总览 · ← 返回运行 20261002-202907-search-t1-scr-A

节点 n11

形状演化由逐PC各向异性改为各向同性单一扩张系数（型内方差加权、β=3、保留非零掩码解码），采用 node7 已验证机制作提交默认；PLAN 的 top-k PC 选择与相关校正已实现并实测无增益，默认关闭。

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 279aef2c1d: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 bea4ebf436。改动的文件：solution/METHOD.md +43 −30、solution/run.py +71 −0

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex bdb7139..0903df5 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,52 +1,65 @@-按 PLAN 实现并验证"shape delta 施加到全部 HVG 位置"的解码：零位置的稠密施加使 covariation 单调恶化（45.2→30.6），零阈值扫描确认父节点的非零掩码解码是该轴最优，故按 PLAN 第 4 步回退（默认 LOWRANK_SHAPE_ALLHVG=0）；lowrank_shape 机制（β=3 型内 PC 残差扩张）保持打开，默认输出与父节点（node 5）逐元素一致。+形状演化由逐PC各向异性改为各向同性单一扩张系数（型内方差加权、β=3、保留非零掩码解码），采用 node7 已验证机制作提交默认；PLAN 的 top-k PC 选择与相关校正已实现并实测无增益，默认关闭。  ## 本节点做了什么 -1. **实现（PLAN 步骤 1–3、5）**：shaped 类型的解码分两条路径，由 `LOWRANK_SHAPE_ALLHVG` 开关控制：-   - `=1`（PLAN 假设）：mean-shift 仍只加非零元素（原逻辑不变），shape delta `d_gene`（PC 残差 × β(sqrt(r_t)−1) 逆变换回基因空间）加到**全部 2500 HVG 位置**（稠密块加、clip≥0、eliminate_zeros）；可选 `LOWRANK_SHAPE_ZERO_THRESH`：对原始为零且 |delta|<阈值的位置不施加。-   - `=0`（默认，回退）：mean+shape 合并后只加非零元素，与父节点逐元素 maxdiff=0.0（已验证）。-   - 参数不新增：β=3、τ_shape=0.5、RLO=1、mc=10、npcs=25、α=1.8 全部沿用父节点。-2. **查分（X3 A 半，seed0，共用 7 次额度）**：+按 PLAN 在父节点（node 9 = node 5，逐 PC 各向异性 lowrank_shape，β=3）上实现三个开关，全部只在 env 显式开启时生效，默认值即提交配置：++1. **LOWRANK_SHAPE_TOPK**（PLAN 步 1–3，默认 0=全 25 PC）：算出 `scale[25]` 后，若 TOPK>0 按 `|scale[k]|` 降序保留前 k 个、其余置 0（按方差比信号强弱选，不按 PC 方差序号）。+2. **LOWRANK_SHAPE_CORR_W**（PLAN 步 4，默认 0=关）：解码后逐类型对 200 个高变 HVG 做型内基因-基因相关校准，`C_t = w·C_input + (1−w)·C_pred`，在标准化空间做白化-再着色 `T = C_pred^{-1/2}·C_t^{1/2}` 变换每个细胞；**CORR_MASK=1**（默认）把校准块重新掩回原非零模式，避免向零位置注入稠密信号（node 9 的教训）。+3. **LOWRANK_SHAPE_ISO**（默认 **1**，提交采用）：把逐 PC 各向异性 `scale_k` 替换为型内方差加权的单一系数 `scale_iso = Σ vl_k·scale_k / Σ vl_k`（vl=last 阶段型内各 PC 方差），对所有 25 PC 均匀施加。这是全树最佳节点 node 7（rank3 59.60）已验证的机制，本节点把它并入 node 9 血统。++**提交默认 = ISO=1, β=3, TOPK=0, CORR_W=0**（其余参数 τ=0.3、NHVG=2500、NPC=25、α=1.8、τ_shape=0.5、RLO=1、CLIP=4、mc=10 全部沿用父节点）。单输入退路（copy_last）未改动。++## 查分结果（X3 A 半，seed0，共用 13 次额度，剩 7）  | 配置 | 总分 | cell_state | covar | de_rec | dir | |---|---|---|---|---|---|-| 父节点（ALLHVG=0，复现） | 57.33 | 75.52 | 45.21 | 52.47 | 50.08 |-| ALLHVG=1 无阈值 | 53.24 | 71.62 | **30.60** | 52.47 | 50.05 |-| ALLHVG=1 阈值 0.05 | 53.79 | 71.98 | 32.77 | 52.47 | 50.07 |-| ALLHVG=1 阈值 0.2 | 56.09 | 74.22 | 40.80 | 52.47 | 50.18 |-| ALLHVG=1 阈值 0.5 | 57.15 | 75.37 | 44.44 | 52.47 | 50.12 |-| ALLHVG=1 阈值 1.0 | 57.29 | 75.49 | 45.04 | 52.47 | 50.08 |-| ALLHVG=1 阈值 2.0（≈父） | 57.33 | 75.52 | 45.19 | 52.47 | 50.08 |+| 父节点 aniso β=3（ISO=0，复现） | 57.33 | 75.52 | 45.21 | 52.47 | 50.08 |+| TOPK=3 | 56.77 | 73.2 | **46.53** | 51.96 | 50.05 |+| TOPK=5 | 56.88 | 73.67 | 46.41 | 51.96 | 50.02 |+| TOPK=8 | 57.14 | 74.72 | 45.43 | 52.47 | 50.07 |+| TOPK=12 | 57.17 | 74.91 | 45.33 | 52.47 | 50.07 |+| CORR_W=0.25 稠密(MASK=0) | 56.74 | 74.68 | 43.48 | 52.47 | 50.08 |+| CORR_W=0.5 稠密(MASK=0) | 56.29 | 73.79 | 42.55 | 52.47 | 50.09 |+| CORR_W=0.5 掩码(MASK=1) | 57.33 | 75.37 | 45.38 | 52.47 | 50.09 |+| CORR_W=1.0 掩码(MASK=1) | 57.07 | 74.84 | 45.63 | 51.96 | 50.02 |+| **ISO β=3（提交默认）** | **57.67** | **76.35** | **45.57** | **52.47** | **50.12** |+| ISO β=2 | 56.95 | 73.94 | 46.28 | 51.96 | 50.10 |+| ISO β=4 | 57.73 | 77.5 | 44.87 | 51.96 | 50.06 |+| ISO β=5 | 57.53 | 77.38 | 44.19 | 51.96 | 49.95 | -3. **结论与回退（PLAN 步骤 4）**：PLAN 的假设（非零掩码使变换逐细胞不同、破坏共变；全 HVG 施加恢复线性变换 → covariation ≥47）**被证伪**。covariation 随零位置施加程度单调恶化：向原始零位置加入低秩稠密 delta，等于给同型所有细胞注入一段共享的、目标阶段不存在的稠密相关信号（低秩 Vt 行的线性组合），基因对相关性被这段人工共变主导——这正是 covariation 从 45.2 崩到 30.6 的机制。非零掩码反而把 shape 变化限制在已表达基因上，保护了共变结构。阈值扫描单调收敛回父节点，证明父解码是该轴最优，无中间态可赚。de_recovery 对阈值不敏感（52.47 恒定），PLAN 风险 1 未触发。**故回退：默认 ALLHVG=0，本节点提交输出与父节点完全一致。**+**结论**：+- **PLAN 主轴 top-k 证伪**：covar 随 k 减小单调回升（45.21→46.53@k=3，验证「去掉 ratio≈1 的噪声 PC 恢复共变」的假设方向正确），但 cell_state 与 de_recovery 同步下滑更多，总分无一超过父节点，无 k 满足 PLAN 接受判据（covar≥47 且 cell_state≥74 且总分≥57.3）。covariation↔cell_state 的张力是根本性的：恢复共变总以更多细胞多样性为代价。+- **PLAN 步 4 相关校正证伪**：稠密施加使 covar 崩到 42–43（重演 node 9 的 ALLHVG 失败——稠密化注入人工共变）；加 CORR_MASK 掩回原非零后 covar 只回到 ≈父（45.4），因为只保留原有非零位置时校准几乎不改变二阶结构。净增益为零。+- **采用 ISO β=3（node 7 机制）**：四组全部 ≥父节点（cell_state +0.83、covar +0.36、de_rec 持平、dir +0.04），A 半总分 57.67（+0.34，在 T1 噪声 ~2 内），但方向与 node 7 的 B 半 rank3 优势（59.60 vs 父 59.11）一致，且我的 ISO β=3 A 半画像（cell_state 76.35 / covar 45.57）与 node 7 B 半（78.93 / 45.93，A 半通常低 2–3）吻合，故判断可迁移。β=4 总分名义略高（+0.06，纯噪声）但以 covar −0.34 换 cell_state，不采用。 -## 机制生效证据（lowrank_shape 家族，默认开）+## 机制生效证据（lowrank_shape 家族，ISO 默认开） -机制本身与父节点相同且已验证生效（见下），本节点新增的是解码方式的对照证据：-- **机制开关**：`LOWRANK_SHAPE_BETA=0` 关闭全部形状部分（复现 node 4，父已验证 maxdiff=0.0）；`LOWRANK_SHAPE_ALLHVG=0/1` 独立控制解码路径，`=0` 时逐元素复现父节点（本节点实测 maxdiff=0.0）。-- **改变了哪些细胞**：5 个配对类型被形状化（AVC-CM、IFT-CM、OFT/RV-CM、SV-CM、Unknown）；不可配对类型不动（LOWRANK_FALLBACK=none）。同型细胞间位移 std=63–115（非常数位移，与 constant_shift 本质不同）。-- **四组分变化**（β=0→3，父节点数据）：cell_state 66.1→75.5（+9.4），de_recovery 52.0→52.5，direction 50.2→50.1，covariation 47.7→45.2（−2.5）；mmd_u 0.0218→0.0176。