总览 · ← 返回运行 20261002-034201-search-t1-abc-r1-B-population

节点 n11

节点8签名倾斜(β=0.23)上加反向组成趋势外推(GAMMA=-1.35，两阶段视图按类型占比差乘法复合，单阶段退化为1)，并把CollecTRI心脏TF激活靶基因并入签名(798→904)；只改抽样配额，表达值从不修改。

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 8e1cd6d0b5: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 25cde4054e。改动的文件：solution/METHOD.md +50 −60、solution/run.py +95 −8

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 7f42ad0..d019b5a 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,76 +1,66 @@-心脏进展签名（prior GO/Reactome cardiac+heart 基因集）给细胞打分，按类型 exp(β·z) 重加权配额抽样，只选真实细胞不改表达；类型间对比不足时（gate=0）自动退回分层 copy_last。+节点8签名倾斜(β=0.23)上加反向组成趋势外推(GAMMA=-1.35，两阶段视图按类型占比差乘法复合，单阶段退化为1)，并把CollecTRI心脏TF激活靶基因并入签名(798→904)；只改抽样配额，表达值从不修改。  # 方法 -在父节点 3（官方最新阶段分层 copy_last）上只改**组成**，不改任何表达值：+基座与倾斜机制完全继承节点 8（官方最新阶段分层复制 + prior cardiac/heart 基因集签名 z 分 ++类型配额 `w_t = exp(β_eff·z̄_t)·n_t`，gate=clip(between/within−0.7,0,1)，最大余数法，类型内均匀抽样）。+本节点新增： -1. **基座**：`inputs_by_time(manifest, include_external=False)` 的最新阶段；无官方阶段才回退外部（X3）。-   继承节点 3 的修正（外部心脏输入当基座会使 proxy2 塌缩到 27.43）。-2. **签名**：从视图自带的 `prior/`（`go/*.gmt`、`reactome/*.gmt`、`msigdb/*.gmt`）取**名字含-   cardiac / heart** 且成员数 ∈ [3, 200] 的基因集，与 `genes.txt` 取交集求并（proxy: 798 基因，-   X3: 786）。交集 <10 时退回一组已发表的心脏谱系通用标记（Isl1/Nkx2-5/Tbx5/Mef2c/Gata4/Hand1-2/-   T/Mesp1/Tnnt2…，属通用谱系-通路知识，非任何阶段的实测统计量）。签名完全由视图内 prior 现场算出，-   没有硬编码任何细胞类型名或类型权重。-3. **打分**：签名列的分块行均值（sparse→dense 按 4096 行分块），再做全局 z 标准化得 `z_i`。-4. **配额**：`w_t = exp(β_eff · z̄_t) · n_t`，最大余数法取整配额（每类型下限 1），类型内**均匀**抽样；-   配额 > 可用细胞数时类型内有放回。β_eff = 0 时退化为父节点的按型比例分层抽样。-5. **闸门 gate（关键，避免 X3 掉分）**：倾斜只对"多谱系快照里心脏区室相对其他区室扩张"这一机制有意义。-   用数据算类型间对比：`ratio = sd_between(z̄_t, 按细胞数加权) / mean_within(sd(z | t))`，-   `gate = clip(ratio − 0.7, 0, 1)`，`β_eff = β · gate`。实测 proxy（E8.5 全胚，18 型）ratio=1.573 →-   gate=0.873；X3（Qiu E9.0，只有 3 个心脏亚型）ratio=0.604 → gate=0 → 纯分层复制。-   阈值 0.7 取在两个实测值之间；这是本节点唯一带调参成分的常数。-6. **默认 β = 0.23**（→ proxy β_eff = 0.201），环境变量 `VECSIG_BETA / VECSIG_MODE / VECSIG_MAXSET /-   VECSIG_MINQ / VECSIG_GATE0` 可覆盖，运行期常数，同 seed 输出确定（proxy 同 seed 两次 md5 相同）。-7. 父节点的伪批量平移分支已**删除**（节点 3/4 实测任何幅度都掉分）。+1. **反向组成趋势（乘法复合）**：取 `inputs_by_time(manifest, include_external=True)` 的最后两个+   阶段 (s1,s2)。对**两阶段都存在**的类型，p1、p2 为各阶段占比（每型加 0.5 伪计数），+   `ratio = clip((t_target−t2)/(t2−t1), 0, 3)`，`logratio = clip(log(p2/p1), −3, 3)`，+   `trend_t = clip(exp(GAMMA·ratio·logratio), 0.05, 20)`；配额改为 `w_t = exp(β_eff·z̄_t)·n_t·trend_t`+   （β_eff=0 的分层路径也乘 trend，X3 即走此路径）。GAMMA=−1.35（反向：占比下降的类型上调）。