总览 · ← 返回运行 20261002-034201-search-t1-abc-r1-A-era

节点 n11 在终选来历上

在父节点9双权重组成重抽样上系统检验了 PLAN 的分化轴与 X3 双阶段池化，两方向均实测有害，默认回退父配置并保留可选轴代码。

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 234abc2275: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 7e1813b897。改动的文件：solution/METHOD.md +32 −31、solution/run.py +114 −48

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 5be1902..86cf167 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,45 +1,46 @@-类型层（增殖↓/凋亡↓）× 细胞层（OXPHOS−糖酵解↑）双权重的组成重抽样：细胞表达原样复制最新官方输入阶段，只改哪些细胞被保留。+在父节点9双权重组成重抽样上系统检验了 PLAN 的分化轴与 X3 双阶段池化，两方向均实测有害，默认回退父配置并保留可选轴代码。 -## 方法+## 方法（默认 = 父节点 9） -- 基底：`view_io.inputs_by_time(manifest, include_external=False)` 的最后一个官方输入阶段（外部 Qiu E9.0 永不作基底；proxy2 与 proxy 输出一致）。没有官方输入时退回全部输入。-- 标签：`obs["celltype"]`（缺失时按 `cm_celltype/cell_type/annotation` 顺序找，都没有则在副本上 leiden 聚类，不改动写出的 X）。-- 两个权重层（全部从输入阶段现场计算，无任何硬编码统计量）：-  - 类型层：每型的增殖分（34 个周期基因每细胞均值→按型平均）与凋亡分（13 个促凋亡基因）在各型之间做 z 分（clip ±3），`w_t = exp(-0.55·z_prolif_t + (-0.25)·(-z_apopt_t))`，即 A_TP=-0.55、A_TA=0.25；细胞数 < 5 的型 w_t=1。-  - 细胞层：代谢成熟轴 `z_met_i = z(OXPHOS 13 基因均值 − 糖酵解 10 基因均值)`，系数 A_CM=+0.7；A_CP=A_CA=0（每细胞增殖轴实测被类型层取代后无增益）。-- 抽样：`w_i = w_{type(i)} · exp(A_CM·z_met_i)`，Efraimidis–Spirakis（keys = log(u)/w，取 top-n）做加权**无放回**抽样，n = `target_n_cells`（proxy/proxy2 = 5118，X3 = 2174 = 全量）。`np.random.default_rng(seed)`，同 seed 确定。-- 表达值不做任何平移/缩放（伪批量平移在三把尺子上此前均实测有害）。+- 基底：`inputs_by_time(manifest, include_external=False)` 最后一个官方输入阶段；细胞表达原样复制，只重抽样组成。+- 类型层：`w_t = exp(-0.55·z_prolif_t + 0.25·(-z_apopt_t))`（34 周期基因 / 13 促凋亡基因，型间 z，clip ±3，型细胞 <5 时 w=1）。+- 细胞层：`w_i = exp(0.7·z_met_i)`，z_met = OXPHOS(13) − 糖酵解(10) 每细胞均值。+- Efraimidis–Spirakis 加权无放回抽样 n = target_n_cells；`default_rng(seed)` 确定。+- 代码新增可选轴（默认全关）：A_TD/A_CD（DIFF=[Tnnt2,Myl7,Myh6,Pecam1,Cdh5,Tek,Hbb*,Alas2,Tubb3,Dcx,Alb] − PROG=[Sox2,Pou5f1,Nanog,T]，教科书级清单）、POOL（多官方阶段拼池，细胞分数按阶段内 z 归一以消批次均值差）、A_TR（型比例 log 线性轨迹外推）。 -## 关键参数与查分（A 半，proxy）+## 本节点查分（A 半，11 次，全部 seed 0） -| 配置 | proxy |-|---|---|-| 类型层 A_TP=+0.5, A_TA=0.3 | 40.62（方向反了：de_direction −0.24） |-| A_TP=−1.0 | 49.17 |-| A_TP=−0.5, A_TA=0.3 | 54.74 |-| A_TP=−0.5 + 每细胞增殖 −0.7/凋亡 −0.2/代谢 +0.5 | 54.05 |-| A_TP=−0.5, A_CM=0.5 | 57.24 |-| A_TP=−0.6, A_TA=0.2, A_CM=0.6 | 58.15 |-| A_TP=−0.5, A_TA=0.2, A_CM=0.6 | 58.00 |-| **默认 A_TP=−0.55, A_TA=0.25, A_CM=0.7** | **57.92** |+| 配置 | proxy | X3 |+|---|---|---|+| 父配置基线（复现） | **57.92** | 50.00（恒等，n_out==池） |+| +A_TD=+0.3 | 56.48 | — |+| +A_TD=−0.3 | 53.70 | — |+| +A_CD=+0.3 | 56.59 | — |+| +A_CD=−0.3 | 52.29 | — |+| A_CM=0.5 / 0.9 / 1.2 | 57.36 / 57.78 / 56.18 | — |+| X3 池化 E8.75+E9.0（A_TR=0） | — | 44.09 |+| X3 池化 + 轨迹外推 A_TR=1 | — | 43.28 | -默认取在 −0.5…−0.6 / 0.2…0.3 / 0.6…0.8 的平台中间，不是单点峰值（A/B 半与噪声约 2 分）。