-- 本节点补充：全 HVG 解码时 covariation 30.6、mmd_u 0.0194（分布匹配略退化），进一步说明零位置稠密 delta 注入的是有害噪声而非有效形状演化。+- **机制开关对照**：`LOWRANK_SHAPE_ISO=0` 输出与父节点（node 9 各向异性）逐元素 maxdiff=0.0（已验证）；`LOWRANK_SHAPE_BETA=0` 关闭全部形状部分（复现 node 4，父已验证）。`ISO=1` 输出 nnz=1278357 vs `ISO=0` nnz=1277931，二者不同 → ISO 分支确在执行。+- **top-k 选择逻辑独立验证**：LOWRANK_DEBUG 打印保留的 PC 序号，AVC-CM=[6,7,9,15,24]、IFT-CM=[1,6,10,11,17]、SV-CM=[4,13,17,20,22] —— 分散而非前 k 个方差 PC，证明按 `|scale|` 选择而非按方差序号（PLAN 风险 2 已排除）。+- **改变了哪些细胞**：5 个配对类型被形状化（AVC-CM、IFT-CM、OFT/RV-CM、SV-CM、Unknown）；不可配对类型不动（LOWRANK_FALLBACK=none）。各向同性下每个细胞的位移仍取决于其自身在 PC 空间偏离型心的残差（非常数位移，与 constant_shift 本质不同）。+- **vs constant_shift**：型内不同细胞获得不同位移；常数位移无法改变型内协方差。  ## 验证过的 -- `LOWRANK_SHAPE_ALLHVG=0`（默认）输出与父节点（改动前 run.py 的 seed0 输出）逐元素 maxdiff=0.0。-- seed0 复跑逐元素一致（确定性）；seed3 可正常运行。-- **伪装视图**（所有阶段时间 +1 天、manifest 键乱序重排版、换路径 /tmp/opencode/dv9）：输出与真实视图逐元素 maxdiff=0.0 → 视图无关。-- vec-check ok；运行 ~6 s、内存与父相同（limits 28 GB / 30 min 内富余）。+- ISO=0（关机制）逐元素复现父节点 maxdiff=0.0；ISO=1 默认输出 = 显式 ISO=1 输出 maxdiff=0.0。+- seed0 连跑两次逐元素一致（确定性）；seed1/2/3 正常运行、输出有限无 NaN、细胞数=652（在 [500,652]）。+- **伪装视图**（所有阶段时间 +1 天、manifest 键逆序重排版、换路径 /tmp/opencode/dv11）：输出与真实视图逐元素 maxdiff=0.0，基因顺序一致 → 视图无关（程序只用时间差 dt_in/dt_out，不读绝对时间/阶段名/board/mode/source/dataset，不写死细胞数）。+- vec-check：真实视图与伪装视图默认输出均 status=ok。+- 运行 ~10 s、内存 ~1.5 GB（limits 28 GB / 30 min 内富余）。 - 单输入退路（copy_last）代码路径未改动。  ## 没验证的 / 风险 -- 提交的默认配置 = 父节点配置，其 B 半行为与父节点（58.56，rank3 59.11）预期完全一致；本节点自身不产生分数增益（如实报告，符合 PLAN 风险 4"若改善不显著，不强行提交"）。-- ALLHVG=1 各阈值配置只测了 seed0；阈值扫描单调、跨度大（30.6→45.2 远超 2 分噪声），结论对 seed 稳健。-- 未测 proxy/proxy2/final 视图（本节点只挂 X3）；回退后代码与父一致，父的跨视图结论继续成立。+- ISO β=3 只在 X3 A 半 seed0 打分（57.67）；B 半行为推断自 node 7（同机制、B 半 rank3 59.60），未直接测。相对父的 A 半增益 +0.34 在噪声内，正式分增益预期同样小（~+0.5 rank3），但方向稳健。+- 未测 proxy/proxy2/final 视图（本节点只挂 X3）；机制与父同族，父的跨视图结论应继续成立。+- top-k 与 CORR_W 两轴已判定无增益，未做更细扫描（PLAN 风险 3「delta<2 不追」已触发）。  ## 下一步建议（给后续节点） -- covariation 组的瓶颈不在解码掩码，而在 β=3 扩张本身（4x 残差放大引入的低秩噪声）与 clip≥0 的非线性。可试：把 shape 扩张限制在方差比信号最强的前 3–5 个 PC（其余置 0），或在扩张后对型内残差做白化-再相关校准（把预测的基因对相关向 last-stage 输入相关线性收缩，ANALYSIS 建议的 w 扫描），验证能否 covar ≥47 且 cell_state ≥74。-- direction 组（~50，de_direction≈0.001–0.005 几乎无信号）：对不可配对类型加 OT/近邻标签位移兜底仍是未试方向。+- covariation 与 cell_state 的张力是 lowrank_shape 家族的核心瓶颈：任何恢复共变的操作（top-k、相关校正、降 β）都掉细胞多样性。要突破需从「注入正确的型内相关结构」而非「削弱扩张」入手——例如用 last 阶段型内协方差的低秩主方向直接重塑残差（保均值与细胞数），而不是各向同性放大。+- direction 组（~50，de_direction≈0.001–0.003 几乎无信号）：对不可配对类型（Endocardium、V-CM 等，当前 LOWRANK_FALLBACK=none 完全不动）加 OT/近邻标签位移兜底，仍是未试方向，宜作独立开关单测。  ## 知识来源 -未使用任何保留阶段/基因型的测量信息；未读禁窗数据；未用 `uns.celltype_palette`；external/ 与 prior/ 均未读取。