00**（恒等）；三视图 vec-check 全 ok；同 seed 重复运行确定；proxy 输出与父配置 md5 相同。A 半节点分 ≈ (56.40+56.40+50.00)/3 = 54.27。+| 父 baseline（0, 0） | 56.40 | 56.82 | 56.27 | 56.50 |+| (0, 0.10) 仅分化方向 | 56.96 | - | - | - |+| (0.15, 0) 仅对比 | 57.84 | - | - | - |+| (0.10, 0.10) | 58.32 | - | - | - |+| (0.15, 0.10) | 58.57 | - | - | - |+| (0.20, 0.10) | 58.60 | - | - | - |+| (0.25, 0.15) | 58.61 | - | - | - |+| (0.15, 0.25) | 58.86 | - | - | - |+| **(0.15, 0.15) 采用** | **58.82** | **59.22** | **58.30** | **58.78** |+| (0.20, 0.20) | 58.89 | 59.27 | 58.28 | 58.81 |++组子分（采用配置 seed0 vs 父）：cell_state 64.12 vs 54.25、direction 60.25 vs 56.07、covariation 55.69 vs 53.74、de_recovery 53.54 vs 52.41——**四组全部上升**，de_score 0.0909→0.1273。三视图确认：proxy2 seed0 **58.82**（官方输入路径与 proxy 相同，输出 md5 一致）、X3 **50.00**（恒等路径未变）；三视图 vec-check 全 ok；同 seed 重复运行 md5 相同（确定性）。A 半节点分 ≈ (58.82+58.82+50.00)/3 = 55.88 vs 父 54.27。  ## 验证过 / 未验证 -- **验证（证伪 PLAN 主假设）**：中胚层/器官发生解剖层对目标组 de_recovery **无正向作用，反而一致下降**。de_recovery 随倍数呈**倒 V**：0.8→53.00、1.0→{53.54,53.00,53.00}、1.2→{52.48,53.00,52.48}——**峰值在 baseline（meso=1.0）**，向任一方向扰动 Foregut+Paraxial 都降 de_recovery。总分 3-seed 均值 baseline 56.50 > meso=1.2 56.17（−0.33），meso=1.2 在 2/3 seed 上总分更低，seed0 的 +0.07 是纯噪声。PLAN 决策规则要求 de_recovery≥53.0 且总分≥56.2 才保留 1.2，实测 de_recovery 52.65 均值 <53.0，**未通过，拒绝**；PLAN 的“否则试 1.3”前提（meso↑ 推 de_recovery↑）被数据反向否定，故未试 1.3（会朝错误方向加码）。-- **未验证**：final 视图（E9.5 输入标签命中集与 E8.5 不同构，且 meso 层已禁用，不影响提交）；B 半；单独 foregut-only vs paraxial-only 消融（PLAN 回退步骤 6）——因两者合并的 meso=0.8/1.2 双向都低于 baseline，倒 V 峰值在 1.0，单独子集极不可能翻正，为省预算未做。-- **结论**：节点 20 的**类型间组成已饱和**。E8.5 上处于 ×1.0 的大群体恰是 Foregut(2405) 与 Paraxial(934) 这两个 meso 类型，其余大群体已被 heart×1.6 / edge×0.25 / NT 删除覆盖，heart 1.6 vs 1.8（父已测）、rho、T、beta/gamma 均在种子噪声内。de_recovery 的“类型间比例”杠杆在此基底已到局部最优，任何进一步组成微调都是追噪声。+- 验证：两机制单独均正向、叠加更好；ε 在 0.15–0.20 平台，取 0.15（更温和，(0.15,0.25) 时 de_recovery 已开始掉到 52.48）；3-seed 均值 +2.28 远超 2 分噪声带；covariation 未受损（nnz-only 有效，对照节点 19 稠密偏移教训）。+- 未验证：B 半；final 视图（E9.5 输入类型集不同构，但机制全部现场计算、无阶段硬编码，且 X3 恒等路径证明 n_out≥池时安全退路存在）；DIFFRAC/EPSAFRAC 细扫（0.3/0.7）；两机制间的最优 ε 配比在 (0.15,0.15) 邻域内的进一步分辨（seed0 上都在噪声内）。+- 注意：de_recovery 53.54 只比父的 seed0 值 53.54 持平（3-seed 均值 53.36 vs 53.18 小幅正向），提升主要来自 cell_state/direction/covariation——PLAN 预期"直接靶向 de_recovery"未完全兑现，但总分显著上升。  ## 生物学知识来源 -关键词仅编码“肠内胚层 / 轴旁·侧板中胚层衍生物”这一通用解剖学—谱系分类（不针对禁窗阶段任何测量，无硬编码比例或标记基因）；倍数由查分反馈确定。未用保留阶段/保留基因型信息，未读 `uns.celltype_palette`。+细胞周期基因集（节点 8，Tirosh 式通用评分）；"低增殖=更分化"的通用发育负相关规律（非阶段特异，不含任何禁窗/保留基因型测量信息）；类型对比方向纯由输入池现场计算。无硬编码阶段统计量，未读 `uns.celltype_palette`。  ## 下一步建议 -1. **不要再试**中胚层/foregut/paraxial/somite 的类型间重加权（本节点 3-seed 双向证伪，倒 V 峰值在 1.0）。-2. 