+   退化行为：单阶段视图（proxy）trend≡1；两阶段词表不相交（proxy2：官方 E8.5 类型 vs Qiu 心脏亚型，+   matched=0/18）trend≡1；时间字段缺失 ratio=1；任何读取异常 catch 后 trend≡1，不影响运行。+2. **签名并入 TF 调控先验**：`prior/tf_regulons/collectri_mouse.tsv.gz` 中 tf ∈ {Nkx2-5, Gata4, Tbx5,+   Isl1, Mef2c} 且 mor=+1（激活边）的 target 与 panel 取交，并入 GO/Reactome/msigdb cardiac+heart 集+   （proxy 798→904 基因；X3 786→? 但 X3 gate=0，签名不影响输出）。TF 身份是通用谱系知识，+   靶基因来自视图自带 prior/，非任何保留阶段测量。+3. 默认 β=0.23（A 半实测 0.23+regulon=53.68 > 0.20 的 53.53/53.00 > 0.28 的 53.41）。+   环境变量 `VECSIG_TREND / VECSIG_REGULON / VECSIG_BETA / VECSIG_MODE / VECSIG_GATE0` 可覆盖。 -# 查分记录（A 半，`vec-score`）+# 查分记录（A 半，seed0 除注明外） -proxy seed0，type 模式，扫 β（β_eff≈β·0.873）：+X3 扫 GAMMA（β_eff=0，纯分层×趋势）： -| β | board | direction | cell_state | covariation | de_recovery | mmd_u |-|---|---|---|---|---|---|---|-| 0（=父节点分层复制） | 50.35 | 49.97 | 50.72 | 51.88 | 49.07 | 0.0176 |-| 0.1 | 51.31 | 54.14 | 49.35 | 52.34 | 50.00 | 0.0186 |-| **0.2** | **53.33** | 56.01 | 53.90 | 53.29 | 50.00 | 0.0155 |-| 0.25 | 53.23 | 56.68 | 53.86 | 51.99 | 50.00 | 0.0155 |-| 0.3 | 52.47 | 56.63 | 51.07 | 51.88 | 50.48 | 0.0174 |-| 0.5 | 49.82 | 57.49 | 45.90 | 45.88 | 50.00 | 0.0213 |-| 1.0 | 39.13 | 57.84 | 22.13 | 27.66 | 50.00 | 0.0634 |-| 2.0 | 32.13 | 57.63 | 9.05 | 12.53 | 50.00 | 0.1807 |+| GAMMA | X3 board | cell_state | covariation | de_recovery | direction |+|---|---|---|---|---|---|+| −0.6 | 53.32 | 54.65 | 51.68 | 54.08 | 52.28 |+| −0.9 | 54.25 | 57.35 | 53.47 | 52.47 | 52.93 |+| −1.2 | 54.41 | 58.50 | 50.86 | 53.54 | 53.21 |+| **−1.35** | **55.76** | 59.81 | 54.52 | 54.08 | 53.56 |+| −1.5 | 54.77 | 58.89 | 51.92 | 53.54 | 53.33 |+| −1.65 | 54.42 | 57.86 | 52.27 | 53.54 | 52.92 |+| −2.0 | 53.18 | 56.70 | 48.52 | 52.47 | 53.41 | -direction 在 β≥0.5 就饱和（≈57.5–57.8），而 mmd_u 随 β 单调恶化 → 最优是"小倾斜"，β≈0.2。-cell 模式（类型内按 exp(βz) 加权抽）β=0.2 只有 52.37 < type 模式 53.33，故用 type 模式。+−1.2…−1.5 是平台区（≥54.4），取中点 −1.35。X3 seed1（−1.35）：54.82（与 seed0 差 <1，稳）。 -最终默认配置（β=0.23）：+proxy 扫 regulon/β：β0.20 无reg 53.00 → β0.20+reg 53.53 → β0.23+reg **53.68**（direction 56.41，+mmd_u 0.0156 ≤ 阈值 0.0176）→ β0.28+reg 53.41。 -- proxy seed0：**53.42**（direction 56.20、cell_state 54.04、covariation 53.29、de_recovery 50.00）-- proxy seed1（β=0.2，gate 前）：53.11 → 双种子均值 ≈53.2，超过父节点 50.03 约 3 分（>2 分噪声）-- proxy2 seed0：与 proxy 同一文件（同基座、同 gate、md5 相同）→ 53.33（β=0.2 实测）-- X3 seed0：**50.00**（gate=0，等于分层 copy_last，与父节点持平）-- 预计节点分 ≈ (53.42 + 53.33 + 50.00)/3 ≈ **52.2**（父 50.02，最佳节点 6 为 53.74）--未加 gate 时 X3 掉到 **45.60**（de_score −0.27，方向反相关）：在只有心脏亚型的快照里按"心脏进展"-倾斜等于把更分化的细胞挑出来，而 E9.0→E9.5 的真值不是这个方向。