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

节点 n15

官方最新阶段按精化心脏解剖权重重加权抽样（心脏×1.3、神经管/表面外胚层丢弃、旁轴×0.1、EXEM×1.0）+ 同词表多阶段视图反向组成趋势外推 GAMMA=-1.2 + 输出上限3000 + 型地板5；只选真实细胞，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 eec52bebc9: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 43fb217ef3。改动的文件：solution/METHOD.md +57 −67、solution/run.py +147 −68

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex c5ff652..665b34f 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,76 +1,66 @@-官方最新阶段按心脏解剖组成重加权抽样复制（心脏谱系↑、边缘类型↓、神经管丢弃），不改任何表达值；外部阶段仅在无官方输入时作底。+官方最新阶段按精化心脏解剖权重重加权抽样（心脏×1.3、神经管/表面外胚层丢弃、旁轴×0.1、EXEM×1.0）+ 同词表多阶段视图反向组成趋势外推 GAMMA=-1.2 + 输出上限3000 + 型地板5；只选真实细胞，表达值从不修改。  # 方法 -在父节点（官方最新阶段分层 copy_last，平移已关闭）上，把「按型比例分层抽样」换成-**按解剖组成重加权抽样**，直接针对 E8.5→E9.5 的真实变化。--依据（来自提供的 `src.task1_temporal.reweight` 基线文档）：E8.5→E9.5「群体均值几乎不动-（pseudobulk r 0.994），差距来自解剖：神经管 / 旁中胚层 / 胚外组织缩小，心脏中胚层增大」。-即**型内表达几乎不变、变的是类型组成**。这直接否定了原 PLAN 的核心假设（用型内 pseudotime-挑选「更分化」的细胞）——型内既然不怎么动，pseudotime 重加权没有可放大的信号；而组成重加权-正中要害。故放弃 pseudotime，改用 run2 胜者 `heart_jcf_peri`（本模块）。--## 流程--1. **基座 = 最新官方阶段**（`inputs_by_time(include_external=False)`）；无官方阶段时才回退外部。-   父节点已证：把外部 Qiu E9.0 心脏细胞当基座会使群体塌缩（proxy2=27.43）。-2. **`heart_reweight` 重加权抽样** `target_n_cells` 行：心脏谱系类型 ×1.6，边缘类型-   （Surface Ectoderm / EXEM / Paraxial Mesoderm）×0.25，Neural Tube 丢弃，其余 ×1.0；-   按 `counts × weight` 用最大余数法分配配额，每型内 `rng.choice` 抽样（不足则有放回）。-   **表达值从不修改**，只选真实细胞，故稀疏结构、variogram、基因共变完全保留。-3. **优雅退化**：X3 的 Qiu 标签（First/Second heart field、Endocardial cells）不匹配官方-   心脏图谱名，全部拿 weight 1.0 → 退化为分层 copy_last，不崩、中性。--## 关键参数--- `HEART_WEIGHT=1.6`、`EDGE_WEIGHT=0.25`、`DROP_TYPES={Neural Tube}`：均取自提供的-  `reweight` 基线（run2 胜者）默认值，未改。-- 输出细胞数 = `target_n_cells(manifest, base.n_obs)`（proxy/proxy2 取满 5118，X3 取 2174）。--## 权重扫描证明「调参是噪声」（proxy A 半，seed0）--| heart\edge | 0.0 | 0.05 | 0.10 | 0.25 | 0.50 |-|---|---|---|---|---|---|-| 1.0 | – | – | 55.19 | – | – |-| 1.3 | – | – | 55.81 | 56.11 | – |-| 1.6 | 55.65 | 55.12 | **56.20** | 55.44(基线) | 55.41 |-| 2.0 | – | – | – | 55.63 | – |--全部落在 55.1–56.2（跨度 ~1 分 < T1 噪声 ~2 分），edge 梯度非单调（0.10>0.25 但 0.05<0.10、-0.0 又回升），无真实最优。故**不采纳任何调参变体**，保留基线 1.6/0.25，避免对 proxy A 半过拟合。--## 查分记录（A 半；正式分用 B 半，量级相近）--| 尺子 | 本节点 | 父节点 | Δ |-|---|---|---|---|-| proxy seed0 | 55.44 | 50.35 | +5.09 |-| proxy seed1 | 55.92 | 50.69 | +5.23 |-| proxy2 seed0 | 55.44 | 50.35 | +5.09 |-| X3 seed0 | 50.01 | 50.00 | +0.01 |--分组（proxy seed0）：direction 49.97→58.68、de_recovery 49.07→53.54、cell_state 50.72→55.36、-covariation 51.88→53.90，**四组全升**，direction 涨幅最大（组成位移正是 E8.5→E9.5 的主信号）。-proxy 与 proxy2 预测逐字节相同（同用官方 E8.5 基座、同权重），故同分。-预计节点分 ≈ (55.44+55.44+50.01)/3 ≈ 53.6（A 半），远超父节点 50.02。+在父节点 6（心脏解剖重加权 copy_last，proxy 55.61 / X3 50.00）上叠加树中已验证的组件+（节点 9/10/12 的证据），四处改动：++1. **精化解剖权重**（节点 10 实测）：`Neural Tube`、`Surface Ectoderm` 丢弃（×0），+   `Paraxial Mesoderm` ×0.1，`EXEM` ×1.0（从父节点 ×0.25 回升），心脏谱系 ×1.3+   （从 1.6 下调，节点 12 配置）。心脏谱系名单复用 `src.task1_temporal.reweight.HEART_TYPES`。+2. **反向组成趋势外推** GAMMA=-1.2（节点 9/12 在 X3 上 +4~5 分）：当最近两个输入阶段的+   celltype 词表 Jaccard ≥ 0.8 时，按类型占比差 Δf=f1-f0 计算乘法权重+   w=(f1+GAMMA·Δf)/f1（clip≥0），与解剖权重相乘。