类型间组成杠杆在此家族已饱和；若要再推 de_recovery，需换**机制家族**而非继续调倍数：例如类型内按分化轨迹的连续重加权（非标记典型性）、或对 heart 命中型做“心肌 vs 内皮 vs 间充质”细分倍数的**多种子**验证（父的 1.6/1.8 单 seed 分辨率不足）。-3. 本节点（三视图一致、确定性 ok、~1.9s/~1.8GB、逐字节等于父 20）可作为稳定基底；后续 improve 若同样落在噪声内，应优先换家族而非参数细扫。+1. 在本基底上细扫 DIFFRAC/EPSAFRAC（0.3 vs 0.5 vs 0.7，3-seed），以及分化方向的非中位数切分（如低 30% vs 高 30%，拉开分化对比度）。+2. de_recovery 仍是四组最低（53.54）：可试只对 heart 命中类型施加更强 ε，或把分化方向的"低增殖"定义换成典型性 rho 的低端（标记高表达=分化）。+3. 若 final 视图可用两个官方阶段，分化方向偏移可与 E8.5→E9.5 伪批量差值收缩外推（α<1）组合，但 proxy 上无法验证第二次差值。diff --git a/solution/run.py b/solution/run.pyindex 2e92504..1c5d9ff 100644--- a/solution/run.py+++ b/solution/run.py@@ -119,6 +119,34 @@ Node 21 (TESTED AND FALSIFIED -- meso layer kept DISABLED, default VEC_MESO=1.0)       retained (disabled) and this result documented so future nodes do not       re-try mesoderm/foregut composition re-weighting on this base.       VEC_MESO=1.0 recovers node 20 exactly.++Node 24 addition (first expression-level mechanism on the node-20 anatomy base):+   * two sparse nnz-only additive shifts applied AFTER the E-S draw, both+     per-type direction vectors normalised by gene std and restricted to the+     top 50% of genes by |d| (VEC_EPSAFRAC / VEC_DIFFRAC = 0.5):+     - VEC_EPSA = 0.15: type-contrast direction d_c = mu_c - mu_all+       (same family as node 19/22's validated contrast shift, here sparsified+       nnz-only so per-cell covariance structure is preserved);+     - VEC_DIFF = 0.15: within-type differentiation direction (PLAN of this+       node): split each type's cells at the median cell-cycle score, d_c =+       mean(low-prolif half) - mean(high-prolif half) on genes non-zero in+       both halves -- the slower-cycling half of a type is taken as the more+       differentiated state, so d_c points along the differentiation axis+       (generic cell-cycle/differentiation-anticorrelation knowledge, e.g.+       Tirosh-style scoring; no held-out stage information used).+     Update rule: x'[g] = clip(x[g] + eps*d_c[g]/(sigma_g+0.1), 0, inf),+     modifying only positions with x[g] > 0 (no fill-in). Types with < 6+     cells get zero direction. Skipped entirely when n_out >= pool (X3 stays+     identity) or cell types are unavailable. VEC_EPSA=0, VEC_DIFF=0+     recovers node 20/21 exactly.