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

节点 n32

copy_last 两级增殖重加权（β_type=-4、β_cell=-1）+ 类型内增殖-表达 OLS 斜率的逐细胞放大（γ=-1.6、|slope|>0.15）；PLAN 的斜率 PC 投影实测无效已关闭，外部/退化视图跳过表达调整。

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 6ef22df336: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 49cbeb26c4。改动的文件：solution/run.py +32 −2

diff --git a/solution/run.py b/solution/run.pyindex 1e5eb6f..7bec82a 100644--- a/solution/run.py+++ b/solution/run.py@@ -53,6 +53,9 @@ SLOPE_MIN = 0.15   # only adjust genes with |slope| above this (best A-half boar PC_K = 0           # PC-projection of slopes: tested k=10/20/50, all no-op vs control; disabled PC_CENTER = False  # center expression submatrix before PCA (only used if PC_K>0) MIN_TYPE_CELLS = 20+VAR_MATCH = 0.0    # lambda for per-gene variance restoration after slope adjustment (this node)+VAR_MIN_CELLS = 10 # min selected cells per type for a stable variance estimate+VAR_SCALE_CAP = 5.0  PROLIF = ["Mki67", "Top2a", "Pcna", "Cdk1", "Ccna2", "Ccnb1",           "Aurkb", "Bub1", "Cenpf", "Nusc1"]@@ -85,6 +88,7 @@ def main() -> None:     parser.add_argument("--beta-type", type=float, default=None)     parser.add_argument("--pc-k", type=int, default=None)     parser.add_argument("--slope-min", type=float, default=None)+    parser.add_argument("--var-match", type=float, default=None)     args = parser.parse_args()     gamma = GAMMA if args.gamma is None else args.gamma     beta_cell = BETA_CELL if args.beta_cell is None else args.beta_cell@@ -92,6 +96,7 @@ def main() -> None:     pc_k = PC_K if args.pc_k is None else args.pc_k     pc_center = PC_CENTER     slope_min = SLOPE_MIN if args.slope_min is None else args.slope_min+    var_match = VAR_MATCH if args.var_match is None else args.var_match      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)@@ -187,8 +192,33 @@ def main() -> None:                 D = np.asarray(Xsel[a:b].todense(), dtype=np.float32)                 D += (c[a:b, None] * S[trow[a:b]]).astype(np.float32)                 np.clip(D, 0.0, None, out=D)-                parts.append(sparse.csr_matrix(D))-            Xsel = sparse.vstack(parts).tocsr()+                parts.append(D)+            if var_match > 0.0:+                D_all = np.vstack(parts)+                for t in range(n_types):+                    cols_t = np.flatnonzero(S[t] != 0.0)+                    if cols_t.size == 0:+                        continue+                    rt = np.flatnonzero(trow == t)+                    if rt.size < VAR_MIN_CELLS:+                        continue+                    Orig = np.asarray(Xsel[rt][:, cols_t].todense(), dtype=np.float64)+                    Adj = D_all[np.ix_(rt, cols_t)].astype(np.float64)+                    v_orig = Orig.var(axis=0)+                    m_adj = Adj.mean(axis=0)+                    v_adj = Adj.var(axis=0)+                    scale = np.sqrt(v_orig / np.maximum(v_adj, 1e-10))+                    scale[v_adj <= 1e-10] = 1.0+                    np.clip(scale, 1.0 / VAR_SCALE_CAP, VAR_SCALE_CAP, out=scale)+                    scale = 1.0 + var_match * (scale - 1.0)+                    A = D_all[np.ix_(rt, cols_t)]+                    A -= m_adj.astype(np.float32)+                    A *= scale.astype(np.float32)+                    A += m_adj.astype(np.float32)+                    np.clip(A, 0.0, None, out=A)+                Xsel = sparse.csr_matrix(D_all)+            else:+                Xsel = sparse.vstack([sparse.csr_matrix(p) for p in parts]).tocsr()      write_prediction(Xsel, genes, args.out, seed=args.seed) 

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

Implementing per-gene variance matching now.