+## 证否的假设（对树的价值）++1. **分化轴两个符号都有害**：正系数 direction +0.6 但 de_recovery −2.6（与代谢轴共线，PLAN 风险 2 成立）；负系数全面下降。de_recovery 不能靠 DIFF−PROG 标记轴提升。+2. **X3 池化两阶段有害（−6 分）**：E8.75 细胞混入把 de_recovery 从 50 拉到 42.7；型比例轨迹外推（A_TR）再降 0.8。X3 上 copy_last(E9.0)=50 仍是该尺子已知最好；心脏三型的型间增殖/代谢分几乎无差异（实测 cyc 0.28–0.32），型层权重在 X3 上本就无力。任何"用上 X3 第二阶段"的方案都必须只改 E9.0 内部的细胞选择且 n_out<池，否则不要碰。+3. **A_CM 平台在 0.6–0.9**，0.7 居中，1.2 已掉 1.7 分。  ## 验证过什么 -- proxy 57.92、proxy2 57.92（两者同基底同输出）、X3 50.00；三视图 `vec-check` 全 ok，运行 ~2–4 s。-- 四组全部不弱于此前最佳节点 8（proxy 56.69：cell_state 56.39 / covariation 51.77 / de_recovery 52.04 / direction 56.71）→ 本节点 59.77 / 56.73 / 54.08 / 60.48。-- 类型层与细胞层符号相反于直觉但数据驱动：型水平上强增殖的型（E8.5 的神经/外胚层类 progenitor）在下一步占比下降，代谢成熟度高的细胞占比上升。+- 三视图（proxy / proxy2 / X3）默认配置跑通且 `vec-check` ok；proxy2 与 proxy 输出一致（外部 Qiu E9.0 永不作基底）；X3 输出 = E9.0 恒等（2174 细胞，27883 基因按视图 genes.txt）。+- 默认配置与父节点逐参数一致，预期正式分 ≈ 父节点 55.1–55.6（B 半 + 噪声）。+- POOL 代码路径在 X3 上实际运行并打分（44.09），非死代码，但默认关闭。  ## 没验证 / 局限 -- X3 上 `n_out == 池大小`，加权无放回抽样退化为恒等，所以 X3 = copy_last = 50.00；两阶段（E8.75→E9.0）信息完全没用上。-- 未在 final 视图（E8.5+E9.5 → E10.5）实测；类型名换成 E9.5 词表时，类型层仍只依赖现场计算的基因分数，不依赖名字，逻辑上可迁移，但分数未验证。-- 只测了 seed 0；未做多 seed 稳定性检验。-- 生物学知识来源：仅通用细胞周期 / 凋亡 / OXPHOS 与糖酵解基因清单（教科书级通路成员，见 run.py 顶部常量），不涉及任何保留阶段或保留基因型的测量；未读取 `uns.celltype_palette`，未使用 external/ 数据，未使用 prior/ 资源。+- final 视图（E8.5+E9.5→E10.5）无法测；POOL=0 使 final 行为同父（只用 E9.5 基底）。X3 证据提示池化旧阶段有害，final 上大概率同样。+- 未做多 seed（父 rank3 55.58 来自 3 seed）。+- 生物学知识来源：仅通用细胞周期/凋亡/OXPHOS/糖酵解/分化标记基因清单（教科书级通路成员），无保留阶段测量；未读 `uns.celltype_palette`、external/、prior/。  ## 下一步最值得试 -1. X3 是唯一没动的尺子：池化 E8.75+E9.0 后按同一权重层抽样（n_out < 池大小即可让权重生效），或用 E8.75→E9.0 的型比例差外推 0.5 天。-2. 类型层再加一轴：型水平的「成熟/分化标记」（如心肌 Tnnt2/Myl7、内皮 Pecam1/Cdh5、血 Hbb）z 分，可能与代谢轴互补。-3. final 视图（两官方阶段）上用 E8.5→E9.5 的型比例差与型分数差做一次收缩外推，与纯类型层重加权比较。+1. proxy2 独有信号：用外部 Qiu E9.0（心脏）与官方 E8.5 心脏类细胞做跨数据集基因级 delta，投影到 E8.5 每细胞上选"更像 E9.0"的细胞（只对 proxy2/final 生效，proxy 单阶段无操作）；注意 sci-RNA-seq3 批次差可能主导 delta，需用 covered 掩码与阶段内中心化。+2. de_recovery 剩余空间可能要靠"允许轻微表达修饰"的方向性调整（如沿 E8.5→外部 E9.0 delta 的小步平移 α≈0.1），此前伪批量平移全量有害，但小步 + 投影选择未测。+3. X3 若还想动：n_out=1800–2000 + 型内成熟度权重（只减不加），赌细胞数减少不伤分。diff --git a/solution/run.py b/solution/run.pyindex c29fcb8..936044f 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,15 +1,17 @@-"""Type-level proliferation/apoptosis weighted composition resampling.--Base pool = latest *official* input stage (external stages are never a base).-Cells are copied unchanged; only the composition (which cells are kept) is-re-weighted, using two orthogonal weight layers:--  * type layer  : w_t = exp(A_TP * z_prolif_t - A_TA * z_apopt_t)-                  z-scores taken across cell types of the base stage-  * cell layer  : w_i = exp(A_CP * z_prolif_i - A_CA * z_apopt_i + A_CM * z_met_i)--Final weight of cell i = w_{type(i)} * w_i, sampled without replacement via-Gumbel/efraimidis-spirakis keys (deterministic under --seed).