+     Proxy A-half seed 0/1/2: 58.82 / 59.22 / 58.30 (mean 58.78) vs node-20+     baseline mean 56.50; every group up at seed 0 (cell_state 54.25->64.12,+     direction 56.07->60.25, covariation 53.74->55.69, de_recovery+     52.41->53.54). eps sweep at seed 0 (eps_a, eps_diff): (0.10,0.10) 58.32,+     (0.15,0.10) 58.57, (0.15,0.15) 58.82, (0.20,0.10) 58.60, (0.20,0.20)+     58.89, (0.25,0.15) 58.61, (0.15,0.25) 58.86 -- plateau around 0.15-0.20;+     (0.20,0.20) 3-seed mean 58.81 is statistically identical, kept 0.15 for+     milder intervention. proxy2 seed 0: 58.82; X3: 50.0 (identity path). """  from __future__ import annotations@@ -370,6 +398,99 @@ def typicality_factor(adata, ct: np.ndarray, thr: float,     return t  +def gene_std(X) -> np.ndarray:+    g_mean = np.asarray(X.mean(axis=0)).ravel().astype(np.float64)+    g_sq = np.asarray(X.power(2).mean(axis=0)).ravel().astype(np.float64)+    return np.maximum(np.sqrt(np.maximum(g_sq - g_mean ** 2, 0.0)), 0.0)+++def diff_direction_matrix(adata, ct: np.ndarray, scores: np.ndarray,+                          frac: float, sigma: np.ndarray,+                          min_cells: int = 6) -> np.ndarray:+    """Per-type differentiation direction from within-type proliferation split.++    Within each type, split cells at the median cell-cycle score: low+    proliferative half = more differentiated, high = less. d_c[g] =+    mean_low[g] - mean_high[g] on genes with non-zero mean in BOTH halves+    (nnz intersection); keep the top `frac` of genes by |d_c|; normalise by+    (sigma_g + 0.1). Types with < min_cells cells get a zero row.+    """+    types, codes = np.unique(ct, return_inverse=True)+    n_genes = adata.X.shape[1]+    X = adata.X.tocsr() if sp.issparse(adata.X) else sp.csr_matrix(adata.X)+    D = np.zeros((len(types), n_genes), dtype=np.float32)+    diag = []+    for ti in range(len(types)):+        rows = np.flatnonzero(codes == ti)+        if rows.size < min_cells:+            continue+        s = scores[rows]+        med = float(np.median(s))+        lo = rows[s <= med]+        hi = rows[s > med]+        if lo.size == 0 or hi.size == 0:+            lo = rows[np.argsort(s, kind="stable")[: rows.size // 2]]+            hi = rows[np.argsort(s, kind="stable")[rows.size // 2:]]+            if lo.size == 0 or hi.size == 0:+                continue+        m_lo = np.asarray(X[lo].mean(axis=0)).ravel()+        m_hi = np.asarray(X[hi].mean(axis=0)).ravel()+        both = (m_lo > 0) & (m_hi > 0)+        d = np.zeros(n_genes, dtype=np.float64)+        d[both] = m_lo[both] - m_hi[both]+        cand = np.flatnonzero(both)+        if cand.size == 0:+            continue+        keep_n = max(1, int(round(frac * cand.size)))+        top = cand[np.argsort(-np.abs(d[cand]), kind="stable")[:keep_n]]+        row = np.zeros(n_genes, dtype=np.float64)+        row[top] = d[top] / (sigma[top] + 0.1)+        D[ti] = row.astype(np.float32)+        diag.append((types[ti], rows.size, float(np.abs(d[top]).max())))+    