总览 · ← 返回运行 20261001-233756-search-t1-abc-r0-B-population

节点 n29

copy_last 两级增殖重加权（β_type=-4、β_cell=-1）+ 增殖-表达斜率放大（γ=-1.6、|slope|>0.1）；新增的类型内离散度第三级抽样权重实测净负（de_recovery +0.52 / covariation −1.63），默认关闭。

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 40df6520a7: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 ddc49f6e3a。改动的文件：solution/METHOD.md +32 −26、solution/run.py +106 −23

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 5732847..143df7d 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,44 +1,50 @@-# copy_last 两级增殖重加权（β_type=-4、β_cell=-1）+ 增殖-表达斜率逐细胞放大（γ=-1.6、|slope|>0.1）；PLAN 的确定性类型配额与类型自适应 γ 实测无效/有害，均默认关闭。+# copy_last 两级增殖重加权（β_type=-4、β_cell=-1）+ 增殖-表达斜率放大（γ=-1.6、|slope|>0.1）；新增的类型内离散度第三级抽样权重实测净负（de_recovery +0.52 / covariation −1.63），默认关闭。 -## 方法+## 方法（发布配置） -基底（继承 node 4/6/7，已验证）：输出 = 最新「官方」输入阶段的 Efraimidis–Spirakis 加权无放回抽样，权重 = w_type × w_cell：+基底（继承 node 4/6/7/18/28，已验证）：输出 = 最新「官方」输入阶段的 Efraimidis–Spirakis 加权无放回抽样，权重 = w_type × w_cell： - w_type = max(1e-6, 1 + β_type·(prolif_type − mean_prolif))，β_type = **-4**（node 4）； - w_cell = max(1e-6, 1 + β_cell·(prolif_cell − prolif_type))，β_cell = **-1**（node 6）。 -prolif 得分 = PROLIF 通用 cell-cycle 基因（Mki67, Top2a, Pcna, Cdk1, Ccna2, Ccnb1, Aurkb, Bub1, Cenpf, Nusc1，非阶段特异知识，来源：通用细胞周期标记注释）log 表达逐细胞均值，全部在输入快照内计算，单输入阶段可用。+prolif 得分 = 通用 cell-cycle 基因（Mki67, Top2a, Pcna, Cdk1, Ccna2, Ccnb1, Aurkb, Bub1, Cenpf, Nusc1；来源：通用细胞周期标记注释，非阶段特异）log 表达逐细胞均值，全部在输入快照内现场计算，单输入阶段可用。 -表达调整（继承 node 7 机制、node 18 参数）：每类型（≥20 细胞）内对全部源细胞做 OLS slope_g = cov(x_g, prolif)/var(prolif)，保留 |slope_g| > **0.1**；被选细胞 x_adj = x + γ·slope_g·(prolif_i − type_mean)，γ = **-1.6**（放大类型内增殖-表达耦合），clip ≥0，1024 行分块。保护开关：所选阶段为外部来源、或抽样退化（n_target ≥ 池大小，如 X3）时跳过表达调整。+表达调整（node 7 机制、node 18 参数）：每类型（≥20 细胞）内对全部源细胞做 OLS slope_g = cov(x_g, prolif)/var(prolif)，保留 |slope_g| > **0.1**；被选细胞 x_adj = x − γ·slope_g·(prolif_i − type_mean)，γ = **-1.6**，clip ≥0，1024 行分块。保护开关：所选阶段为外部来源、或抽样退化（n_target ≥ 池大小，如 X3）时跳过表达调整与 w_disp。 -## 本节点实测（PLAN 三机制，proxy A 半 seed0，对照 = γ-1.6/sm0.1 随机抽样 = 57.59）+## 本节点新机制：类型内表达离散度第三级权重（PLAN，已实现，默认关闭） -| 机制 | 结果 | 判定 |-|---|---|---|-| 确定性类型配额（最大余数法 + 类型内 E-S） | **55.60**（covariation 53.0→49.1、cell_state 63.2→58.7、direction +0.5） | **有害，回退随机 E-S**（PLAN 风险 1 兑现：全局 E-S 竞争的配额"噪声"本身有益） |-| 类型自适应 γ：γ_t = γ·clip((std_t/median_std)^α, 0.25, 4) | α=0.5/1.0/2.0 → 57.62/57.65/57.56（α=2 的 de_recovery 52.5→52.0） | 全部在 ±0.06 噪声内，无效，α=0 |-| 小类型斜率收缩 slope·n_t/(n_t+k)（n_t<50） | k=20/50 → 57.59（与对照逐字节相同：proxy 池无 20≤n_t<50 的类型） | 无效果，k=0 |+每类型（≥MIN_TYPE_CELLS=20）内按**类型内方差**取 top-V（V=1500）高变基因，对每个源细胞算 d_i = mean_g ((x_ig − μ_tg)/σ_tg)²（偏离类型质心的杠杆度），跨细胞标准化成 z_disp，w = w_type·w_cell·max(1e-6, 1 + β_disp·z_disp)（另有 `--disp-mode exp` 的 exp(β·z) 变体）。