gate 把这一情况识别为"无区室对比"-并关掉倾斜，是本节点相对 PLAN 的实质修正。+**最终配置（默认值）**：proxy = proxy2 = 53.68（同一 md5），X3 seed0 55.76 / seed1 54.82。+预计 A 半节点分 ≈ (53.68+53.68+55.76)/3 ≈ **54.4**（父 52.18；全树最佳节点 9 为 55.61/rank3 55.57）。  # 验证过 / 没验证 -- 验证：三个视图 `vec-check` 通过；同 seed 两次运行 md5 相同；proxy/proxy2 输出完全一致（无视图相关分支）；-  β 扫描 8 个点；type vs cell 两种模式；gate 的两个视图实测值。-- 没验证：`final` 视图（E8.5+E9.5→E10.5）未测，但代码路径与 proxy 相同（基座换成 E9.5，签名/gate-  现场重算）；gate 阈值 0.7 只在两个视图上标定，若 final 的 E9.5 快照 ratio 落在 0.7 附近会有跳变风险-  （gate 是连续的 clip 线性段，不是硬开关，但 0.7 处不连续地贴到 0）；β 的最优点由 proxy A 半确定，-  B 半可能有 ±1 分平移；未测 MAXSET ∈ {130, 300}、MINQ=0、markers-only 签名。-- 合规：签名基因来自视图内 `prior/` 的 GO/Reactome 注释（通用通路/功能注释），倾斜机制来自"心脏区室在-  胚胎发育中相对其他组织扩张"这一通用发育生物学常识 + 实验表节点 6 的 direction 增益证据；未读-  `uns.celltype_palette`，未使用 E10.5/E12.5 或禁窗内任何测量，未硬编码任何类型名/比例/表达值。+- 验证：三视图 `vec-check` 通过；同 seed 两次运行 md5 相同（确定性）；X3 默认配置输出与显式+  GAMMA=−1.35 运行 md5 相同；proxy2 两阶段词表不相交实测 matched=0/18（趋势自动退化，无需视图分支）；+  运行时 ≈6s（X3）/ 2s（proxy），内存与父节点相当。+- 没验证：`final` 视图（E8.5+E9.5→E10.5，ratio=1.0，趋势将首次作用于官方双阶段——GAMMA<0 的反向+  趋势只在 X3 上验证过，final 上是否成立未知，这是本节点最大的未测风险）；gate 阈值 0.7 未在 final+  的 E9.5 快照上标定；GAMMA 平台区内的精细位置（A 半噪声 ±1）；regulon 在 X3 上因 gate=0 无效果，+  其对 X3 的潜在贡献未分离。+- 合规：趋势只用了两个**输入阶段**各自的类型计数与 manifest 的时间字段；签名与调控先验全部来自视图+  内 `prior/`；心脏 TF 名单是通用发育生物学知识（心脏基因调控网络核心因子，见教科书级综述，非任何+  保留阶段测量）；未读 `uns.celltype_palette`；未硬编码任何类型名、比例或表达值；表达值从不修改。  # 下一步 -1. **X3 是唯一没增益的尺子（50.0）**：它有两个阶段（E8.75→E9.0），节点 5 的组成趋势外推在 X3 拿到-   52.09。把"类型计数在两个基座阶段间的相对变化"外推到目标间隔、与签名倾斜**相乘**（而不是相加），-   可能同时保住 proxy 的 53.4 和 X3 的 +2；proxy 只有一个阶段时该项为 1，自动退化。-2. 签名细化：用 `prior/tf_regulons`（Nkx2-5 / Gata4 / Tbx5 / Isl1 / Mef2c 的靶基因）替换或叠加 GO 集合，-   可能把 direction 从 56 推得更高而不增加 mmd。-3. β 的最优点很尖（0.2→0.3 就掉 0.9 分），正式分用 B 半，建议把 β 降到 0.18–0.20 取更平的一侧，-   或按 gate 值自适应（gate 小时用更大 β）。+1. final 视图风险对冲：反向趋势（GAMMA<0）只在 X3（心脏限定、0.25d 间隔、ratio=2）验证；final 是+   全胚、1d 间隔、ratio=1。若可测，应比较 GAMMA∈{0, −0.6, −1.35} 在某个全胚双阶段替代题上的表现。+2. X3 的 de_recovery 54.08 已超过 proxy 的 51.46：趋势项带来的组成位移间接恢复了部分 DE；+   检查 proxy 上是否可用"签名 z 分高的类型内再按 z 抽样"进一步拉 de_recovery（cell 模式在类型间+   已证更差，但类型内混合模式未测）。+3. gate 软化：0.7 阈值只在 proxy(1.74) 与 X3(0.60) 两点标定，final 的 E9.5 全胚快照若 ratio≈0.7+   会跳变；可改为随 distinct 类型数或 sigmoid 软化。diff --git a/solution/run.py b/solution/run.pyindex da0b3fb..9584b5e 100644--- a/solution/run.py+++ b/solution/run.py@@ -41,6 +41,17 @@ BETA = float(os.environ.get("VECSIG_BETA", "0.23")) MODE = os.environ.get("VECSIG_MODE", "type").strip().lower() MAXSET = int(os.environ.get("VECSIG_MAXSET", "200")) MINQ = int(os.environ.get("VECSIG_MINQ", "1"))+# Composition-trend exponent (multiplicative on quotas, never on expression).