只用 view 内两个输入阶段的表达、标签、时间差。"细胞状态多样性随发育时间增加"为通用发育生物学常识（谱系渐进分化），不针对禁窗阶段；其余为统计常识（PCA、方差比收缩、稀疏解码），无外部数据注入。+未使用任何保留阶段/基因型的测量信息；未读禁窗数据；未用 `uns.celltype_palette`；external/ 与 prior/ 均未读取。只用 view 内两个输入阶段的表达、标签、时间差。「细胞状态多样性随发育时间增加」为通用发育生物学常识（谱系渐进分化），不针对禁窗阶段；其余为统计常识（PCA、方差比收缩、各向同性 vs 各向异性扩张、稀疏掩码解码、相关矩阵白化），无外部数据注入。diff --git a/solution/run.py b/solution/run.pyindex b3c304d..e35b8cc 100644--- a/solution/run.py+++ b/solution/run.py@@ -75,6 +75,11 @@ def main() -> None:     shape_min_cells = _env_int("LOWRANK_SHAPE_MINCELLS", 10)     shape_allhvg = _env_int("LOWRANK_SHAPE_ALLHVG", 0)     shape_zero_thresh = _env_float("LOWRANK_SHAPE_ZERO_THRESH", 0.0)+    shape_topk = _env_int("LOWRANK_SHAPE_TOPK", 0)+    shape_iso = _env_int("LOWRANK_SHAPE_ISO", 1)+    corr_w = _env_float("LOWRANK_SHAPE_CORR_W", 0.0)+    corr_nhvg = _env_int("LOWRANK_SHAPE_CORR_NHVG", 200)+    corr_mask = _env_int("LOWRANK_SHAPE_CORR_MASK", 1)      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)@@ -156,9 +161,24 @@ def main() -> None:                 r_s = 1.0 + (r - 1.0) * w                 r_t = np.clip(1.0 + s * (r_s - 1.0), shape_rlo, shape_clip)                 scale = np.sqrt(r_t) - 1.0+                if shape_iso:+                    wts = vl+                    denom = float(wts.sum())+                    scale_iso = float((wts * scale).sum() / denom) if denom > 1e-12 else 0.0+                    scale = np.full_like(scale, scale_iso)                 if shape_npcs < scale.size:                     scale = scale.copy()                     scale[shape_npcs:] = 0.0+                if shape_topk > 0:+                    scale = scale.copy()+                    nz = np.flatnonzero(scale != 0.0)+                    if nz.size > shape_topk:+                        ranked = nz[np.argsort(-np.abs(scale[nz]), kind="stable")]+                        scale[ranked[shape_topk:]] = 0.0+                    if os.environ.get("LOWRANK_DEBUG"):+                        kept = np.flatnonzero(scale != 0.0)+                        print(f"  TOPK type={t} kept_pcs={kept.tolist()} "+                              f"|scale|={np.round(np.abs(scale[kept]), 3).tolist()}")                 shape_scale_by_type[t] = shape_beta * scale                 debug_rows.append((t, int(m1.sum()), int(m2.sum()), float(np.mean(np.abs(r - 1.0))),                                    float(np.sqrt(r_t).min()), float(np.sqrt(r_t).max())))@@ -216,6 +236,57 @@ def main() -> None:         shift_full[cols] = shift_h.astype(np.float32)         