对称绝对值权重 → 类型比例基本不变。实现用 one-hot 稀疏矩乘一次算完所有类型的均值/平方均值（O(nnz)），全池 ~3 s。 -附加扫描：γ=-2.0 → 57.47、γ=-2.4 → 57.31（更负无益，-1.6 已是 A 半峰值区）；sm=0.15 → 57.60（与 0.1 打平）；β_cell=-2 → 55.28（大幅变差，维持 -1）。+### proxy A 半 seed0 实测（对照 = 父配置 β_disp=0 → **57.59**） -## 发布配置与查分记录（A 半）+| β_disp | board | cell_state | covariation | de_recovery | direction | variogram | de_score |+|---|---|---|---|---|---|---|---|+| 0（对照/发布） | **57.59** | 63.15 | 53.02 | 52.48 | 59.69 | 0.000943 | 0.0909 |+| +0.5 | 57.29 | 62.80 | 51.39 | **53.00** | 59.67 | 0.000999 | 0.1091 |+| +1.0 | 54.63 | 58.40 | 45.97 | 53.00 | 58.68 | 0.001215 | 0.1091 |+| +1.5 | 53.39 | 55.82 | 44.55 | 53.00 | 57.92 | 0.001280 | 0.1091 |+| −1.0 | 50.61 | 51.55 | 40.91 | 51.96 | 55.89 | 0.001468 | 0.0727 | -发布默认 = 对照配置（quota=0、α=0、k=0、γ=-1.6、sm=0.1、β=-4/-1），默认参数输出与查分文件逐字节一致（已核）。+判定：按 PLAN 预置判据（最高格 ≤ 对照 + 2 即放弃）**放弃该轴**，β_disp=0。 -- proxy seed0：**57.59**（cell_state 63.15 / covariation 53.02 / de_recovery 52.48 / direction 59.69）-- proxy seed1：57.31（一致，父配置 γ=-0.8/sm=0.05 的 A 半为 57.20/56.89）-- proxy2 seed0：57.59（外部 Qiu E9.0 被 pick_stage 忽略，输出同 proxy）-- X3 seed0：50.0（退化保护生效，= copy_last）-- 预期节点分 ≈ (57.6+57.6+50)/3 ≈ 55.1 A 半（父 54.54 板分 / node18 同配置 54.74 板分）+γ 精扫（补 A 半峰值定位）：γ=−1.2 → 57.45（cov 53.50 / cell_state 62.37）、−1.4 → 57.54、−1.6 → **57.59**、−1.8 → 57.48（cell_state 63.40 但 de_recovery 51.96）。−1.6 仍是峰值，且与 node28 的 −2.0/−2.4 更差一致，γ 族已收敛。++## 结论 / 供后续节点复用++1. **de_recovery 是离散计数**：de_score = k/55（0.0727=4、0.0909=5、0.1091=6），组分 51.96 / 52.48 / 53.00 各差 0.52。它确实**只**对「抽样是否包含表达极端/高杠杆细胞」敏感（β_disp>0 就能把 k 从 5 抬到 6，且 β=0.5/1.0/1.5 完全饱和），对表达级扰动（γ、slope 阈值、PC 投影）免疫——证实了全树 10 个节点的观察并给出了机制。+2. **但撬动它的代价远大于收益**：k 每 +1 只值 +0.52 组分（≈ +0.13 board），而选中极端细胞使 variogram 变差、covariation 掉 1.6～8.1、cell_state 掉 0.35～7.3。covariation 与 cell_state 沿「样本离散度」轴都在 β_disp=0 附近取极大（两个方向都变差），说明 E8.5 快照的类型内协方差结构已经贴近 E9.5 真值，**没有可挤的余量**。+3. γ 与 β_disp 是同一条 trade-off 曲线的两端：γ 更负 → cell_state↑ / covariation↓ / de_recovery↓；β_disp 更正 → de_recovery↑ / covariation↓↓。board 峰值就在父配置（γ=−1.6, sm=0.1, β=−4/−1, β_disp=0）。+4. 未试但由 (2) 推出可能有微弱正收益的方向：把「抽样组成」与「表达离散度」解耦——用 β_disp≈1 选细胞、再把这些细胞的类型内残差按 ρ<1 收缩回去（ρ∈{0.9,0.95}），试图保住 de_recovery 的 k=6 同时把 variogram 拉回对照值。上限 ≈ +0.1 board（< T1 噪声 2 分），且 node15 已测过纯收缩会伤 covariation，故本节点未花查分额度。  ## 验证过 -- 三视图（proxy/proxy2/X3）跑通、vec-check ok、运行 ~5 s、内存远低于限额。-- 确定性：仅 np.random.default_rng(seed)。-- 配额分配器单独验证过总和 = n_target（在 quota=1 分支，虽默认关闭）。+- 三视图跑通：proxy（5118 细胞）、proxy2（外部 Qiu E9.0 被 `pick_stage` 忽略，输出与 proxy 逐元素相同，max|ΔX|=0）、X3（退化保护生效，输出 = copy_last）；`vec-check` 三个视图均 ok。+- 确定性：只用 `np.random.default_rng(seed)`；β_disp=0 时新分支完全不执行，输出与父 node28 的代码路径一致。