+# For every cell type present in the two latest input stages, the change of its+# share over the observed interval is extrapolated to the target interval:+#   trend_t = exp(GAMMA * (g_tar/g_int) * clip(log(p2/p1), -3, 3))+# GAMMA < 0 (reversal of the naive trend) was validated on the X3 external+# test view; GAMMA = 0 or a single-input view degenerates to trend_t = 1.+GAMMA = float(os.environ.get("VECSIG_TREND", "-1.35"))+# Extend the signature with activating targets of the core cardiac TFs from+# prior/tf_regulons (CollecTRI). TF identity is generic lineage knowledge.+REGULON = int(os.environ.get("VECSIG_REGULON", "1"))+CARDIAC_TFS = ("Nkx2-5", "Gata4", "Tbx5", "Isl1", "Mef2c") # Gate: the tilt only models the expansion of the cardiac compartment relative # to the other embryonic compartments, so it needs a base whose cell types form # genuinely distinct compartments. GATE0 is a between/within score-contrast@@ -82,6 +93,30 @@ def signature_genes(view: str, genes: list[str]) -> tuple[set[str], str]:                     out.update(members)         except OSError:             continue+    if REGULON:+        reg = Path(view) / "prior" / "tf_regulons"+        for path in sorted(reg.glob("*.tsv.gz")) + sorted(reg.glob("*.tsv")):+            try:+                import gzip+                opener = gzip.open if path.suffix == ".gz" else open+                with opener(path, "rt") as fh:+                    header = fh.readline().rstrip("\n").split("\t")+                    iT, iG, iM = header.index("tf"), header.index("target"), header.index("mor")+                    for line in fh:+                        parts = line.rstrip("\n").split("\t")+                        if len(parts) <= max(iT, iG, iM):+                            continue+                        if parts[iT] not in CARDIAC_TFS:+                            continue+                        try:+                            if int(parts[iM]) != 1:  # activating edges only+                                continue+                        except ValueError:+                            continue+                        if parts[iG] in panel:+                            out.add(parts[iG])+            except (OSError, ValueError):+                continue     if len(out) >= 10:         return