+   - X3（Qiu E8.75→E9.0，词表相同）：触发；+   - proxy（单阶段）：不触发；+   - proxy2（官方 E8.5 vs Qiu 心脏标签，词表不相交）：不触发，预测与 proxy 逐字节相同；+   - final（E8.5 vs E9.5 官方图谱，词表 Jaccard≈0.4 < 0.8）：**不触发**——这是有意的保守+     设计：E8.5→E9.5 的组成差主要是解剖取样差且幅度大，反向外推可能把心脏类型清零。+3. **输出上限 3000**：n=min(target_n_cells, 3000)，且 ≥ min_cells。proxy/proxy2 从 5118 降到+   3000，X3 保持 2174。实测与 5118 打平（见下），保留 3000 与 PLAN/节点 12 一致。+4. **型地板 5**：每个未被丢弃且输入中存在的类型至少 min(5, 该型细胞数) 个配额，余量从最大+   富余型扣除，防稀有类型 DE 信号丢失。在 proxy n=3000 下最小配额为 17（Paraxial），地板+   实际未触发（no-op 保险，对 final 视图的稀有类型可能生效）。++表达值从不修改、只重采样真实细胞，稀疏结构 / variogram / 共变完全保留（父节点已证此类方法+四组全升）。++## 查分记录（A 半，seed0 除非注明；正式分用 B 半）++| 配置 | proxy | X3 |+|---|---|---|+| **最终配置**（hw1.3, GAMMA-1.2, n3000, floor5） | **56.66** / seed1 56.59 | **53.90** / seed1 53.39 |+| GAMMA=0（退路校验，应≈父节点 50） | – | 50.01 ✓ |+| GAMMA=-0.8 / -1.35 / -1.6 | – | 52.78 / 53.27 / 53.85 |+| heart_weight 1.0 / 1.6 | 56.38 / 56.70 | –（X3 标签不匹配，hw 无关） |+| n=2000 / n=5118 | 56.41 / 57.30,56.28,56.38(3seed均56.65) | – |++- proxy：父节点 55.44(A半)→56.66，+1.2（<2 分噪声，但精化权重方向与节点 10/12 官方分一致）。+- X3：父节点 50.00→53.90/53.39（双种子均值 +3.6，超噪声，与节点 9/12 的 X3 涨幅一致）。+- n3000 vs n5118 多种子均值 56.62 vs 56.65：完全打平（均为噪声内），按计划保留 3000。+- GAMMA 扫描非单调（-1.2 与 -1.6 相近、-1.35 更低），维持已验证的 -1.2，不追 A 半峰值。+- 预计节点分（A 半）≈ (56.66+56.66+53.90)/3 ≈ 55.7，父节点 rank3 54.21。  ## 验证过 / 没验证 -- **验证**：三视图 `vec-check` 全过；seed0 两次运行 md5 相同（确定）；seed0/seed1 proxy 均 ~55.4–55.9-  （+5 稳健、非单 seed 偶然）；权重 5×5 网格扫描证明调参为噪声；最终干净代码 md5 与首版重加权预测一致。-- **没验证**：① X3 停在 50（中性），未尝试 Qiu 心脏亚型专属重加权——缺 E9.5 Qiu 真值、父节点已证-  X3 上 delta 外推与真值反相关，盲调风险高，故不动。② 未叠加型内 pseudotime（reweight 文档已表明型内-  几乎不变，预期无信号且可能伤 covariation）。③ **final 视图（E9.5→E10.5）未在本节点评分**：心脏↑-  权重是按 E8.5→E9.5 调的，迁移到 E9.5→E10.5 方向上合理（心脏继续增大）但幅度未必最优，属已知风险。-- **生物学先验来源**：提供的 `src.task1_temporal.reweight` 基线（run2 胜者 `heart_jcf_peri`）+ 通用-  心脏谱系身份（哪些类型源自心脏）。其编码的组成变化来自 E8.5 与 E9.5——两者均为已发布、T1 禁窗-  （9.5<E≤13.5）之外、非保留阶段（保留为 E10.5/E12.5），合规。比例从输入现场计算，仅乘数为固定先验。-  未使用任何保留阶段 / 保留基因型测量，未读 `uns.celltype_palette`。+- **验证**：三视图 vec-check 全过；seed0 重复运行 md5 相同（确定）；proxy2 与 proxy 预测+  逐字节相同（同基座同权重，词表守卫挡住了跨数据集趋势）；X3 GAMMA=0 退路 = 50.01（与父节点+  一致，无 bug）；GAMMA、heart_weight、n_cap 扫描（14 次查分）。+- **没验证**：① final 视图（E9.5→E10.5）不被本节点评分——趋势守卫在 final 上刻意不触发，+  final 行为 = 纯精化解剖重加权，方向合理（心脏继续增大）但幅度未验证；② 型地板在 proxy/X3+  上均为 no-op，其对 de_recovery 的收益未观测到；③ proxy 提升 +1.2 在噪声内，依赖节点 10/12+  的官方分（B 半）证据支持精化权重真实有效。+- **生物学先验来源**：心脏谱系身份与 DROP/EDGE 名单来自提供的 `src.task1_temporal.reweight`+  基线（run2 胜者 `heart_jcf_peri`），其编码的组成变化观测自 E8.5 与 E9.5——均为已发布、+  T1 禁窗（9.5<E≤13.5）之外、非保留阶段的合规数据。精化乘子（SE 丢弃、EXEM×1.0、Paraxial×0.1、+  心脏×1.3）来自本树节点 10/12 在合规输入上的查分实验，非保留阶段测量。比例与趋势均从输入+  现场计算；未使用任何保留阶段/保留基因型信息，未读 `uns.celltype_palette`。  ## 下一步建议 -- X3 占节点分 1/3 且停在 50：若要再涨，需在不看 E9.5 Qiu 真值的前提下，用 prior/（Reactome、TF 调控）-  或 Qiu E8.75→E9.0 的**型内**变化推断 E9.0→E9.5 方向；但父节点已证 X3 delta 外推反相关，须极谨慎、-  双 seed 且要求 >2 分才算数。-- final 视图（E9.5→E10.5）的心脏权重幅度可能需重调；若有 final 的替代信号，可单独扫描 HEART_WEIGHT。-- 可隔离验证「重加权 vs 父节点分层」在 covariation 上的贡献（本节点 covariation 仅 +2，可能接近上限）。+- X3（53.6 均值）仍是最弱尺子：可试把 E8.75 真实细胞并入抽样池（反向趋势本意即"回到更早+  组成"，用两阶段混合池实现或许比纯配额更保真），需双种子 >2 分才采纳。