+"""Type x cell dual-layer weighted composition resampling (no expression edits).++Base pool = official input stages. With >=2 official stages the pool is all of+them (per-stage z-normalised cell scores to cancel technical batch offsets),+n_out = latest-stage size, and a log-linear type-proportion trajectory axis+(A_TR) extrapolates composition toward the target time. With a single stage it+reduces exactly to the parent (node 9) behaviour.++Weight layers, all computed on the fly from the view:+  * type layer : w_t = exp(A_TP*z_prolif_t - A_TA*z_apopt_t + A_TD*z_diff_t+                           + A_TR*n_iv*log(p_t_last/p_t_first))+  * cell layer : w_i = exp(A_CP*z_prolif_i - A_CA*z_apopt_i + A_CM*z_met_i+                           + A_CD*z_diff_i)+Sampling: Efraimidis-Spirakis without replacement, deterministic under --seed. """  from __future__ import annotations@@ -19,6 +21,7 @@ import os from pathlib import Path  import numpy as np+import anndata as ad from scipy import sparse  from src.task1_temporal import view_io@@ -38,31 +41,32 @@ OXPHOS = [     "Atp5b", "Atp5f1b", "Atp5pb", "Sdha", "Sdhb", ] GLYC = ["Slc2a1", "Slc2a3", "Hk1", "Hk2", "Pfkp", "Pgk1", "Pgam1", "Eno1", "Ldha", "Pkma"]+# Textbook differentiation (lineage effector) vs progenitor/pluripotency markers.+# Source: general developmental biology (sarcomeric cardiac myosins/troponin,+# endothelial cadherin/PECAM, erythroid globins/heme synthesis, neuronal tubulin+# /DCX, hepatocyte albumin; pluripotency factors SOX2/POU5F1/NANOG, T/Brachyury).+DIFF = ["Tnnt2", "Myl7", "Myh6", "Pecam1", "Cdh5", "Tek", "Hbb-b1", "Hbb-bh1",+        "Alas2", "Tubb3", "Dcx", "Alb"]+PROG = ["Sox2", "Pou5f1", "Nanog", "T"] -DEFAULTS = dict(A_TP=-0.55, A_TA=0.25, A_CP=0.0, A_CA=0.0, A_CM=0.7, MIN_TYPE_CELLS=5)+DEFAULTS = dict(A_TP=-0.55, A_TA=0.25, A_CP=0.0, A_CA=0.0, A_CM=0.7,+                A_TD=0.0, A_CD=0.0, A_TR=0.0, MIN_TYPE_CELLS=5, POOL=0)  -def gene_scores(adata, genes, groups):-    """Per-cell mean expression of each gene group (missing genes ignored)."""+def group_cols(genes, grp):     index = {g: i for i, g in enumerate(genes)}-    n = adata.n_obs-    out = []-    for grp in groups:-        cols = [index[g] for g in grp if g in index]-        if not cols:-            out.append(np.zeros(n, dtype=np.float64))-            continue-        sub = adata.X[:, cols]-        out.append(np.asarray(sub.mean(axis=1), dtype=np.float64).ravel())-    return out---def zscore(x, w=None):-    if w is None:-        m, s = x.mean(), x.std()-    else:-        m = np.average(x, weights=w)-        s = np.sqrt(np.average((x - m) ** 