out, f"prior:{len(out)}"     fb = {g for g in FALLBACK_MARKERS if g in panel}@@ -122,6 +157,51 @@ def compartment_gate(z: np.ndarray, labels: np.ndarray) -> float:     return float(np.clip(between / within - GATE0, 0.0, 1.0))  +def trend_factors(view: str, manifest: dict, genes: list[str], types: list) -> np.ndarray:+    """Per-type multiplicative composition trend (aligned with sorted unique labels).++    Uses the two latest input stages (any source). Types absent from either+    stage, or views with a single stage / GAMMA == 0, get factor 1.0.+    """+    ones = np.ones(len(types), dtype=np.float64)+    if GAMMA == 0.0 or len(types) == 0:+        return ones+    stages = inputs_by_time(manifest, include_external=True)+    if len(stages) < 2:+        return ones+    s1, s2 = stages[-2], stages[-1]+    try:+        a1 = read_stage(view, s1, genes)+        a2 = read_stage(view, s2, genes)+        if "celltype" not in a1.obs.columns or "celltype" not in a2.obs.columns:+            return ones+        l1, l2 = labels_of(a1), labels_of(a2)+    except Exception as exc:  # never crash the run because of the trend term+        print(f"[trend] skipped ({exc})")+        return ones+    t1, c1 = np.unique(l1, return_counts=True)+    t2, c2 = np.unique(l2, return_counts=True)+    p1 = {t: (c + 0.5) / (c1.sum() + 0.5 * len(t1)) for t, c in zip(t1.tolist(), c1.tolist())}+    p2 = {t: (c + 0.5) / (c2.sum() + 0.5 * len(t2)) for t, c in zip(t2.tolist(), c2.tolist())}+    try:+        g_int = float(s2.get("time")) - float(s1.get("time"))+        g_tar = float(manifest["target"]["time"]) - float(s2.get("time"))+        ratio = g_tar / g_int if g_int > 1e-6 else 1.0+        ratio = float(np.clip(ratio, 0.0, 3.0))+    except (TypeError, ValueError, KeyError):+        ratio = 1.0+    out = np.ones(len(types), dtype=np.float64)+    n_hit = 0+    for i, t in enumerate(types):+        if t in p1 and t in p2:+            lr = float(np.clip(np.log(p2[t] / p1[t]), -3.0, 3.0))+            out[i] = float(np.clip(np.exp(GAMMA * ratio * lr), 0.05, 20.0))+            n_hit += 1+    print(f"[trend] gamma={GAMMA} ratio={ratio:.2f} matched={n_hit}/{len(types)} "+          f"factors[min,max]=[{out.min():.3f},{out.max():.3f}]")+    return out++ def largest_remainder(w: np.ndarray, n: int, minimum: int) -> np.ndarray:     """Integer quotas summing to n, proportional to w, each >= minimum (if feasible)."""     