节点 n55

1. MIN_CELLS_FOR_BINNING 从 30 降到 20 时 covariation 52.87→52.15（0.72，在 T1 约 2 分噪声内，方向上偏负但不足以断言有害）；本轮完全回退后所有分组分数与父节点逐位相同，证明代码确已等价于父节点。
2. 对该规模的稀疏矩阵（内存峰值仅 1.60 GB），手写稀疏距离公式（sq_norms - 2*dots + c_sq）比直接 todense() + np.linalg.norm 更慢（4.0s vs 2.9s）：稀疏度不高时 todense 开销小且 BLAS 路径快。
3. N_BINS 在 20 与 25 之间调整无收益（25 + sparse 得 covariation 51.88），N_BINS=20 是当前局部最优。
4. 回退类节点所有分组分数逐位不变，可作为验证'代码完全等价于父节点'的低成本手段。

1. 分箱参数已收敛（N_BINS=20, MIN_CELLS=30, dense），不要再微调这三项；改从抽样配额分配入手，如按各类型大小用 sqrt 或幂律（n_take ∝ size^0.7）替代线性配额，针对 covariation 组（52.87，四组中最低之一）。
2. 针对 de_recovery 组（51.69，全场最低）：在分层抽样基础上按 DE 基因表达幅度加权抽样（如 |logFC| 高的细胞优先入样），单独改动、单独对比。
3. 家族权重 heart=1.5/reduced=0.2/gut=0.95 来自 Attempt 1，可在本基线上做一次 ±20% 的权重扰动实验验证其是否仍是最优，针对 direction 组（54.08，最高，风险小）。

ANALYSIS.json written

Round 1 analysis: MIN_CELLS_FOR_BINNING=20 hurt covariation further (52.15 vs parent's 52.87), and sparse computation is actually slower (4.0s vs 2.9s). Both changes from rounds 0-1 were detrimental. I'll revert to the parent's exact configuration (dense todense, MIN_CELLS_FOR_BINNING=30) to restore baseline performance.

<<<<<<< SEARCH
N_BINS = 20
MIN_CELLS_FOR_BINNING = 20
=======
N_BINS = 20
MIN_CELLS_FOR_BINNING = 30
>>>>>>> REPLACE

<<<<<<< SEARCH
        if len(type_idx) > MIN_CELLS_FOR_BINNING and n_take >= 5:
            sub = last.X[type_idx]
            if sp.issparse(sub):
                centroid = np.asarray(sub.mean(axis=0)).ravel()
                sq_norms = np.asarray(sub.multiply(sub).sum(axis=1)).ravel()
                dots = np.asarray(sub.dot(centroid)).ravel()
                c_sq = float(centroid @ centroid)
                d2 = np.maximum(sq_norms - 2.0 * dots + c_sq, 0.0)
                dists = np.sqrt(d2)
            else:
                sub = np.asarray(sub)
                centroid = sub.mean(axis=0)
                dists = np.linalg.norm(sub - centroid, axis=1)
=======
        if len(type_idx) > MIN_CELLS_FOR_BINNING and n_take >= 5:
            sub = last.X[type_idx]
            if sp.issparse(sub):
                sub = np.asarray(sub.todense())
            else:
                sub = np.asarray(sub)
            centroid = sub.mean(axis=0)
            dists = np.linalg.norm(sub - centroid, axis=1)
>>>>>>> REPLACE

```METHOD
## 改了什么
相对父节点（节点 40）：回退第 0-1 轮的两处失败改动，恢复父节点原始配置：(1) MIN_CELLS_FOR_BINNING 从 20 恢复为 30（第 1 轮降至 20 导致 covariation 从 52.87 降至 52.15）；(2) 距离计算从稀疏公式恢复为 todense()（稀疏计算反而增加耗时 2.9s→4.0s，且未带来分数提升）。N_BINS 保持 20 不变。本轮目标是恢复到父节点基线水平（52.42），后续轮次再尝试新方向。
## 用到的知识与出处
第 0 轮实验（N_BINS=25 + sparse → covariation 51.88，score 52.35）；第 1 轮实验（MIN_CELLS=20 + sparse → covariation 52.15，score 52.25）；父节点基线（N_BINS=20, MIN_CELLS=30, dense → covariation 52.87, score 52.42）。结论：父节点的 dense todense + MIN_CELLS=30 配置是最优的，不应修改。

（只摘前 40 行）