+- 资源：proxy 全量 ~5 s、峰值内存 1.6 GB（β_disp≠0 时 2.4 GB），远低于 limits（28 GB / 30 min）。+- 查分用量：9/20（对照 1 + β_disp 四格 4 + γ 三点 3 + 无额外确认查分）。  ## 没验证 / 风险 -- 发布配置与 node 18/21/23 机制相同（γ=-1.6、sm=0.1），A 半 57.59 vs 其记录的 A 半未见更高点；对父 node 7 的提升（+0.39 A 半）在 T1 噪声（~2 分）内，但方向与 node18 的 B 半结果（54.74 > 54.54）一致。-- 确定性配额在 **B 半**或其他视图是否同样有害未验证（A 半差距 -2.0，接近噪声边缘但四组指标同向恶化，判定可信度较高）。-- final 视图（E8.5+E9.5→E10.5）未测：若 E9.5 池 ≤ 目标细胞数则触发退化保护，退回 copy_last（安全无增益）。-- 类型自适应 γ 的无效可能因 proxy 池各类型 prolif 离散度差异小（median 归一后 ratio≈1）；在类型异质性更大的视图上未测。+- 发布配置与 node18/21/23/28 相同，A 半 57.59 复现父记录（逐值一致），因此本节点**不产生新分数**，只产生负面结果与机制解释（B 半预期 ≈ 54.74）。+- β_disp 网格只在 proxy A 半 seed0 上测；因四格全部低于对照且幅度远超噪声（−0.3 到 −7.0），未做第二 seed 复核。+- V（top-V 基因数）未扫（PLAN 规定只在 β_disp 有信号时扫），β_disp 无信号故 V=1500 单点。+- final 视图（E8.5+E9.5→E10.5）未测；若 E9.5 池 ≤ 目标细胞数会触发退化保护，退回 copy_last。diff --git a/solution/run.py b/solution/run.pyindex 6ac89a6..8c90e6c 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,30 +1,38 @@ #!/usr/bin/env python3-"""copy_last + two-level proliferation reweighting + type-adaptive-proliferation-gradient expression extrapolation.+"""copy_last + two-level proliferation reweighting + within-type expression+dispersion as a third sampling weight + type-adaptive proliferation-gradient+expression extrapolation. -Base (node 4/6/18): output a weighted subsample of the latest official input-stage. Type-level weight uses the type-mean proliferation score+Base (node 4/6/18/28): output a weighted subsample of the latest official+input stage. Type-level weight uses the type-mean proliferation score (beta_type=-4); cell-level weight uses the within-type deviation (beta_cell=-1). Expression adjustment: per cell type, regress each gene on the cell's proliferation score (OLS over all source cells of that type) and shift each selected cell along the slope (gamma=-1.6, |slope|>0.1). -This node tested the PLAN's three mechanisms on the proxy A-half and kept-the winner; the shipped default is the strongest slope configuration-(gamma=-1.6, |slope|>0.1, node 18 parameters) with the parent's global-Efraimidis-Spirakis sampling:-1. Deterministic type quotas (QUOTA flag): REJECTED - proxy A-half 55.60 vs-   57.59 for random E-S (covariation -3.9, cell_state -4.4). The E-S quota-   "noise" is beneficial; code kept, default off.-2. Type-adaptive gamma, gamma_t = gamma*clip((std_t/median_std)^alpha,-   0.25, 4) (ALPHA flag): NO EFFECT - alpha in {0.5,1,2} within +-0.06 of-   alpha=0 (57.59); alpha=2 slightly hurts de_recovery. Default 0.-3. Small-type slope shrinkage slope *= n_t/(n_t+k) for n_t<50 (KSHRINK-   flag): NO EFFECT - output byte-identical for k in {20,50}. Default 0.