2, weights=w))+    return [index[g] for g in grp if g in index]+++def group_score(adata, cols):+    if not cols:+        return np.zeros(adata.n_obs, dtype=np.float64)+    sub = adata.X[:, cols]+    return np.asarray(sub.mean(axis=1), dtype=np.float64).ravel()+++def zscore(x):+    m, s = x.mean(), x.std()     if not np.isfinite(s) or s < 1e-9:         return np.zeros_like(x)     return np.clip((x - m) / s, -3.0, 3.0)@@ -89,7 +93,8 @@ def main():     ap.add_argument("--out", required=True)     ap.add_argument("--seed", type=int, default=0)     for k, v in DEFAULTS.items():-        ap.add_argument("--" + k.lower(), dest=k, type=float if k != "MIN_TYPE_CELLS" else int,+        ap.add_argument("--" + k.lower(), dest=k,+                        type=float if k not in ("MIN_TYPE_CELLS", "POOL") else int,                         default=float(os.environ.get("VEC_" + k, v)))     args = ap.parse_args() @@ -100,31 +105,92 @@ def main():     entries = view_io.inputs_by_time(manifest, include_external=False)     if not entries:         entries = view_io.inputs_by_time(manifest, include_external=True)-    base = entries[-1]-    adata = view_io.read_stage(view, base, genes, missing="fill")--    labels, _ = type_labels(adata)-    z_prolif_c, z_apopt_c = gene_scores(adata, genes, [CYCLE, APOPT])-    ox, gl = gene_scores(adata, genes, [OXPHOS, GLYC])-    z_met_c = ox - gl -    z_prolif_c = zscore(z_prolif_c)-    z_apopt_c = zscore(z_apopt_c)-    z_met_c = zscore(z_met_c)+    multi = args.POOL and len(entries) >= 2+    use_entries = entries if multi else entries[-1:]++    cols_cy = group_cols(genes, CYCLE)+    cols_ap = group_cols(genes, APOPT)+    cols_ox = group_cols(genes, OXPHOS)+    cols_gl = group_cols(genes, GLYC)+    cols_df = group_cols(genes, DIFF)+    cols_pg = group_cols(genes, PROG)++    parts, stage_ids, per_stage = [], [], []+    for si, e in enumerate(use_entries):+        a = view_io.read_stage(view, e, genes, missing="fill")+        lab, _ = type_labels(a)+        s = dict(+            lab=lab,+            prolif=group_score(a, cols_cy),+            apopt=group_score(a, cols_ap),+            met=group_score(a, cols_ox) - group_score(a, cols_gl),+            diff=group_score(a, cols_df) - group_score(a, cols_pg),+            n=a.n_obs,+            X=a.X,+            obsm=a.obsm.get("spatial_3D"),+        )+        # z-normalise cell scores within each stage (cancels technical offsets)+        for k in ("prolif", "apopt", "met", "diff"):+            s[k] = zscore(s[k])+        parts.append(a)+        stage_ids.append(np.full(a.n_obs, si))+        per_stage.append(s)++    adata = parts[0] if len(parts) == 1 else ad.concat(parts, join="inner", merge="same")+    labels = np.concatenate([s["lab"] for s in per_stage])+    stage_id = np.concatenate(stage_ids)+    z_prolif_c = np.concatenate([s["prolif"] for s in per_stage])+    z_apopt_c = np.concatenate([s["apopt"] for s in per_stage])+    z_met_c = np.concatenate([s["met"] for s in per_stage])+    z_diff_c = np.concatenate([s["diff"] for s in per_stage])      uniq, inv = np.unique(labels, return_inverse=True)     counts = np.bincount(inv, minlength=len(uniq))+     def tmean(x):         return np.bincount(inv, weights=x, minlength=len(uniq)) / np.maximum(counts, 1)+     z_prolif_t = zscore(tmean(z_prolif_c))     z_apopt_t = zscore(tmean(z_apopt_c))--    w_type = np.exp(args.A_TP * z_prolif_t - args.A_TA * z_apopt_t)+    z_diff_t = zscore(tmean(z_diff_c)) if args.A_TD or args.A_CD else np.zeros(len(uniq))++    # trajectory axis: log-linear type-proportion extrapolation over stages+    traj_t = np.zeros(len(uniq))+    if args.A_TR and multi:+        t_first, t_last = float(use_entries[0]["time"]), float(use_entries[-1]["time"])+        t_tgt = float(manifest["target"]["time"])+        dt = t_last - t_first+        n_iv = (t_tgt - t_last) / dt if dt > 1e-6 else 0.0+        first_id, last_id = 0, len(use_entries) - 1+        lab_index = {t: i for i, t in enumerate(uniq)}+        p_first = np.zeros(len(uniq))+        p_last = np.zeros(len(uniq))+        for si, s in enumerate(per_stage):+            if si not in (first_id, last_id):+                continue+            u2, i2 = np.unique(s["lab"], return_inverse=True)+            c2 = np.bincount(i2, minlength=len(u2)) / max(s["n"], 1)+            for t, c in zip(u2, c2):+                j = lab_index[t]+                if si == first_id:+                    p_first[j] = c+                else:+                    p_last[j] = c+        eps = 0.5 / max(adata.n_obs, 1)+        logratio = np.log((p_last + eps) / (p_first + eps))+        traj_t = np.clip(n_iv * logratio, -3.0, 3.0)+        traj_t[p_last <= eps] = 0.0++    w_type = np.exp(args.A_TP * z_prolif_t - args.A_TA * z_apopt_t+                    + args.A_TD * z_diff_t + args.A_TR * traj_t)     w_type[counts < args.MIN_TYPE_CELLS] = 1.0-    w = w_type[inv] * np.exp(args.A_CP * z_prolif_c - args.A_CA * z_apopt_c + args.A_CM * z_met_c)+    w = w_type[inv] * np.exp(args.A_CP * z_prolif_c - args.A_CA * z_apopt_c+                             + args.A_CM * z_met_c + args.A_CD * z_diff_c)     w = np.clip(w, 1e-6, 1e6) -    n_out = view_io.target_n_cells(manifest, adata.n_obs)+    n_base = per_stage[-1]["n"]+    n_out = view_io.target_n_cells(manifest, n_base if multi else adata.n_obs)     rng = np.random.default_rng(args.seed)     u = rng.random(adata.n_obs)     keys = np.log(np.maximum(u, 1e-300)) / w