+- final 视图的趋势守卫阈值（Jaccard 0.8）意味着真实任务只有解剖重加权在起作用；若终选信号+  允许，可单独验证 final 上"占比差正向/反向外推"哪个方向对（本节点无 final 尺子，无法验证）。+- de_recovery 三组最弱（53.0/54.1），且对配额不敏感；提升可能需要在型内选择上想办法+  （如按心脏进展签名倾斜，节点 8/11 路线），而非继续调组成。diff --git a/solution/run.py b/solution/run.pyindex f80568f..0244c6c 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,51 +1,37 @@ #!/usr/bin/env python3-"""copy_last(official) + anatomical heart-composition reweighting.--Rationale (data-driven pivot from the pseudotime plan):-  The provided ``reweight`` baseline documents that E8.5 -> E9.5 "barely moves-  population means (pseudobulk r 0.994); the gap is the dissection": neural-  tube / paraxial mesoderm / extra-embryonic tissue shrink while heart mesoderm-  grows. Within-type expression is therefore almost unchanged, so reweighting-  WHICH cells to output by within-type pseudotime (the original plan) has little-  signal to exploit, whereas reweighting the TYPE COMPOSITION directly targets-  the real E8.5->E9.5 change. The run2 winner ``heart_jcf_peri`` (this module)-  reports proxy E8.5->E9.5 skill 55.97 vs ~50 for plain stratified copy_last;-  measured here (vec-score, A half): proxy 55.44 vs parent 50.35.--Method:-  1. Base stage = latest OFFICIAL input (``include_external=False``); external-     inputs are used only when there is no official stage. Copying an external-     heart-only stage as the whole population collapses the prediction (the-     parent's proxy2=27.43 bug), so external stages are never the base when an-     official one exists.-  2. Resample ``target_n_cells`` rows with per-type fractions scaled by-     ``heart_reweight``: heart-lineage types x1.6, edge types (surface-     ectoderm / EXEM / paraxial mesoderm) x0.25, neural tube dropped, others-     x1.0. Expression values are NEVER modified, so sparsity, variogram and-     gene-gene covariation are preserved exactly (real cells only).-  3. Type names that do not match the official cardiac atlas (e.g. the X3 Qiu-     heart labels "First/Second heart field", "Endocardial cells") all receive-     weight 1.0, so ``heart_reweight`` degrades gracefully to stratified-     copy_last there -- no crash, neutral (X3 50.01).--Weight tuning is noise: a sweep of heart_weight in {1.0,1.3,1.6,2.0,2.5} and-edge_weight in {0.0,0.05,0.10,0.25,0.5} on proxy spans only 55.1-56.2 (~1 pt,-within the T1 ~2 pt noise) with no monotonic optimum, so the provided baseline-values (1.6 / 0.25) are kept rather than overfitting the proxy A half.--Biological knowledge source: the provided ``src.task1_temporal.reweight``-baseline (run2 winner ``heart_jcf_peri``) and generic cardiac-lineage identity-(which cell types are heart-derived). The composition change it encodes is-observed between E8.5 and E9.5, both published/allowed stages outside the T1-forbidden window (9.5 < E <= 13.5) and not held-out stages (E10.5, E12.5). No-held-out stage / genotype measurement, and no ``uns.celltype_palette``, is used.-Proportions are computed live from the input; only biologically-motivated-multipliers are fixed.