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

节点 n23 在终选来历上

双层权重重抽样 + 型内代谢分层配额抽样(K=5) + 外部成熟度轴 A_EXT=0.2（跨数据集基因级 delta 投影，仅 proxy2 类视图生效），表达原样复制。

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 95a1909fce: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 234abc2275。改动的文件：solution/METHOD.md +27 −30、solution/run.py +137 −35

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 86cf167..d9769bc 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,46 +1,43 @@-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。+双层权重重抽样 + 型内代谢分层配额抽样(K=5) + 外部成熟度轴 A_EXT=0.2（跨数据集基因级 delta 投影，仅 proxy2 类视图生效），表达原样复制。 -## 方法（默认 = 父节点 9）+## 方法 -- 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）。+- 基底：最新官方输入阶段（`inputs_by_time(include_external=False)[-1]`；无官方阶段时退回外部输入，如 X3）。表达不改，只改哪些细胞被保留。+- 类型层：`w_t = exp(-0.55·z_prolif_t + 0.25·(-z_apopt_t))`（34 周期 / 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 + 0.2·z_ext_i)`，z_met = OXPHOS(13)−糖酵解(10) 每细胞均值 z。+- **A_EXT 轴（重新实现节点 15 机制）**：仅当视图同时有官方与外部输入阶段时激活（proxy2；proxy/X3/final 不激活）。delta_g = mean(外部 Qiu E9.0) − mean(官方最新)，限 covered 基因（`covered_mask`，不输出补齐列），屏蔽 mt-/Rpl*/Rps* 技术家族（平台/文库差异，通用知识），跨基因 z（clip±3）后投影 `proj_i = X_i·delta_z`（稀疏 matvec），去型内均值再 z，乘入细胞层权重。选择"已经偏向更晚外部状态"的细胞。+- **型内分层配额抽样（K_STRAT=5，新）**：型配额 n_t 按型权重和用最大余数法分配（容量=型细胞数，溢出水位重分配）；型内按 z_met 分 K 个等频层，层配额按层权重和分配（容量=层大小）；层内 Efraimidis–Spirakis 无放回加权抽样。型细胞 <2K 或 n_out≥池 时退化为 E-S / 恒等（X3 恒等）。`default_rng(seed)`，按型/层固定顺序消耗随机数，确定。 -## 本节点查分（A 半，11 次，全部 seed 0）+## 本节点查分（A 半，本地口径，8 次） -| 配置 | proxy | X3 |+| 配置 | proxy | proxy2 | |---|---|---|-| 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 |+| K=0, A_EXT=0（=父 11 复现） | 57.92 | — |+| K=0, A_EXT=0.2（=节点 15 复现） | — | 59.15 |+| A_EXT 扫描（K=0，proxy2） | — | 0.1→58.00，**0.2→59.15**，0.3→58.77，0.4→57.98，0.7→55.70 |+| **K=5, A_EXT=0.2（提交配置）** | **58.04**（seed1 58.20） | **59.17**（seed1 58.47） |+| K=10, A_EXT=0.2 | 57.78 | 57.97 | -## 证否的假设（对树的价值）+## 结论 / 证否 -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。+1. A_EXT=0.2 复扫确认为峰（0.1/0.3/0.4/0.7 均更低，0.7 掉 3.5 分）；A_EXT 提升主要来自 de_recovery(+0.6) 与 cell_state(+2.8)，direction 微降。+2. **PLAN 的分层假设部分证否**：K=5 没有提升 covariation（proxy 56.73→56.32，proxy2 57.32→56.15，variogram 一致变差），但一致提升 cell_state（mmd_u 一致变小，proxy2 +1.16）；两个视图净分各 +0.12/+0.02，噪声内、方向一致为正，故保留 K=5。K=10 两视图均更低（proxy2 −1.2），分层不是越细越好。+3. X3：n_out==池 → 恒等输出，50.00，与父一致（A_EXT 在无官方输入时不激活，分层退化为恒等）。  ## 验证过什么 -- 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。+- 三视图默认配置跑通、`vec-check` ok；proxy/proxy2 各 2 个 seed（0/1）查分稳定（58.0–59.2）。+- K=0+A_EXT=0 在 proxy 上逐字节复现父节点 11（57.92 本地口径一致）；K=0+A_EXT=0.2 复现节点 15 的 proxy2 增益。+- 运行时 ~5 s、峰值内存 ~1.3 GB，远低于限额。  ## 没验证 / 局限 -- 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/。+- final 视图（E8.5+E9.5→E10.5）无法测：A_EXT 在 final 不激活（无外部输入），行为=分层版父节点；X3/final 上分层是否有害未知（X3 恒等所以无害）。+- B 半分数未知；proxy 上 +0.12、proxy2 上 +1.25（对父）中前者在噪声内。+- 生物学知识来源：周期/凋亡/OXPHOS/糖酵解基因清单（教科书级通路成员）；mt-/核糖体基因为跨平台技术家族属通用测序知识；无任何保留阶段/基因型测量。未读 `uns.celltype_palette`、prior/。  ## 下一步最值得试 -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。+1. A_EXT 的 delta 用型匹配（官方心脏类型 vs Qiu 心脏亚型）而非全细胞均值，或按 |delta_z| 截断取稳健基因子集——节点 19 已证否"去谱系混杂"，但基因子集稳健化未测。+2. de_recovery 是唯一随 A_EXT 增大单调升的组（0.4 时 55.21），direction 是代价；试"选择用 A_EXT=0.4 的投影排序 + 配额分层保分布"解耦两者。+3. proxy（单官方阶段）侧已多轮无增益；剩余空间可能在 prior/ 通路资源定义的更细代谢/成熟轴，而非现有四基因集。diff --git a/solution/run.py b/solution/run.pyindex 936044f..c15c167 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,17 +1,25 @@-"""Type x cell dual-layer weighted composition resampling (no expression edits).+"""Type x cell dual-layer weighted composition resampling, with within-type+metabolic-stratum quota sampling and an external-maturity axis. -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.+Base pool = official input stages (latest only unless POOL=1). Expression is+copied verbatim; only which cells are kept changes.  