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

节点 n13

在父9的类型层(增殖↓凋亡↓)×细胞层(代谢↑)组成重抽样上新增细胞层"型原型度"负向轴：w*=exp(-0.2·z(cos(细胞,型质心)))，表达不改，de_recovery 一致提升。

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 87fe635ed4: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 +25 −35、solution/run.py +107 −110

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 5be1902..c188663 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,45 +1,35 @@-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9的类型层(增殖↓凋亡↓)×细胞层(代谢↑)组成重抽样上新增细胞层"型原型度"负向轴：w*=exp(-0.2·z(cos(细胞,型质心)))，表达不改，de_recovery 一致提升。  ## 方法 -- 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 = 最新官方输入阶段（无官方阶段的测试题视图退路为最新任意输入），细胞表达原样复制，只改组成。+- 类型层：每型细胞的 28 个细胞周期基因均值 z 分（系数 -0.55）+ 13 个促凋亡基因均值 z 分（系数 -0.25），沿类型轴 z 分后 clip ±3。+- 细胞层代谢轴：OXPHOS(31 核编码亚基) − 糖酵解(21 基因) 每细胞均值差，z 分（clip ±3），系数 +0.7。+- 新轴（本节点）：细胞与其所属型质心的余弦相似度 prot_i = cos(X_i, μ_type(i))（缺失基因按 read_stage 默认 fill 补 0 均值），仅在细胞数 ≥5 的型内 z 分（clip ±3），系数 A_PROT=-0.2（负向：优先保留偏离型质心、即更"特化/多样"的细胞）。+- 抽样：Efraimidis–Spirakis 加权无放回（key = log(u)·exp(-log w) 取 top-n_out），np.random.default_rng(seed)，确定性。+- 池大小 ≤ n_out 时退化为恒等（X3 视图即此情形）。 -## 关键参数与查分（A 半，proxy）+## 基因列表 -| 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** |+细胞周期/凋亡/OXPHOS/糖酵解列表为通用通路知识（Cell Cycle KEGG 常识、凋亡内在通路 Bcl-2/Caspase 家族、OXPHOS 复合体 I–V 核编码亚基、糖酵解酶），非来自任何保留阶段测量；运行时与面板取交集，面板缺失自动跳过。 -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）。+## 验证（proxy A 半，本节点查分） -## 验证过什么+| A_PROT | seed0 | seed1 | de_rec(s0) |+|---|---|---|---|+| 0（父配置重建） | 57.12 | 57.51 | 51.46 |+| +0.3（PLAN 原方向） | 54.01 | - | 50.96 |+| -0.15 | 57.35 | - | 52.48 |+| **-0.2（选定）** | **57.28** | **57.88** | **53.00** |+| -0.3 | 57.11 | - | 54.64 |+| -0.5 | 55.31 | - | 54.64 | -- 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。+- PLAN 假设的正向原型度（保留更靠近质心的细胞）实测有害（-3.1），负向才对；平台在 -0.15…-0.3，取中心 -0.2。+- de_recovery（父最弱组）一致 +1.0…+1.5，两个 seed 上总分均小幅正向（+0.16 / +0.37，单项均在噪声内，方向一致）。+- proxy2 = 57.28（基底同为官方 E8.5，与 proxy 相同），X3 = 50.00（n_out==池大小，恒等，与父一致）。三视图均通过 vec-check，运行 <6 s、内存 <2 GB。 -## 没验证 / 局限+## 未验证 -- 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。--## 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。+- 总分增益 <T1 噪声(约 2 分)，B 半不保证复现；de_recovery 的组内增益更可信（de_score 0.054→0.109）。+- final 双官方阶段视图未跑（本 workspace 无该视图）；代码不依赖阶段数，仅用最新官方阶段。+- 未尝试型内收缩 λ（PLAN 备选项，因需稠密化输出、风险高而放弃）。diff --git a/solution/run.py b/solution/run.pyindex c29fcb8..3f222ec 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,144 +1,141 @@-"""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).+"""Node 13: type-level (proliferation-down / apoptosis-down) x cell-level+(OXPHOS-glycolysis up) composition reweighting of node 9, plus a new+cell-level prototypicality axis (cosine to own type centroid).++Base pool = latest OFFICIAL input stage (fallback: latest input of any+source, for test views without official stages). Expression values are+copied unchanged; only which cells are kept changes (Efraimidis-Spirakis+weighted sampling without replacement). """- from __future__ import annotations  import argparse import os-from pathlib import Path  import numpy as np from scipy import sparse  from src.task1_temporal import view_io -CYCLE = [-    "Mki67", "Top2a", "Pcna", "Ccna2", "Ccnb1", "Ccnb2", "Ccnd1", "Ccneg", "Ccne1",-    "Cdk1", "Cdk2", "Cdk4", "Cdk6", "Mcm2", "Mcm3", "Mcm4", "Mcm5", "Mcm6", "Mcm7",-    "Orc1", "Cdc6", "Cdt1", "Rrm1", "Rrm2", "Tyms", "Dtl", "Cenpf", "Cenpe",-    "Birc5", "Aurkb", "Plk1", "Kif20a", "Kif11", "Nusap1",+# ---- axis weights ----+A_TP = -0.55    # type-level proliferation z (down)+A_TA = -0.25    # type-level apoptosis z (down)+A_CM = 0.7      # cell-level metabolism z (OXPHOS - glycolysis, up)+A_PROT = float(os.environ.get("A_PROT", "-0.2"))  # cell-level prototypicality z (down: keep cells away from type centroid)+MIN_TYPE_CELLS = 5++CELL_CYCLE = [+    "Mki67", "Top2a", "Cdk1", "Ccna2", "Ccnb1", "Ccnb2", "Ccne1", "Ccne2",+    "Cdk2", "Cdk4", "Cdk6", "Pcna", "Mcm2", "Mcm3", "Mcm4", "Mcm5", "Mcm6",+    "Mcm7", "E2f1", "Rrm2", "Tyms", "Bub1", "Plk1", "Aurka", "Aurkb",+    "Kif11", "Cdc20", "Kif23", ]-APOPT = [-    "Bax", "Bak1", "Bcl2l11", "Pmaip1", "Bbc3", "Bad", "Bid", "Bik", "Bmf",-    "Bnip3", "Casp8", "Casp9", "Casp3",+APOPTOSIS = [+    "Bax", "Bak1", "Bcl2l11", "Bid", "Bad", "Pmaip1", "Bbc3",+    "Casp3", "Casp8", "Casp9", "Apaf1", "Trp53", "Cflar", ] OXPHOS = [-    "Ndufa4", "Ndufb8", "Uqcrb", "Uqcrc1", "Cox5a", "Cox6b1", "Cox7a2", "Atp5a1",-    "Atp5b", "Atp5f1b", "Atp5pb", "Sdha", "Sdhb",+    "Ndufa1", "Ndufa2", "Ndufa4", "Ndufb3", "Ndufb8", "Ndufs1", "Ndufv1",+    "Sdha", "Sdhb", "Uqcrc1", "Uqcrc2", "Uqcrb", "Uqcrq", "Uqcrfs1",+    "Cox4i1", "Cox5a", "Cox5b", "Cox6b1", "Cox6c", "Cox7a2", "Cox7b",+    "Cox8a", "Atp5a1", "Atp5b", "Atp5f1", "Atp5d", "Atp5e", "Atp5h",+    "Atp5j", "Atp5k", "Atp5o",+]+GLYCOLYSIS = [+    "Hk1", "Hk2", "Gpi1", "Pfkp", "Pfkl", "Pfkm", "Aldoa", "Aldob",+    "Aldoc", "Tpi1", "Gapdh", "Pgk1", "Pgam1", "Eno1", "Eno2", "Eno3",+    "Pkm", "Ldha", "Ldhb", "Slc2a1", "Slc2a3", ]-GLYC = ["Slc2a1", "Slc2a3", "Hk1", "Hk2", "Pfkp", "Pgk1", "Pgam1", "Eno1", "Ldha", "Pkma"]--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)---def gene_scores(adata, genes, groups):-    """Per-cell mean expression of each gene group (missing genes ignored)."""-    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))-    if not np.isfinite(s) or s < 1e-9:+def _zscore(x: np.ndarray) -> np.ndarray:+    s = float(np.std(x))+    if not np.isfinite(s) or s <= 1e-12:         return np.zeros_like(x)-    return np.clip((x - m) / s, -3.0, 3.0)+    z = (x - float(np.mean(x))) / s+    return np.clip(z, -3.0, 3.0)+ +def _gene_idx(genes: list[str], names: list[str]) -> np.ndarray:+    pos = {g: i for i, g in enumerate(genes)}+    idx = [pos[g] for g in names if g in pos]+    return np.array(idx, dtype=np.int64) -def type_labels(adata):-    for col in ("celltype", "cm_celltype", "cell_type", "annotation", "leiden"):-        if col in adata.obs.columns:-            return adata.obs[col].astype(str).to_numpy(), col-    import scanpy as sc -    tmp = adata.copy()-    sc.pp.normalize_total(tmp, target_sum=1e4)-    sc.pp.log1p(tmp)-    sc.pp.pca(tmp, n_comps=30)-    sc.pp.neighbors(tmp)-    sc.tl.leiden(tmp, resolution=1.0, key_added="leiden_auto")-    return tmp.obs["leiden_auto"].astype(str).to_numpy(), "leiden_auto"+def _set_score(X: sparse.csr_matrix, idx: np.ndarray) -> np.ndarray:+    if len(idx) == 0:+        return np.zeros(X.shape[0], dtype=np.float64)+    return np.asarray(X[:, idx].mean(axis=1), dtype=np.float64).ravel()  -def main():+def main() -> None:     ap = argparse.ArgumentParser()     ap.add_argument("--data", required=True)     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,-                        default=float(os.environ.get("VEC_" + k, v)))     args = ap.parse_args() -    view = Path(args.data)-    manifest = view_io.load_manifest(view)-    genes = view_io.panel_genes(view, manifest)--    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)--    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)-    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 = np.clip(w, 1e-6, 1e6)--    n_out = view_io.target_n_cells(manifest, 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-    if n_out >= adata.n_obs:-        idx = np.arange(adata.n_obs)+    manifest = view_io.load_manifest(args.data)+    genes = view_io.panel_genes(args.data, manifest)++    official = [e for e in manifest["inputs"] if not view_io.is_external(e)]+    base_entry = max(official, key=lambda e: e["time"]) if official else \+        max(manifest["inputs"], key=lambda e: e["time"])+    adata = view_io.read_stage(args.data, base_entry, genes, missing="fill")+    X = adata.X.tocsr()+    n_pool = X.shape[0]+    labels = view_io.labels_of(adata, "celltype") if "celltype" in adata.obs else \+        np.zeros(n_pool, dtype=object).astype(str)++    n_out = view_io.target_n_cells(manifest, n_pool)++    # ---- scores (all computed live from the input stage) ----+    cc = _set_score(X, _gene_idx(genes, CELL_CYCLE))+    ap_ = _set_score(X, _gene_idx(genes, APOPTOSIS))+    met = _set_score(X, _gene_idx(genes, OXPHOS)) - _set_score(X, _gene_idx(genes, GLYCOLYSIS))++    # prototypicality: cosine of cell to its own type centroid+    proto = np.zeros(n_pool, dtype=np.float64)+    valid_type = np.zeros(n_pool, dtype=bool)+    unq, inv = np.unique(labels, return_inverse=True)+    Xt = X.astype(np.float64)+    norms = np.sqrt(np.asarray(Xt.multiply(Xt).sum(axis=1)).ravel())+    for t in range(len(unq)):+        rows = np.flatnonzero(inv == t)+        if len(rows) < MIN_TYPE_CELLS:+            continue+        mu = np.asarray(Xt[rows].mean(axis=0)).ravel()+        mu_norm = float(np.linalg.norm(mu))+        if mu_norm <= 1e-12:+            continue+        dots = np.asarray(Xt[rows].multiply(mu).sum(axis=1)).ravel()+        denom = np.maximum(norms[rows] * mu_norm, 1e-12)+        proto[rows] = dots / denom+        valid_type[rows] = True++    # ---- type-level weights ----+    t_cc = np.array([cc[inv == t].mean() for t in range(len(unq))])+    t_ap = np.array([ap_[inv == t].mean() for t in range(len(unq))])+    z_tp, z_ta = _zscore(t_cc), _zscore(t_ap)+    log_w = (A_TP * z_tp + A_TA * z_ta)[inv]++    # ---- cell-level weights ----+    log_w = log_w + A_CM * _zscore(met)+    if A_PROT != 0.0:+        z_prot = np.zeros(n_pool)+        z_prot[valid_type] = _zscore(proto[valid_type])+        log_w = log_w + A_PROT * z_prot++    if n_out >= n_pool:+        keep = np.arange(n_pool)     else:-        idx = np.sort(np.argpartition(-keys, n_out - 1)[:n_out])--    X = adata.X[idx]-    coords = None-    if manifest.get("needs_coords"):-        src = adata.obsm.get("spatial_3D")-        coords = np.asarray(src)[idx] if src is not None else np.zeros((len(idx), 3), np.float32)-    view_io.write_prediction(X, genes, args.out, coords=coords, seed=args.seed)+        # Efraimidis-Spirakis: key = u^(1/w); log key = log(u) * exp(-log_w)+        u = np.clip(rng.random(n_pool), 1e-300, 1.0)+        keys = np.log(u) * np.exp(-np.clip(log_w, -50.0, 50.0))+        keep = np.sort(np.argpartition(-keys, n_out - 1)[:n_out])++    view_io.write_prediction(X[keep], genes, args.out, seed=args.seed)   if __name__ == "__main__":