--The parent's optional pseudobulk shift is removed: it was measured to hurt-monotonically on X3 (alpha 0/0.5/1/2 -> 50.0/42.4/40.5/37.6) and the official-card reports constant shift 48.6 < copy_last on T1, so ALPHA defaulted to 0 and-the branch never fired. Removing it cuts complexity and risk.+"""Anatomical composition reweighting + reversed composition-trend extrapolation.++Builds on node 6 (official-latest-stage heart reweight, real cells only,+expression never modified) and adds four components validated elsewhere in the+tree (nodes 9/10/12):++  1. Refined anatomical weights: Neural Tube and Surface Ectoderm dropped+     (x0), Paraxial Mesoderm x0.1, EXEM x1.0, heart lineage x1.3.+  2. Reversed composition-trend extrapolation (GAMMA=-1.2): when the two latest+     input stages share a comparable cell-type vocabulary (Jaccard >= 0.8),+     per-type fractions f0 (earlier) and f1 (base) give a multiplicative trend+     weight (f1 + GAMMA*(f1-f0)) / f1, clipped at 0, multiplied into the+     anatomical weights. This fires on the X3 test view (Qiu E8.75 -> E9.0,+     identical labels) and degrades to pure reweighting on proxy (one stage),+     proxy2 (official E8.5 vs Qiu labels are disjoint vocabularies) and the+     final view (E8.5 vs E9.5 atlases only partially overlap, Jaccard ~0.4 --+     deliberately conservative there since the big E8.5->E9.5 shift is mostly+     dissection and reversing it could zero out heart types).+  3. Output size capped at 3000 cells (min_cells respected), matching node 12;+     measured here as a tie with the full 5118 (multi-seed means 56.62 vs+     56.65, within noise), kept for consistency with the validated config.+  4. Type floor: every non-dropped input type keeps min(FLOOR, its cell count)+     cells so rare-type DE signal is not lost at the smaller output size.++Only real cells from the base stage are emitted; expression values are never+modified, so sparsity, variogram and gene-gene covariation are preserved.++Biological knowledge source: generic cardiac-lineage identity (which types are+heart-derived, from the provided ``src.task1_temporal.reweight`` baseline, run2+winner ``heart_jcf_peri``). The composition change it encodes is observed+between E8.5 and E9.5, both published/allowed stages outside the T1 forbidden+window and not held-out stages. No held-out stage / genotype measurement and no+``uns.celltype_palette`` is used; proportions are computed live from the input. """  from __future__ import annotations@@ -53,8 +39,9 @@ from __future__ import annotations import argparse  import numpy as np+from scipy import sparse -from src.task1_temporal.reweight import heart_reweight+from src.task1_temporal.reweight import HEART_TYPES, largest_remainder, take from src.task1_temporal.view_io import (     inputs_by_time,     labels_of,@@ -66,35 +53,127 @@ from src.task1_temporal.view_io import (     write_prediction, ) --def main() -> None:-    parser = argparse.ArgumentParser()-    parser.add_argument("--data", required=True)-    parser.add_argument("--out", required=True)-    parser.add_argument("--seed", type=int, default=0)-    