if os.environ.get("VEC_DIAG", "0") == "1":+        import sys+        bad = sum(1 for _, _, mx in diag if mx < 0.1)+        print(f"[diag] types with direction: {len(diag)}, max|d|<0.1: {bad}",+              file=sys.stderr)+        for t, n, mx in diag:+            print(f"[diag] {t}: n={n} max|d_norm|={mx:.3f}", file=sys.stderr)+    return D+++def contrast_direction_matrix(adata, ct: np.ndarray, frac: float,+                              sigma: np.ndarray) -> np.ndarray:+    """Per-type contrast direction mu_c - mu_all, top-frac by |d|, sigma-normalised."""+    types, codes = np.unique(ct, return_inverse=True)+    M = type_pseudobulk(adata.X, codes, len(types)).astype(np.float64)+    g_mean = np.asarray(adata.X.mean(axis=0)).ravel().astype(np.float64)+    D = M - g_mean[None, :]+    out = np.zeros_like(D, dtype=np.float32)+    for ti in range(D.shape[0]):+        d = D[ti]+        keep_n = max(1, int(round(frac * d.size)))+        top = np.argsort(-np.abs(d), kind="stable")[:keep_n]+        row = np.zeros(d.size, dtype=np.float64)+        row[top] = d[top] / (sigma[top] + 0.1)+        out[ti] = row.astype(np.float32)+    return out+++def apply_sparse_shift(X_out, codes_out: np.ndarray, D: np.ndarray,+                       eps: float):+    """x'[g] = clip(x[g] + eps*D[c,g], 0, inf) only where x[g] > 0 (nnz-only)."""+    if eps == 0.0:+        return X_out+    X_out = (X_out.tocsr() if sp.issparse(X_out) else sp.csr_matrix(X_out)).copy()+    n_genes = D.shape[1]+    row_of_nnz = np.repeat(np.arange(X_out.shape[0], dtype=np.int64),+                           np.diff(X_out.indptr))+    t_of_nnz = codes_out[row_of_nnz].astype(np.int64)+    shift = D.ravel()[t_of_nnz * n_genes + X_out.indices]+    X_out.data = np.clip(X_out.data + (eps * shift).astype(X_out.data.dtype),+                         0.0, None)+    return X_out++ def weighted_sample_without_replacement(w: np.ndarray, n_out: int,                                         rng: np.random.Generator) -> np.ndarray:     n = w.shape[0]@@ -458,6 +579,21 @@ def main() -> None:         boost = marker_boost_matrix(M, g_mean, delta, thr, mk_max)         X_out = apply_marker_boost(X_out, codes[rows], boost) +    # Node 24: sparse nnz-only additive expression shifts (skipped on X3 path).