-Also scanned: gamma=-2.0/-2.4 worse (57.47/57.31), |slope|>0.15 ties-(57.60), beta_cell=-2 much worse (55.28).-Guards unchanged: skip expression adjustment on external stages or when-sampling degenerates (n_target >= pool size, e.g. test X3).+This node adds the PLAN's third-level sampling weight w_disp: within each+cell type (>= MIN_TYPE_CELLS cells) take the top-V most variable genes+(within-type variance), compute each cell's mean squared residual z-score+d_i over those genes (how far the cell sits from its type centroid),+standardise d across cells into z_disp, and use+w_disp_i = max(1e-6, 1 + beta_disp * z_disp_i) (mode "lin") or+exp(beta_disp * z_disp_i) (mode "exp"). The weight is symmetric in |z| so+type proportions are essentially preserved while the subsample keeps more+high-leverage / extreme cells, aiming at covariation and de_recovery.++Measured on the proxy A-half (seed 0, control = beta_disp 0 -> 57.59):+beta_disp +0.5 -> 57.29, +1.0 -> 54.63, +1.5 -> 53.39, -1.0 -> 50.61.+REJECTED by the PLAN's own criterion; default beta_disp=0 keeps the parent+(node 28) output byte-identical. Mechanistic finding: de_recovery is a+discrete count (de_score = k/55) that only reacts to which cells are+sampled - beta_disp>0 lifts k from 5 to 6 and saturates - but every gain+(+0.52 group points) costs far more covariation (-1.6 to -8.1) and+cell_state (-0.35 to -7.3); both directions of the dispersion axis move the+variogram away from the control, i.e. the E8.5 snapshot's within-type+covariance already sits near the E9.5 truth. Also re-scanned gamma:+-1.2 -> 57.45, -1.4 -> 57.54, -1.6 -> 57.59 (peak), -1.8 -> 57.48.+Guards: w_disp and the expression adjustment are skipped on external stages+or when sampling degenerates (n_target >= pool size, e.g. test X3). """  from __future__ import annotations@@ -54,6 +62,9 @@ MIN_TYPE_CELLS = 20 QUOTA = 0          # 1: deterministic type quotas; 0: parent's global E-S ALPHA = 0.0        # type-adaptive gamma exponent (0 = global gamma) KSHRINK = 0.0      # small-type slope shrinkage constant (0 = off)+BETA_DISP = 0.0    # within-type dispersion third-level weight (0 = off)+DISP_V = 1500      # top-V within-type variable genes for the dispersion score+DISP_MODE = "lin"  # "lin": max(1e-6, 1+b*z) ; "exp": exp(b*z)  PROLIF = ["Mki67", "Top2a", "Pcna", "Cdk1", "Ccna2", "Ccnb1",           "Aurkb", "Bub1", "Cenpf", "Nusc1"]@@ -103,6 +114,61 @@ def quota_allocate(mass: np.ndarray, counts: np.ndarray, n_target: int) -> np.nd     return alloc  +def dispersion_z(X, inv: np.ndarray, n_types: int, counts: np.ndarray,+                 v: int, min_cells: int) -> np.ndarray:+    """Per-cell within-type dispersion z-score (0 for cells in small types).