args = parser.parse_args()--    manifest = load_manifest(args.data)-    genes = panel_genes(args.data, manifest)+HEART_WEIGHT = 1.3+DROP_TYPES = {"Neural Tube", "Surface Ectoderm"}+TYPE_MULT = {"Paraxial Mesoderm": 0.1}+GAMMA = -1.2+N_CAP = 3000+TYPE_FLOOR = 5+VOCAB_JACCARD = 0.8+++def anat_weights(types: list[str], heart_weight: float) -> np.ndarray:+    out = np.ones(len(types), dtype=np.float64)+    for i, t in enumerate(types):+        if t in DROP_TYPES:+            out[i] = 0.0+        elif t in TYPE_MULT:+            out[i] = TYPE_MULT[t]+        elif t in HEART_TYPES:+            out[i] = heart_weight+    return out+++def fractions(labels: np.ndarray) -> dict[str, float]:+    uniq, counts = np.unique(labels, return_counts=True)+    total = counts.sum()+    return {str(t): c / total for t, c in zip(uniq, counts)}+++def trend_weights(types: list[str], f0: dict[str, float], f1: dict[str, float], gamma: float) -> np.ndarray:+    """Multiplicative reversed-trend weight per type: (f1 + gamma*(f1-f0))/f1, clipped >= 0."""+    w = np.ones(len(types), dtype=np.float64)+    for i, t in enumerate(types):+        b = f1.get(t, 0.0)+        if b > 0:+            d = b - f0.get(t, 0.0)+            w[i] = max(0.0, (b + gamma * d) / b)+    return w+++def allocate(counts: np.ndarray, weights: np.ndarray, n: int, floor: int) -> np.ndarray:+    """Integer quotas proportional to counts*weights, then a per-type floor for+    non-dropped types (deficit taken from the types with the largest spare)."""+    alloc = largest_remainder(counts * weights, n)+    if floor <= 0:+        return alloc+    need = np.minimum(floor, counts.astype(np.int64))+    need = np.where(weights > 0, need, 0)+    deficit = np.maximum(need - alloc, 0)+    total = int(deficit.sum())+    if total == 0:+        return alloc+    alloc = alloc + deficit+    spare = alloc - need+    rem = total+    while rem > 0 and spare.sum() > 0:+        j = int(np.argmax(spare))+        step = min(int(spare[j]), rem)+        spare[j] -= step+        alloc[j] -= step+        rem -= step+    return alloc+++def build(view: str, seed: int, heart_weight: float = HEART_WEIGHT, gamma: float = GAMMA,+          n_cap: int = N_CAP, floor: int = TYPE_FLOOR):+    manifest = load_manifest(view)+    genes = panel_genes(view, manifest)      # Base = latest official stage; fall back to external only if none exist.     stages = inputs_by_time(manifest, include_external=False)     if not stages:         stages = inputs_by_time(manifest, include_external=True)     base_entry = stages[-1]-    base = read_stage(args.data, base_entry, genes)+    base = read_stage(view, base_entry, genes)++    n = min(target_n_cells(manifest, base.n_obs), n_cap)+    n = int(max(n, manifest["min_cells"]))++    if "celltype" not in base.obs.columns:+        rng = np.random.default_rng(seed)+        return base.X[sample_rows(base.n_obs, n, rng)], genes++    labels = labels_of(base)+    types = [str(t) for t in np.unique(labels)]+    counts = np.array([(labels == t).sum() for t in types], dtype=np.float64)+    weights = anat_weights(types, heart_weight)++    # Reversed composition-trend extrapolation: only when the two latest stages+    # speak the same cell-type language (X3: identical Qiu labels; proxy2:+    # official vs Qiu vocabularies are disjoint -> skipped; proxy: one stage).