调研员

v 净降约 0.8 分（53.36→52.58），同时贡献 cell_state +2.4（55.05→57.46）——说明斜率调整在抬升 cell_state 的同时以协方差为代价。机制：加性扰动 γ·slope_g·(tmean−p_i) 对高 |slope| 基因注入额外方差 ≈ γ²·slope_g²·var(p)，改变基因间方差比，从而扭曲协方差结构。节点 15（kNN 去噪 / winsorize / 离散度）、节点 16（通路平滑斜率）、节点 26（top-N / 排除 PROLIF）、节点 29（离散度抽样权重）、节点 30（γ_mean 分解）均已试过且无效或仅产生等 board 分 trade-off。逐基因方差匹配（保留均值位移、恢复每基因方差）是尚未尝试的后处理机制。预期恢复 ~0.8 cov 而保持 cell_state / direction 不变，board 提升 ≈ 0.8×0.2 = +0.16；若同时轻微改善 cell_state 则更大。",
  "approach": "在现有斜率调整（γ=-1.6、SLOPE_MIN=0.15）之后、写出之前，对每个细胞类型（≥ MIN_TYPE_CELLS=20 细胞）增加逐基因方差重标定：\n\n1. 对被选中细胞按类型分组。对每个被调整基因（|slope_g| > SLOPE_MIN）：\n   var_orig[g] = var(X_sel[type_rows, g])（调整前）\n   var_adj[g]  = var(X_adj[type_rows, g])（调整后）\n   scale[g]    = sqrt(var_orig[g] / max(var_adj[g], 1e-10))\n   X_adj[type_rows, g] = mean_adj[g] + (X_adj[type_rows, g] − mean_adj[g]) × scale_λ[g]\n   其中 scale_λ = 1 + λ·(scale − 1)，λ = --var-match。均值不变 → direction 不受影响。\n\n2. 新参数 --var-match ∈ {0, 0.5, 1.0}（0 = 关闭，输出与父节点逐字节一致）。\n   仅对 |slope| > SLOPE_MIN 的基因做匹配；未调整基因方差本就不变，无需处理。\n\n3. 扫描（A 半 proxy seed0，每次 1 个 vec-score 查询，共 ≤ 4 次）：\n   a. var-match=1.0 → 记录 cov / cell_state / board\n   b. var-match=0.5 → 若 a 有正信号则对比，否则跳过\n   c. 若最优配置 board ≥ 57.8 且 cov ≥ 53.3 且 cell_state ≥ 57.0，再跑 seed1 确认（第 4 次查询）\n   判定阈值：两次 seed 均 board ≥ 57.7 且 cov ≥ 53.0 才发布；否则发布与父节点一致的输出。\n\n4. 若方差匹配无效（cov 变化 < 0.3），备选：--adjust-frac 0.5（每类型随机 50% 被选中细胞施加斜率调整、其余不动），减半扰动以保协方差；再无效则直接发布父节点输出。\n\n5. 单输入阶段退路：方差匹配完全在输出矩阵内计算，不需要第二时间点。外部 / 退化视图继续跳过表达调整（与父节点相同），X3 输出不变。\n\n6. 实现：在现有 per-type 循环内加 ~20 行（计算调整前后方差、缩放），无新依赖；运行时间增加 < 0.5 s，内存不变。",
  "expected_groups": ["covariation"],
  "risks": "1) 方差匹配只恢复每基因边际方差，不直接恢复基因间相关系数；若 covariation 评分基于相关矩阵而非方差向量，效果可能 < 0.3。Engineer 第一次查分即应看 cov 组分，若 < 53.0 立即停止扫描。2) 围绕调整后均值缩放会压缩极端值，可能轻微降低 cell_state（预计 < 0.5）；用 λ=0.5 折中可缓解。3) 类型内细胞数少（20–50）时方差估计不稳定；对 < 50 细胞的类型用全类型池化方差比或直接跳过该类型。4) 预期提升 ≤ 1 分，在 T1 噪声（~2 分）内；必须 seed0 + seed1 两次查分方向一致才算信号，否则关闭。5) 若 var_adj ≈ var_orig（斜率扰动方差远小于原始方差），scale ≈ 1，无效果——此时说明协方差损失不来自方差变化而来自均值位移本身，应放弃此路。"
}
```

审查员

REVIEW.json written