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

**节点 11 完成**（11 次查分，剩余 10）。

**做了什么**：按 PLAN 实现了分化轴（A_TD/A_CD）、X3 双阶段池化（POOL）、型比例轨迹外推（A_TR）三个可选机制，全部系统查分。

**查分结果**：PLAN 的两个改动均被证否——分化轴 ±0.3 都低于基线（56.48/53.70/56.59/52.29 vs 57.92）；X3 池化 E8.75+E9.0 掉到 44.09，轨迹外推再掉到 43.28（vs copy_last 50.00）。A_CM 平台确认 0.6–0.9。默认配置回退父节点 9（基线复现 57.92，输出逐值相同），三视图 vec-check 全 ok。

**下一步最值得试**：(1) proxy2 用外部 Qiu E9.0 心脏 delta 做跨数据集投影选细胞（唯一未开发的信号源）；(2) 小步平移 α≈0.1 沿投影方向修表达；(3) X3 减 n_out + 型内成熟度权重。证否记录已写入 METHOD.md，避免树重复这些方向。

调研员

 另一主要 DE 来源。另，X3=50.00 因 n_out==池大小使权重退化为恒等，是榜分唯一未受方法影响的尺子（+0.00），池化两阶段可立即激活权重。",
  "approach": "在父节点 run.py 基础上做两处改动，保持表达值不修改的原则：\n\n【改动 1：分化/成熟轴（主改动，目标 de_recovery）】\n1. 新增两个基因列表（教科书级，不涉及保留阶段测量）：\n   DIFF_MARKERS = [\"Tnnt2\",\"Myl7\",\"Myh6\",\"Pecam1\",\"Cdh5\",\"Tek\",\"Hbb-b1\",\"Hbb-bh1\",\"Alas2\",\"Tubb3\",\"Dcx\",\"Alb\"]\n   PROG_MARKERS = [\"Sox2\",\"Pou5f1\",\"Nanog\",\"T\"]\n   先检查这些基因在 genes 面板中的覆盖率；若某基因缺失则跳过，列表可用基因 <4 时该轴系数置 0。\n2. 类型层：每型计算 z_diff_t = z(mean(DIFF_MARKERS)_t − mean(PROG_MARKERS)_t)，跨型 z 分（clip ±3）。权重改为 w_t = exp(A_TP·z_prolif_t − A_TA·z_apopt_t + A_TD·z_diff_t)。\n3. 细胞层：每细胞计算 diff_score_i = mean(DIFF_MARKERS)_i − mean(PROG_MARKERS)_i；在型内做 z 分（型内均值/标准差，型内细胞<5 时置 0）。权重改为 w_i = exp(A_CM·z_met_i + A_CD·z_diff_cell_i)。\n4. 参数初值与搜索：A_TD 从 +0.3 起，A_CD 从 +0.3 起。先只开 A_TD（A_CD=0）查一次分确认符号；再只开 A_CD（A_TD=0）查一次；再同开查一次。若某轴单独不超父节点（57.70 proxy），则固定为 0。搜索范围：A_TD ∈ {0.2, 0.3, 0.5}，A_CD ∈ {0.2, 0.3, 0.5}，共约 6-8 次查分。若符号为负（高分化型反而应下调），翻转后重试一轮。\n5. 其余权重层（A_TP=-0.55, A_TA=0.25, A_CM=0.7）和抽样机制（Efraimidis-Spirakis, 无放回）保持不变。\n6. 单输入阶段退路（proxy）：所有分数均从当前唯一输入阶段现场计算，不依赖第二阶段，与父节点逻辑一致，无需特殊处理。\n\n【改动 2：X3 双阶段池化（副改动，目标 X3 尺子）】\n1. 检测 X3 视图：若 inputs_by_time 返回 ≥2 个官方阶段（E8.75, E9.0），则将两个阶段的 adata 沿 obs 拼接（concat），对拼接后的完整池计算所有权重（类型标签、增殖、凋亡、代谢、分化轴均在池上算），然后做加权无放回抽样 n_out 个细胞。\n2. 若只有一个阶段或 n_out ≥ 池大小，回退到父节点逻辑（恒等复制）。\n3. 不改变表达值，不做跨阶段归一化。\n\n【查分策略】\n- 先跑父节点原样确认基线 proxy ≈ 57.70（1 次）。\n- 改动 1 分步查分（约 6-8 次），每次只看 proxy。\n- 改动 2 单独在 X3 上查分（1-2 次）。\n- 最终配置在 proxy + X3 各查一次确认（2 次）。总查分 ≤ 14 次，留余量给意外重跑。\n- 任何配置若 proxy < 56（低于父节点 1.7 分以上，接近噪声边界），立即回退该轴。",
  "expected_groups": ["de_recovery", "X3"],
  "risks": "1. 分化标记基因可能不在面板基因中（如 Hbb 家族命名变异），导致该轴无效。Engineer 应先打印覆盖率，若 <4 个基因可用则放弃该轴，退回父节点。2. 分化轴可能与代谢轴高度共线（代谢成熟与分化同步），增益为零。发现方法：A_CD 单独查分若 ≤ 57.70 则判定冗余。3. X3 池化后两阶段细胞可能有批次效应（不同测序深度），导致权重被技术差异而非生物信号驱动。Engineer 应检查池化后各型比例是否合理（与单阶段比不应剧变）。4. 查分噪声约 2 分，单轴 +0.3 系数带来的提升可能 <2 分无法确认。若所有配置均在 57±2 内，则保留父节点默认，只提交 X3 池化改动。5. DIFF/PROG 基因列表来自通用发育生物学教科书知识（心肌肌节蛋白、内皮钙黏蛋白、红系珠蛋白、多能性因子），不涉及任何保留阶段的实测数据。"
}
```

审查员

REVIEW.json written