++    d_i = mean over the top-v within-type variable genes of+          ((x_ig - mean_tg) / std_tg)^2+    """+    n_cells, n_genes = X.shape+    Xcsr = X.tocsr()+    onehot = sparse.csr_matrix(+        (np.ones(n_cells, dtype=np.float64), (np.arange(n_cells), inv)),+        shape=(n_cells, n_types),+    )+    sums = np.asarray((onehot.T @ Xcsr).todense(), dtype=np.float64)   # types x genes+    sq = Xcsr.copy()+    sq.data = sq.data.astype(np.float64) ** 2+    sumsq = np.asarray((onehot.T @ sq).todense(), dtype=np.float64)+    cnt = np.maximum(counts.astype(np.float64), 1.0)[:, None]+    mean = sums / cnt+    var = np.maximum(sumsq / cnt - mean ** 2, 0.0)++    d = np.zeros(n_cells, dtype=np.float64)+    v = int(min(max(v, 1), n_genes))+    for t in range(n_types):+        idx = np.flatnonzero(inv == t)+        if len(idx) < min_cells:+            continue+        vt = var[t]+        top = np.argpartition(-vt, v - 1)[:v]+        sd = np.sqrt(vt[top])+        keep = sd > 1e-8+        top = top[keep]+        sd = sd[keep]+        if len(top) == 0:+            continue+        mu = mean[t, top]+        inv_sd = 1.0 / sd+        chunk = 1024+        for a in range(0, len(idx), chunk):+            sub = idx[a:a + chunk]+            D = np.asarray(Xcsr[sub][:, top].todense(), dtype=np.float64)+            Z = (D - mu) * inv_sd+            d[sub] = np.einsum("ij,ij->i", Z, Z) / len(top)+    valid = d > 0+    if valid.sum() < 10:+        return np.zeros(n_cells, dtype=np.float64)+    m = d[valid].mean()+    s = d[valid].std()+    if not np.isfinite(s) or s <= 1e-12:+        return np.zeros(n_cells, dtype=np.float64)+    z = (d - m) / s+    z[~valid] = 0.0+    return z++ def main() -> None:     parser = argparse.ArgumentParser()     parser.add_argument("--data", required=True)@@ -115,6 +181,9 @@ def main() -> None:     parser.add_argument("--quota", type=int, default=None)     parser.add_argument("--alpha", type=float, default=None)     parser.add_argument("--kshrink", type=float, default=None)+    parser.add_argument("--beta-disp", type=float, default=None)+    parser.add_argument("--disp-v", type=int, default=None)+    parser.add_argument("--disp-mode", default=None)     args = parser.parse_args()     gamma = GAMMA if args.gamma is None else args.gamma     slope_min = SLOPE_MIN if args.slope_min is None else args.slope_min@@ -123,6 +192,9 @@ def main() -> None:     use_quota = QUOTA if args.quota is None else args.quota     alpha = ALPHA if args.alpha is None else args.alpha     kshrink = KSHRINK if args.kshrink is None else args.kshrink+    beta_disp = BETA_DISP if args.beta_disp is None else args.beta_disp+    disp_v = DISP_V