+    eps_diff = float(os.environ.get("VEC_DIFF", "0.15"))+    diff_frac = float(os.environ.get("VEC_DIFFRAC", "0.5"))+    eps_a = float(os.environ.get("VEC_EPSA", "0.15"))+    epsa_frac = float(os.environ.get("VEC_EPSAFRAC", "0.5"))+    if (eps_diff != 0.0 or eps_a != 0.0) and ct is not None and n_out < adata.n_obs:+        types_all, codes_all = np.unique(ct, return_inverse=True)+        sigma = gene_std(adata.X)+        if eps_a != 0.0:+            D_a = contrast_direction_matrix(adata, ct, epsa_frac, sigma)+            X_out = apply_sparse_shift(X_out, codes_all[rows], D_a, eps_a)+        if eps_diff != 0.0:+            D_d = diff_direction_matrix(adata, ct, scores, diff_frac, sigma)+            X_out = apply_sparse_shift(X_out, codes_all[rows], D_d, eps_diff)+     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。总结：

**做了什么**：在父节点 20/21 的解剖重加权基底上新增两个稀疏 nnz-only 加性表达偏移：(1) 类型对比方向 mu_c−mu_all（ε=0.15，移植节点 22 已验证家族的稀疏化版本）；(2) PLAN 的类型内增殖分层分化方向（低增殖半−高增殖半，ε=0.15）。各取 |d| 前 50% 基因、σ归一、只改 x>0 位置、clip≥0；X3 恒等路径不变，无环境依赖，确定性验证通过。

**查分结果**（15/20 次额度）：采用配置 proxy A 半 3-seed = 58.82/59.22/58.30（均值 58.78 vs 父 56.50，+2.28 超出噪声带）；seed0 四组全升（cell_state 54.25→64.12、direction 56.07→60.25、cov 53.74→55.69、de_recovery 52.41→53.54）。proxy2 seed0 = 58.82，X3 = 50.00，三视图 vec-check 全 ok。A 半节点分 ≈ 55.88（父 54.27）。

**下一步最值得试**：DIFFRAC/EPSAFRAC 细扫（0.3/0.7）与非中位数切分（低30% vs 高30%）拉开分化对比；de_recovery 仍是最弱组（53.54），可试 heart 类型更强 ε 或用"标记典型性低端=分化"替代增殖轴。

调研员

{"name":"类型内增殖分层分化方向稀疏表达偏移（针对de_recovery）","motivation":"父节点21最弱组为de_recovery=52.41（四组中最低），且类型间组成杠杆已被节点21的3-seed证伪确认饱和（倒V峰值在meso=1.0）。全树中唯一移动过de_recovery的机制是表达级偏移（节点19首次声称，节点22稀疏化后总分最高54.73但其de_recovery仍为51.33，因为偏移方向是类型对比mu_c−mu_all而非时间/分化方向）。本方案提出一种新的表达级机制：利用类型内增殖异质性估计分化方向向量，沿该方向做稀疏偏移，直接模拟E8.5→E9.5的基因表达变化，从而靶向de_recovery。","approach":"步骤：1) 在E-S抽样前，对每个类型c按已有细胞周期评分（节点8的S-phase基因集）将细胞分为高增殖（前50%）和低增殖（后50%）两组；2) 计算分化方向向量 d_c[g] = mean_low_prolif[g] − mean_high_prolif[g]，仅保留该类型中两组均非零的基因（nnz交集）；3) 取|d_c|前50%基因（VEC_DIFFRAC=0.5），按基因全局std归一：shift_g = ε_diff · d_c[g]/(σ_g+0.1)；4) E-S抽样完成后，对每个输出细胞（属于类型c）：x'[g] = clip(x[g] + shift_g, 0, ∞)，仅修改x[g]>0的位置（nnz-only，无fill-in，保协方差结构）；5) 类型内细胞数<6时跳过该类型（无法可靠分组）。关键参数：ε_diff初值0.10，搜索{0.05, 0.10, 0.15, 0.20}；每个值用seed 0快速筛选，最优者再用3-seed确认。单输入阶段退路：该机制完全基于输入池内部变异（类型内增殖异质性），不依赖第二个时间点，proxy/proxy2/final均适用。proxy2的双输入不影响（只用第一个输入的类型内分组）。X3路径（n_out≥pool）跳过，保持恒等。与节点22的区别：偏移方向不是mu_c−mu_all（类型对比），而是类型内低增殖−高增殖（分化时间方向），机制上对应发育1天的基因表达变化，更直接匹配DE recovery的评测目标。与已有机制的正交性：beta=-0.5只改采样概率不改表达值；本机制在抽样后改表达值，两者叠加不冲突。vec-score快筛：先跑seed0单点，若de_recovery子分≥53.5且总分≥56.2再扩展3-seed。","expected_groups":["de_recovery","direction"],"risks":"1) 增殖评分可能无法在所有类型中正确区分分化方向（如已终末分化的类型内增殖变异小），导致d_c接近噪声——Engineer应先打印各类型|d_c|的分布，若>50%类型的max|d_c|<0.1则机制无效应尽早放弃；2) 偏移可能损害covariation（节点19稠密偏移的教训）——用nnz-only+top50%+σ归一缓解，若covariation降>2分则减ε或减小DIFFRAC；3) 效果可能在噪声内（<2分）——必须3-seed确认，单seed提升不做决策；4) 与现有beta=-0.5方向一致（都是低增殖细胞被偏好），可能冗余——若ε_diff=0.05已无增量则说明beta已捕获该信号。","sources":[]}

审查员

REVIEW.json written