+    if gamma != 0 and len(stages) >= 2:+        prev = read_stage(view, stages[-2], genes)+        if "celltype" in prev.obs.columns:+            prev_labels = labels_of(prev)+            vocab0 = {str(t) for t in np.unique(prev_labels)}+            vocab1 = set(types)+            inter = len(vocab0 & vocab1)+            union = len(vocab0 | vocab1)+            if union > 0 and inter / union >= VOCAB_JACCARD:+                weights = weights * trend_weights(types, fractions(prev_labels), fractions(labels), gamma)+        del prev++    alloc = allocate(counts, weights, n, floor)+    rng = np.random.default_rng(seed)+    blocks = []+    for t, k in zip(types, alloc):+        if k <= 0:+            continue+        blocks.append(take(base.X, np.flatnonzero(labels == t), int(k), rng))+    X = sparse.vstack(blocks, format="csr").astype(np.float32)+    X.eliminate_zeros()+    return X, genes -    n = target_n_cells(manifest, base.n_obs) -    if "celltype" in base.obs.columns:-        # Anatomical composition reweighting (heart up, edge down, neural tube-        # dropped). Unmatched labels (X3 Qiu heart) all get weight 1.0 ->-        # stratified copy_last. Expression values are never modified.-        X = heart_reweight(base.X, labels_of(base), n_cells=n, seed=args.seed)-    else:-        rng = np.random.default_rng(args.seed)-        X = base.X[sample_rows(base.n_obs, n, rng)]+def main() -> None:+    parser = argparse.ArgumentParser()+    parser.add_argument("--data", required=True)+    parser.add_argument("--out", required=True)+    parser.add_argument("--seed", type=int, default=0)+    args = parser.parse_args() +    X, genes = build(args.data, args.seed)     write_prediction(X, 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

**做了什么**：在节点 6 的心脏解剖重加权 copy_last 上叠加树中已验证组件——精化权重（神经管/表面外胚层丢弃、旁轴×0.1、EXEM×1.0、心脏×1.3）、同词表多阶段视图的反向组成趋势外推 GAMMA=−1.2（Jaccard≥0.8 守卫：X3 触发，proxy/proxy2/final 退化为纯重加权）、输出上限 3000、型地板 5；只选真实细胞，表达从不修改。

**查分结果**（A 半，14/20 次）：
- proxy 56.66（seed1 56.59），父节点 55.44 → +1.2（噪声内，但方向与节点 10/12 的 B 半证据一致）；proxy2 预测与 proxy 逐字节相同
- X3 53.90（seed1 53.39），父节点 50.00 → 双种子均值 +3.6，超噪声；GAMMA=0 退路校验 50.01 ✓
- 扫描：GAMMA {−0.8,−1.2,−1.35,−1.6} 非单调，维持 −1.2；heart_weight {1.0,1.3,1.6} 跨度 <0.4；n3000 vs n5118 三种子均值打平（56.62 vs 56.65），保留 3000
- 三视图 vec-check 全过、seed0 重复运行 md5 相同

**下一步最值得试**：X3 仍最弱（~53.6）——把 E8.75 真实细胞并入抽样池实现"回到更早组成"（比纯配额更保真）；de_recovery 三组垫底且对配额不敏感，可试节点 8/11 的型内心脏签名倾斜路线。

调研员

rend extrapolation (GAMMA) that all top nodes (9, 12, 13) use, has unrefined edge weights, and outputs full target_n_cells (5118) rather than a concentrated subset. X3 is stuck at 50.00 (1/3 of score), de_recovery is weakest at 52.78. Node 12 (rank3 56.32) demonstrates the combination of refined weights + GAMMA=-1.2 + output floor 3000 achieves proxy 57.09 and X3 53.53.