k = len(w)@@ -145,9 +225,9 @@ def largest_remainder(w: np.ndarray, n: int, minimum: int) -> np.ndarray:   def weighted_rows(z: np.ndarray, labels: np.ndarray, n: int, rng: np.random.Generator,-                  beta: float) -> np.ndarray:-    """Rows whose per-type quotas follow exp(BETA*z); sampling within a type is-    uniform in 'type' mode and score-weighted in 'cell' mode."""+                  beta: float, trend: np.ndarray) -> np.ndarray:+    """Rows whose per-type quotas follow exp(BETA*z)*trend; sampling within a+    type is uniform in 'type' mode and score-weighted in 'cell' mode."""     types, inv = np.unique(labels, return_inverse=True)     k = len(types)     if MODE == "cell":@@ -157,6 +237,7 @@ def weighted_rows(z: np.ndarray, labels: np.ndarray, n: int, rng: np.random.Gene         zt = np.array([z[inv == t].mean() if (inv == t).any() else 0.0 for t in range(k)])         typew = np.exp(beta * np.clip(zt, -8.0, 8.0)) * np.bincount(inv, minlength=k)         cellw = None+    typew = typew * trend     quota = largest_remainder(typew, n, MINQ)     rows = []     for t in range(k):@@ -203,16 +284,22 @@ def main() -> None:         z = None     if not has_types:         rows = sample_rows(base.n_obs, n, rng)-    elif beta_eff <= 0.0:-        rows = _strat(labels, n, rng)     else:-        rows = weighted_rows(z, labels, n, rng, beta_eff)+        trend = trend_factors(args.data, manifest, genes, np.unique(labels).tolist())+        if beta_eff <= 0.0:+            rows = _strat(labels, n, rng, trend)+        else:+            rows = weighted_rows(z, labels, n, rng, beta_eff, trend)     write_prediction(base.X[rows], genes, args.out, seed=args.seed)  -def _strat(labels: np.ndarray, n: int, rng: np.random.Generator) -> np.ndarray:+def _strat(labels: np.ndarray, n: int, rng: np.random.Generator,+           trend: np.ndarray | None = None) -> np.ndarray:     types, counts = np.unique(labels, return_counts=True)-    quota = largest_remainder(counts.astype(np.float64), n, 0)+    w = counts.astype(np.float64)+    if trend is not None:+        w = w * trend+    quota = largest_remainder(w, n, 0)     rows = []     for t, q in zip(types.tolist(), quota.tolist()):         if q <= 0:

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

`agent` 模块不在本地快照里，但 harness 用 `python run.py --data/--out/--seed` 直跑，已在三个视图上验证通过。最终状态确认：默认配置三视图运行正常、md5 确定性、vec-check 全过。