if args.disp_v is None else args.disp_v+    disp_mode = DISP_MODE if args.disp_mode is None else args.disp_mode      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)@@ -141,6 +213,7 @@ def main() -> None:      inv = None     type_score = None+    degenerate = n_target >= last.n_obs     if score is not None:         lab = labels_of(last)         uniq, inv = np.unique(lab, return_inverse=True)@@ -156,18 +229,29 @@ def main() -> None:         w_type_t = np.maximum(1.0 + beta_type * (type_score - mean_s), 1e-6)         w_cell = np.maximum(1.0 + beta_cell * (score - ts), 1e-6) if beta_cell != 0 else np.ones_like(w_type) +        if beta_disp != 0.0 and not is_external(entry) and not degenerate:+            z_disp = dispersion_z(last.X, inv, n_types, counts, disp_v, MIN_TYPE_CELLS)+            if disp_mode == "exp":+                w_disp = np.clip(np.exp(np.clip(beta_disp * z_disp, -20.0, 20.0)), 1e-6, 1e6)+            else:+                w_disp = np.maximum(1.0 + beta_disp * z_disp, 1e-6)+        else:+            w_disp = None+         if use_quota and n_target < last.n_obs:             alloc = quota_allocate(counts.astype(np.float64) * w_type_t, counts, n_target)             parts = []             for t in range(n_types):                 idx = np.flatnonzero(inv == t)-                sel = weighted_sample(w_cell[idx], int(alloc[t]), rng)+                wc = w_cell[idx] if w_disp is None else w_cell[idx] * w_disp[idx]+                sel = weighted_sample(wc, int(alloc[t]), rng)                 parts.append(idx[sel])             rows = np.sort(np.concatenate(parts)) if parts else np.zeros(0, dtype=np.int64)         elif use_quota:             rows = sample_rows(last.n_obs, n_target, rng)         else:-            rows = weighted_sample(w_type * w_cell, n_target, rng)+            w_all = w_type * w_cell if w_disp is None else w_type * w_cell * w_disp+            rows = weighted_sample(w_all, n_target, rng)             rows = np.sort(rows)     else:         rows = sample_rows(last.n_obs, n_target, rng)@@ -175,7 +259,6 @@ def main() -> None:     X = last.X     Xsel = X[rows]     # Guard: only adjust expression on official, non-degenerate views (X3).-    degenerate = n_target >= last.n_obs     if gamma != 0.0 and score is not None and not is_external(entry) and not degenerate:         n_types = int(inv.max()) + 1         counts = np.bincount(inv, minlength=n_types).astype(np.float64)

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