```json
{"name": "Node6 + 反向组成趋势外推 + 精化权重 + 输出下限3000 + 型地板",
 "motivation": "父节点6（proxy 55.61, X3 50.00, de_recovery 52.78）缺少三个已被证明有效的组件：(1) 反向组成趋势外推GAMMA（节点9/12在X3上+4~5分）；(2) 精化边缘权重（节点10证明SE应丢弃、EXEM应×1.0、Paraxial×0.1）；(3) 输出下限3000（节点12用此将cell_state推到58.53）。此外de_recovery 52.78为四组最低，可能因大输出量稀释了关键DE信号。节点12（rank3 56.32）已验证这些组件叠加后proxy达57.09、X3达53.53。",
 "approach": "在node6的heart_reweight框架上做四处改动：\n1. 反向组成趋势外推（GAMMA=-1.2）：对多阶段视图（X3有Qiu E8.75→E9.0），计算各类型占比差Δf=f_t1-f_t0，乘法复合权重w_i=(f_i+GAMMA*Δf_i)/f_i（clip≥0），再与解剖重加权相乘得最终配额。单阶段视图（proxy）GAMMA不触发，纯重加权。proxy2若两输入标签词表可比则同样触发，否则退化为单阶段。\n2. 精化权重：Neural Tube×0（丢弃）、Surface Ectoderm×0（丢弃）、Paraxial Mesoderm×0.1、EXEM×1.0、心脏谱系×1.3（从1.6下调，与节点12一致）。初值取自节点10/12实测最优；若Engineer有余力，仅扫heart_weight∈{1.0,1.3,1.6}，不扫其他（已证为噪声）。\n3. 输出细胞数：n_out=min(target_n_cells, 3000)。proxy/proxy2从5118降至3000，X3从2174不变（已<3000）。\n4. 型地板（针对de_recovery）：每种在输入中存在的celltype至少保留min(5, 该型实际细胞数)个细胞进入输出，防止稀有类型的DE基因信号完全丢失。实现：先按权分配配额，若某型配额<5则补至5，从最大配额型扣除余量。\n5. X3退路：Qiu心脏标签（First/Second heart field、Endocardial cells）不匹配官方图谱名→解剖权重全为1.0→退化为纯GAMMA趋势外推+分层抽样（与节点9/12的X3路径一致）。\n6. vec-score快筛：先跑proxy seed0（预期≥56），再跑X3 seed0（预期≥52）；若proxy<55则回退GAMMA=0（纯精化权重）定位问题。双seed确认>2分再采纳。",
 "expected_groups": ["de_recovery", "cell_state", "direction"],
 "risks": "1) GAMMA趋势外推在proxy（单阶段）无法触发，proxy提升仅来自精化权重+输出下限，可能<2分噪声——需双seed确认。2) 输出从5118降到3000可能丢失稀有类型信号，型地板缓解但需验证covariation不降（节点12的covariation 54.13 vs 父6的53.71，仅+0.4，说明接近上限）。3) X3的GAMMA趋势外推依赖Qiu两时间点标签词表一致性；若trend_alloc实现有bug，X3会掉分——Engineer应先对X3单独跑GAMMA=0确认与父节点一致（50.00）再开启。4) 型地板在细胞数极少时（<5个细胞的类型）可能引入重复行，需有放回抽样处理。尽早发现：第一步跑proxy seed0，若<54则精化权重有问题；跑X3 GAMMA=0，若≠50则退路逻辑有bug。"}
```