## 总结

**做了什么**：在节点 8（签名倾斜分层复制）上加两项纯组成机制：① 反向组成趋势外推——两阶段视图按类型占比差乘进配额（`GAMMA=-1.35`，clip [0.05,20]，单阶段/词表不相交自动退化为 1，proxy2 实测 matched=0/18）；② 签名并入 CollecTRI 心脏 TF（Nkx2-5/Gata4/Tbx5/Isl1/Mef2c）激活靶基因（798→904，gate 0.873→0.933）。β 保持 0.23，表达值从不修改。

**查分**（9/20 次，A 半）：
- X3：GAMMA 扫 7 点，−1.35 得 **55.76**（seed1 54.82），平台区 −1.2…−1.5；父节点 50.00 → **+5.8**
- proxy = proxy2（同一 md5）：**53.68**（direction 56.41、mmd_u 0.0156；父 53.27）
- 预计节点分 ≈ **54.4**（父 52.18）

**下一步最值得试**：① final 视图上反向趋势未验证（全胚、ratio=1，与 X3 条件不同），是最大的未测风险，应在任何全胚双阶段替代设置上对比 GAMMA∈{0,−0.6,−1.35}；② gate 阈值 0.7 只在两个视图标定，final 的 E9.5 快照有跳变风险，建议软化；③ 类型内混合抽样拉 de_recovery。

调研员

vation": "父节点 8（52.18）里 X3=50.00、de_recovery=50.00 并列最弱：X3 因 gate=0（between/within ratio 0.60<0.7）退回纯分层复制、零增益；de_recovery 卡在地板（倾斜不改表达，β 扫描里恒 50）。趋势机制已被独立验证：节点 5 在 X3（E8.75→E9.0 两阶段）用反向趋势 GAMMA=-0.6 得 X3=52.09（+11.56 vs seed），节点 9 用 GAMMA=-1.2 得 X3=54.16 且总榜 55.61 全树第一。X3 上倾斜被 gate 归零，故乘法复合时趋势项独立生效、二者无冲突；预期 X3 拿到 +2~+4、榜分目标 53.5–54.5。de_recovery 只能靠组成变化间接带动（节点 6/7/9 的 de_recovery 52.8–53.2 均来自更强组成位移），预期 ≥50、力争 51+。",
 "approach": "基座：节点 8 的 solution/run.py 原样起步（签名倾斜保留；β 默认 0.23→0.20，取 β 扫描 53.33/53.23 中更平的 B 半稳健侧，环境变量保留）。新增趋势因子函数（全部乘法，绝不改表达值）：(1) 取 view_io.inputs_by_time 的阶段列表，<2 个阶段时 trend_t≡1（proxy 单阶段自动退化）；(2) 对每个在两阶段都存在的类型，p1、p2 为两阶段内的占比，加 0.5 伪计数；g_int=两阶段时间间隔，g_tar=后一阶段到目标的间隔，ratio=g_tar/g_int（X3：0.5/0.25=2；proxy2：1.0/0.5=2；时间标签取不到时退化为 ratio=1）；logratio=clip(log(p2/p1),−3,3)；trend_t=exp(GAMMA·ratio·logratio)，clip 到 [0.05,20]；(3) 配额公式改为 w_t=exp(β_eff·z̄_t)·n_t·trend_t，最大余数法、每类型下限 1、类型内均匀抽样（沿用原代码）。GAMMA 视图策略：X3（外部测试、两阶段同源）全量；proxy2 先按全量试（E8.5→Qiu E9.0 的占比差只含心脏谱系，缺失类型趋势因子≈1 的效果近似已验证的心脏族上调，可能对全胚目标有利），若掉分再用环境变量 VECSIG_TREND_PROXY2=0 关闭；final（E8.5+E9.5 双阶段）趋势自动生效，同一代码路径。查分顺序（≤20 次）：① X3 复跑父节点配置确认基线 50.0；② X3 GAMMA=-0.6 验证实现（期望 ≥52，否则先查 inputs_by_time 是否返回两阶段）；③ X3 扫 GAMMA∈{−0.9,−1.2,−1.5}；④ 最优 GAMMA 下 proxy、proxy2 各查一次，要求 ≥53（低于 52.5 即试关闭 proxy2 趋势）；⑤ 双种子（seed0/1）复算最优配置，只信 >2 分差距；⑥ 若余 ≥6 次查分：把 prior/tf_regulons 中 Nkx2-5/Gata4/Tbx5/Isl1/Mef2c 靶基因并入签名基因集（与现 GO/Reactome 集取并，保留大小帽 200），在 β∈{0.15,0.20,0.25} 重扫，只在 direction 上升且 mmd_u 不超 0.0176 时保留。每次改动后跑 vec-check；同 seed 两次运行比 md5 确认确定性。de_recovery 监控：任意图 <49.5 即回退该视图的趋势。",
 "expected_groups": ["X3", "de_recovery"],
 "risks": "① X3 上趋势虽已单独验证，但叠加后若类型数过少导致伪计数主导配额，增益可能打折——第 ② 步验证失败（<52）就检查 inputs_by_time 返回与占比计算，而不是调参。② proxy2 第二输入是跨数据集、心脏限定、27,883 基因（缺失基因按 E8.5 均值补齐）的快照，趋势可能失真：掉分即用开关关闭并回退，proxy 保持 ≥53 是硬约束。③ GAMMA=-1.2 是节点 9 在 X3 上的最优点，可能过拟合 A 半：扫 3–4 个点取平坦区，用双种子确认。④ de_recovery 可能不动（倾斜不改表达，机制只能间接）：这是预期内风险，不要为拉 de_recovery 重新引入任何表达平移（节点 2/4 已证任何幅度都掉分）。⑤ 运行时应 <2s、内存增量可忽略；若超时优先保 X3+proxy 结果，regulon 步整体放弃。",
 "sources": []}
```