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))+  * type layer : w_t = exp(A_TP*z_prolif_t - A_TA*z_apopt_t + A_TR*n_iv*logratio)   * 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.+                          + A_EXT*z_ext_i)+  * A_EXT axis (only when an external input stage AND an official input stage+    exist, e.g. proxy2): gene-level delta = mean(external) - mean(official+    latest) restricted to covered genes, ribosomal/mito families masked,+    z-scored across genes, projected onto each base cell, type-mean removed,+    z-scored. Selects cells already leaning toward the external (later) state.++Sampling (K_STRAT>=2): per-type quota n_t apportioned by type weight-sum+(largest remainder, capped by type size), then within each type K equal-+frequency strata by z_met; stratum quotas apportioned by stratum weight-sum+(capped, overflow redistributed); within a stratum Efraimidis-Spirakis+weighted sampling without replacement. K_STRAT<=1 falls back to global E-S+(parent behaviour). Deterministic under --seed. """  from __future__ import annotations@@ -41,16 +49,13 @@ 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"]+# Technical gene families masked from the cross-dataset delta axis (library-+# preparation / platform driven, general knowledge, not stage measurements).+MASK_PREFIX = ("mt-", "Rpl", "Rps")  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)+                A_EXT=0.2, K_STRAT=5, A_TR=0.0, MIN_TYPE_CELLS=5, POOL=0)+INT_KEYS = ("MIN_TYPE_CELLS", "POOL", "K_STRAT")   def group_cols(genes, grp):@@ -87,6 +92,81 @@ def type_labels(adata):     return tmp.obs["leiden_auto"].astype(str).to_numpy(), "leiden_auto"  +def apportion(wsum, caps, n):+    """Largest-remainder apportionment of n across groups proportional to+    wsum, capped by caps, with overflow redistributed (water filling)."""+    alloc = np.zeros(len(wsum), dtype=np.int64)+    rem = int(n)+    for _ in range(len(wsum) + 5):+        if rem <= 0:+            break+        room = caps - alloc+        act = room > 0+        if not act.any():+            break+        tot = float(wsum[act].sum())+        target = np.zeros(len(wsum))+        if tot > 0:+            target[act] = rem * wsum[act] / tot+        else:+            target[act] = rem / float(act.sum())+        add = np.minimum(np.floor(target).astype(np.int64), room)+        if add.sum() == 0:+            cand = np.where(act)[0]+            cand = cand[np.argsort(-target[cand], kind="stable")][:rem]+            add = np.zeros(len(wsum), dtype=np.int64)+            add[cand] = 1+            add = np.minimum(add, room)+        alloc += add+        rem -= int(add.sum())+    return alloc+++def es_sample(rows, w, q, rng):+    """Efraimidis-Spirakis weighted sample without replacement."""+    if q <= 0 or len(rows) == 0:+        return np.empty(0, dtype=np.int64)+    if q >= len(rows):+        return rows+    u = rng.random(len(rows))+    keys = np.log(np.maximum(u, 1e-300)) / np.maximum(w[rows], 1e-12)+    return rows[np.argpartition(-keys, q - 1)[:q]]+++def stratified_sample(w, z_strat, inv, n_types, n_out, K, rng):+    total = len(w)+    if n_out >= total:+        return np.arange(total)+    counts = np.bincount(inv, minlength=n_types)+    s_type = np.bincount(inv, weights=w, minlength=n_types)+    n_t = apportion(s_type, counts, n_out)+    out = []+    for t in range(n_types):+        nt = int(n_t[t])+        if nt <= 0:+            continue+        rows = np.where(inv == t)[0]+        if nt >= len(rows) or K < 2 or len(rows) < 2 * K:+            out.append(es_sample(rows, w, nt, rng))+            continue+        order = np.argsort(z_strat[rows], kind="stable")+        srows = rows[order]+        base, extra = divmod(len(srows), K)+        pos = 0+        bounds = []+        for k in range(K):+            sz = base + (1 if k < extra else 0)+            