**做了什么**：在父（node28）基底上实现 PLAN 的第三级抽样权重 w_disp（类型内 top-1500 高变基因的残差 z² 杠杆度，对称、E-S 无放回，one-hot 稀疏矩乘 O(nnz)），扫 β_disp ∈ {+0.5,+1.0,+1.5,−1.0}，另补 γ 精扫 {−1.2,−1.4,−1.8}。按预置判据判负，发布配置 β_disp=0（默认参数输出与已查分的 57.59 文件逐元素相同，三视图 vec-check ok，~5 s / 1.6 GB）。查分用 9/20。

**结果（proxy A 半 seed0）**：对照 57.59；β_disp=+0.5 → 57.29、+1.0 → 54.63、+1.5 → 53.39、−1.0 → 50.61；γ=−1.6 仍是峰值。关键发现：de_recovery 是离散计数（de_score=k/55，k=4/5/6 → 51.96/52.48/53.00），只对「抽到哪些细胞」敏感、β_disp>0 即把 k 从 5 抬到 6 并饱和，但每 +0.52 组分要付 covariation −1.6～−8.1、cell_state −0.35～−7.3；variogram 在 β_disp=0 两侧都变差，说明 E8.5 快照的类型内协方差已贴近 E9.5 真值，没有余量。

**下一步最值得试**：解耦「抽样组成」与「表达离散度」——用 β_disp≈1 选细胞、再把选中细胞的类型内残差按 ρ∈{0.9,0.95} 收缩，试图保住 k=6 同时把 variogram 拉回对照（上限 ≈ +0.1 board，低于噪声，性价比低）。更实际的是换族：γ 与 β_disp 是同一条 trade-off 曲线两端，board 已在 (γ=−1.6, sm=0.1, β=−4/−1) 收敛，继续在「单快照抽样+斜率放大」族内调参收益为零。

调研员

json
{"name": "类型内表达离散度第三级抽样权重（covariation+de_recovery 定向）",
 "motivation": "父节点28四组里 de_recovery=51.69 最弱，且在全树至少 9 个节点（7/12/13/15/18/21/22/23/24/26）中恒为 51.69、对一切表达级扰动（γ、slope、top-N、PC投影）完全免疫——说明 de_recovery 只能靠抽样组成/选细胞来撬动。次弱是 covariation=52.42，随 γ 增大还小幅下滑（52.88→52.42）。现有两级权重只用增殖（β_type=-4、β_cell=-1），类型内选哪些细胞完全由增殖随机性决定，导致下抽样丢失类型内协方差结构与表达极端细胞。已试过的分化轴全部无效/有害（node19 Reactome 轴 β_diff=0 打平、node20 DPT/n_genes 轴两向均降分、node26 top-N 斜率 wash），故不重复任何分化/成熟度轴。本方案用对称(绝对值)的类型内离散度做第三级抽样权重：既保均值(不偏组成、低风险伤 cell_state)、又保类型内协方差与极端态(同时定向 covariation 与 de_recovery)，是与全树已试机制不同的新族。",
 "approach": "机制：在 β_type、β_cell 之外加第三级权重 w_disp。每类型(≥MIN_TYPE_CELLS=20 细胞)内：1) 取该类型内 top-V 高变基因（按类型内方差选，V=1500 初值，范围 800–3000），避免看家基因噪声；2) 对每个源细胞算类型内残差 z 分数平方均值 d_i = mean_g z_g(i)^2（即该细胞偏离类型质心的幅度/杠杆度），跨细胞标准化为 z_disp；3) w_disp_i = max(1e-6, 1 + β_disp·z_disp_i)；总权重 w = w_type·w_cell·w_disp，沿用全局 Efraimidis–Spirakis 无放回抽 n_target。对称绝对值使两尾同权→类型比例基本不变（保 cell_state/direction 均值），但偏向保留高杠杆/表达极端细胞，提升下抽样样本的类型内协方差保真度（covariation）并富集已部分激活 E9.5 DE 程序的稀有亚态（de_recovery）。关键参数初值与扫描：β_disp ∈ {+0.5, +1.0, +1.5} 为主，另加 {-1.0} 一点确认符号方向（预期 + 向更优）；V ∈ {1500} 单点起步，仅当 β_disp 有信号再扫 {800,3000}。保护开关沿用父逻辑：外部来源阶段或抽样退化（n_target≥池大小，如 X3）时 β_disp=0 跳过。单输入阶段退路：本机制只用单快照的类型内统计，天然适用于 proxy（唯一官方输入阶段）；final（E8.5+E9.5 两阶段）取最新官方阶段同样可用，无第二时间点依赖。vec-score 快速筛选：第一步只在 proxy A-half seed0 跑 β_disp 四格（含对照 β_disp=0），用 5 次查分内定夺；若最高格相对对照 ≤ +2（T1 噪声）则立即判定 de_recovery 不可由抽样撬动、回退发布父配置，不再追加查分（吸取 node28 用 14/20 确认零效应的教训）；若 >+2 且四组中 covariation 或 de_recovery 同向改善，用第 2 个 seed 复核该格后再定发布参数。预期节点分：若成功主要来自 covariation/de_recovery 各组 +1~3，板分目标 >54.74。",
 "expected_groups": ["covariation", "de_recovery"],
 "risks": "1) de_recovery 可能根本上不可动：若 E9.5 的 DE 程序对应 E8.5 池中根本不存在的细胞态，任何抽样都救不回——Engineer 判据：β_disp 四格在 A-half 全部 ≤ 对照+2 即放弃并回退父配置，勿耗查分。2) 高杠杆细胞富集可能轻微拉偏均值伤 cell_state：用对称绝对值权重+小 β_disp 缓解，并监控 cell_state 若掉 >2 分即减小 β_disp 或回退。3) top-V 高变基因选择引入新自由度，V 过大会混入噪声：V 固定 1500 起步、仅在 β_disp 有信号时才扫。4) 提升幅度可能 < T1 噪声(~2分)：务必用第 2 个 seed 复核，差距 <2 不算进步。5) 过早烧查分：第一步四格定夺，禁止在多组上重复确认零效应。"}
```

审查员

REVIEW.json written