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。

**做了什么**：在父节点9（类型层增殖↓/凋亡↓ × 细胞层代谢↑的组成重抽样）上新增细胞层"型原型度"轴（细胞与本型质心的余弦相似度）。因父代码不在 workspace，先按 ANALYSIS 重建了父方法（A_PROT=0 得 proxy 57.12/57.51，与父 57.70 在噪声内）。实测证否 PLAN 的正向假设（A_PROT=+0.3 → 54.01，有害），**负向才对**：平台在 -0.15…-0.3，选定 A_PROT=-0.2（平台中心）。

**查分结果**（proxy A半）：seed0 57.28（vs 基线 57.12）、seed1 57.88（vs 57.51），两 seed 一致小幅正向；目标最弱组 de_recovery 一致 +1.0…+1.5（de_score 0.054→0.109）。proxy2=57.28、X3=50.00（恒等退化，同父），三视图 vec-check 通过，运行 <6s。

**下一步建议**：总分增益在噪声内、组内增益较可信；最值得试的是 (1) 把负向原型度换成"型内低表达噪声"或型内排名分位等其他多样性度量对比；(2) 针对 X3 池化两阶段使权重生效（父建议仍成立）；(3) 在 final 双官方阶段视图验证型比例差收缩外推。

调研员

{"name":"类型原型度细胞权重：选靠近型质心的细胞以强化DE信号","motivation":"父节点9的de_recovery=53.16是四组中最弱的（cell_state 55.86, covariation 54.37, direction 56.85）。当前方法只按增殖/凋亡（类型层）和代谢（细胞层）加权，未考虑细胞表达对其所属类型的代表性。de_recovery衡量DE基因的恢复，选取表达更接近型质心的细胞可减少型内噪声、锐化型间DE信号。节点11已证否分化标记轴和X3池化，节点10的分层抽样也无增益，本方案从不同角度切入：不引入新基因列表，而是利用已有表达矩阵计算每细胞与型质心的相似度作为权重。","approach":"在父节点9的run.py基础上，新增一个细胞层权重轴——类型原型度（prototypicality）：\n\n1. 计算型质心：对每个celltype，取其所有细胞表达向量的均值作为该型质心μ_t。\n2. 计算每细胞原型分：prot_i = cosine_similarity(X_i, μ_{type(i)})，即细胞与其型质心的余弦相似度。缺失基因用0填充后计算。\n3. z分：z_prot = zscore(prot)，clip ±3。\n4. 权重：w_i = w_type(i) · exp(A_CM·z_met_i + A_PROT·z_prot_i)，A_PROT为新参数。\n5. 参数搜索：A_PROT ∈ {0.0, 0.2, 0.3, 0.5}，先用proxy的A半查vec-score，选最优后确认。\n6. 其余不变：A_TP=-0.55, A_TA=0.25, A_CM=0.7，Efraimidis-Spirakis抽样，表达值不修改。\n\n单输入阶段退路：所有计算仅依赖输入阶段自身，无需第二时间点，proxy/proxy2/X3/final均适用。\n\nvec-score快速筛选：先跑A_PROT=0（应与父节点一致，验证代码正确），再跑0.3，若提升>2分再试0.2和0.5确认平台。\n\n可选次要实验（若时间允许）：型内收缩 X_new=(1-λ)X+λμ_type，λ∈{0.05,0.1}，仅当A_PROT无增益时尝试；机制与伪批量平移不同（保留型间差异、仅压缩型内方差），但风险较高，默认关闭。","expected_groups":["de_recovery"],"risks":"1) 原型度可能与代谢轴高度相关（高代谢细胞可能更接近型质心），导致A_PROT无独立增益——Engineer应先计算prot与z_met的Pearson相关，若>0.7则预期增益有限。2) 余弦相似度对稀疏数据敏感，若大量基因缺失则退化为噪声——检查prot分布是否双峰或极度偏斜。3) 若型内细胞数<5，型质心不可靠——此时该型细胞A_PROT权重设为1（与MIN_TYPE_CELLS逻辑一致）。4) 预期增益可能<2分噪声——用A_PROT=0.2和0.3两次查分确认方向一致性。","sources":[]}