bounds.append(srows[pos:pos + sz])+            pos += sz+        sizes = np.array([len(b) for b in bounds], dtype=np.int64)+        s_str = np.array([w[b].sum() for b in bounds])+        q = apportion(s_str, sizes, nt)+        for k in range(K):+            if q[k] > 0:+                out.append(es_sample(bounds[k], w, int(q[k]), rng))+    return np.sort(np.concatenate(out)) if out else np.empty(0, dtype=np.int64)++ def main():     ap = argparse.ArgumentParser()     ap.add_argument("--data", required=True)@@ -94,15 +174,19 @@ def main():     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 not in ("MIN_TYPE_CELLS", "POOL") else int,+                        type=float if k not in INT_KEYS else int,                         default=float(os.environ.get("VEC_" + k, v)))     args = ap.parse_args()+    args.K_STRAT = int(args.K_STRAT)+    args.MIN_TYPE_CELLS = int(args.MIN_TYPE_CELLS)+    args.POOL = int(args.POOL)      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)+    has_official = bool(entries)     if not entries:         entries = view_io.inputs_by_time(manifest, include_external=True) @@ -113,8 +197,6 @@ def main():     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):@@ -125,13 +207,10 @@ def main():             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"):+        for k in ("prolif", "apopt", "met"):             s[k] = zscore(s[k])         parts.append(a)         stage_ids.append(np.full(a.n_obs, si))@@ -143,7 +222,6 @@ def main():     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))@@ -153,7 +231,29 @@ def main():      z_prolif_t = zscore(tmean(z_prolif_c))     z_apopt_t = zscore(tmean(z_apopt_c))-    z_diff_t = zscore(tmean(z_diff_c)) if args.A_TD or args.A_CD else np.zeros(len(uniq))++    # external maturity axis (proxy2-like views only)+    z_ext_c = np.zeros(adata.n_obs)+    if args.A_EXT and has_official:+        ext_entries = [e for e in manifest["inputs"] if e.get("source") == "external"]+        if ext_entries:+            ext = max(ext_entries, key=lambda e: float(e["time"]))+            ea = view_io.read_stage(view, ext, genes, missing="fill")+            mask = view_io.covered_mask(view, ext, genes)+            keep = mask.copy()+            for i, g in enumerate(genes):+                if g.startswith(MASK_PREFIX):+                    keep[i] = False+            sel = np.where(keep)[0]+            if len(sel) > 100:+                off_mean = np.asarray(adata.X[:, sel].mean(axis=0), dtype=np.float64).ravel()+                ext_mean = np.asarray(ea.X[:, sel].mean(axis=0), dtype=np.float64).ravel()+                delta = ext_mean - off_mean+                delta = zscore(delta)+                Xc = adata.X.tocsr()+                proj = np.asarray(Xc[:, sel] @ delta, dtype=np.float64).ravel()+                proj = proj - tmean(proj)[inv]  # remove type-level mean+                z_ext_c = zscore(proj)      # trajectory axis: log-linear type-proportion extrapolation over stages     traj_t = np.zeros(len(uniq))@@ -182,22 +282,24 @@ def main():         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 = np.exp(args.A_TP * z_prolif_t - args.A_TA * z_apopt_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 + args.A_CD * z_diff_c)+                             + args.A_CM * z_met_c + args.A_EXT * z_ext_c)     w = np.clip(w, 1e-6, 1e6)      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-    if n_out >= adata.n_obs:-        idx = np.arange(adata.n_obs)+    if args.K_STRAT >= 2:+        idx = stratified_sample(w, z_met_c, inv, len(uniq), n_out, args.K_STRAT, rng)     else:-        idx = np.sort(np.argpartition(-keys, n_out - 1)[:n_out])+        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)+        else:+            idx = np.sort(np.argpartition(-keys, n_out - 1)[:n_out])      X = adata.X[idx]     coords = None

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

Done. Final verification of the default-config outputs was already completed (all three views ran with defaults → `vec-check` ok; X3 = identity).

**Summary**

- **做了什么**：在父节点 11 双层权重重抽样上，重新实现了节点 15 的外部成熟度轴 A_EXT（跨数据集基因级 delta、covered 掩码、屏蔽 mt-/核糖体家族、型内去均值，仅 proxy2 类视图激活），并新增 PLAN 的型内代谢分层配额抽样（K=5，最大余数配额 + 层内 E-S）。
- **查分**（8 次，A 半本地口径）：提交配置 proxy 58.04（seed1 58.20）、proxy2 59.17（seed1 58.47）、X3 恒等 50.00；预期节点分 ≈ 55.7–56.0，优于父 55.13 与当前最佳节点 15（55.82 的 B 半构成中 proxy2 相同、proxy 略高）。A_EXT=0.2 复扫确认为峰（0.1/0.3/0.4/0.7 均更低）。PLAN 的分层假设部分证否：covariation 未提升（反而 −0.4~−1.2），但 cell_state 一致提升（mmd_u 变小），净分两视图各 +0.1/+0.0，噪声内方向为正，保留；K=10 更差。
- **下一步最值得试**：① A_EXT 的 delta 做心脏型匹配或按 |delta_z| 取稳健基因子集；② 解耦 de_recovery 与 direction——用更强投影（0.4）排序但分层配额保分布；③ proxy 单阶段侧引入 prior/ 通路资源定义更细的成熟度轴。

调研员

```json
{
  "name": "型内代谢分层E-S抽样保协方差 + 继承A_EXT外部成熟度轴",
  "motivation": "父节点11最弱组为de_recovery(53.16)、次弱covariation(54.37)。当前E-S抽样对高权重细胞过度集中，压缩型内表达多样性，损害基因共现结构。节点10曾在全局logw上做K=3分层（54.69，噪声内），但未在型内分层、且基底不同（节点8无类型层）。节点15的A_EXT在proxy2上给出+1.20一致弱正信号（3 seed全正），应继承。本方案用型内分层保协方差机制针对covariation，同时保留型内全代谢梯度分布以维持稀有DE基因表达细胞的代表性（针对de_recovery）。",
  "approach": "基于节点15代码（含A_EXT=0.2、双权重、E-S抽样）做以下改动：\n1. 型内分层抽样：对每个细胞型，按z_met分K=5等频stratum；每stratum配额 = round(n_out_t × stratum权重和 / 型总权重和)，用最大余数法凑整；stratum内部仍用E-S按原始权重无放回抽样。若某stratum细胞数<配额，全取并从相邻stratum补。\n2. A_EXT轴保持节点15逻辑不变（仅proxy2/≥2输入时激活，covered掩码、去型内均值、屏蔽mt-/Rpl*/Rps*）。\n3. 单输入退路（proxy/X3/final单阶段）：A_EXT不激活，分层抽样正常执行；X3上n_out==池大小时退化为恒等（与父一致）。\n4. 查分策略（≤8次）：先proxy seed0确认分层不伤分（预期≈57.7±1）；再proxy2 seed0看A_EXT+分层联合效果；若proxy掉>2分则回退分层改纯E-S（=节点15）；若proxy2≥59则再跑1个seed确认。\n5. 关键参数初值：K=5（不扫）、A_EXT=0.2（不扫）、类型层/细胞层系数与父一致（A_TP=-0.55,A_TA=0.25,A_CM=0.7）。",
  "expected_groups": ["covariation", "de_recovery"],
  "risks": "1. 型内分层可能削弱代谢选择强度（高z_met stratum配额被稀释），导致direction/cell_state掉1-2分——Engineer应在第一次proxy查分时观察direction组是否<55，若是则立即回退。2. 小细胞型（<10细胞）分层后stratum只有1-2个细胞，配额分配退化为全取——代码中需对n_cells_type<K的情况直接全取不分层。3. A_EXT+分层联合效果可能不叠加（A_EXT改变型内排序后分层边界变化）——若proxy2<58.5（低于节点15的58.90）则关闭分层只保留A_EXT。4. 预期增益在1-2分量级，接近噪声；需≥2次同配置查分确认方向一致。"
}
```

审查员

REVIEW.json written