Xc.data += shift_full[Xc.indices] +    if corr_w > 0.0:+        from numpy.linalg import eigh++        def _sym_pow(M: np.ndarray, p: float, eps: float = 1e-6) -> np.ndarray:+            M = 0.5 * (M + M.T)+            w_, Q = eigh(M)+            w_ = np.clip(w_, eps, None)+            return (Q * (w_ ** p)) @ Q.T++        corr_genes = hvg[np.argsort(-var[hvg], kind="stable")[:corr_nhvg]]+        corr_genes = np.sort(corr_genes)+        cg_pos = np.searchsorted(hvg, corr_genes)  # positions within hvg block+        del cg_pos+        # input (last-stage) per-type cells in full-gene dense matrix+        for t in sorted(set(lab_last_rows.tolist())):+            m_in = lab_last == t+            if int(m_in.sum()) < 8:+                continue+            sel_pred = np.flatnonzero(lab_last_rows == t)+            if sel_pred.size < 8:+                continue+            Gin = np.asarray(A_last[m_in][:, corr_genes], dtype=np.float64)+            Gp = _dense(Xc[sel_pred][:, corr_genes]).astype(np.float64)+            Gin_c = Gin - Gin.mean(axis=0)+            Gp_c = Gp - Gp.mean(axis=0)+            sd_in = Gin_c.std(axis=0)+            sd_p = Gp_c.std(axis=0)+            ok = (sd_in > 1e-6) & (sd_p > 1e-6)+            if int(ok.sum()) < 10:+                continue+            idx = np.flatnonzero(ok)+            C_in = np.corrcoef(Gin_c[:, idx].T)+            C_p = np.corrcoef(Gp_c[:, idx].T)+            C_t = corr_w * C_in + (1.0 - corr_w) * C_p+            C_t = 0.5 * (C_t + C_t.T)+            np.fill_diagonal(C_t, 1.0)+            # whitening-recoloring transform on standardized pred cells+            P = Gp_c[:, idx] / sd_p[idx]+            T = _sym_pow(C_p, -0.5) @ _sym_pow(C_t, 0.5)+            P2 = P @ T+            Gp_new = P2 * sd_p[idx] + Gp[:, idx].mean(axis=0)+            Gp_full = Gp.copy()+            Gp_full[:, idx] = Gp_new+            sub = Xc[sel_pred]+            sub_d = sub.toarray().astype(np.float64)+            orig_nz = sub_d != 0.0+            sub_d[:, corr_genes] = Gp_full+            if corr_mask:+                sub_d = np.where(orig_nz, sub_d, 0.0)+            Xc[sel_pred] = sp.csr_matrix(sub_d.astype(np.float32))+     np.clip(Xc.data, 0.0, None, out=Xc.data)     Xc.eliminate_zeros()     out_X = Xc

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。最终提交配置已锁定并通过所有校验。

**做了什么**
- 按 PLAN 实现了三个开关（默认即提交配置）：`LOWRANK_SHAPE_TOPK`（按 |scale| 选前 k PC）、`LOWRANK_SHAPE_CORR_W`(+`CORR_MASK`，型内相关白化-再着色校准)、`LOWRANK_SHAPE_ISO`（各向同性单一扩张系数）。
- 实测证伪 PLAN 两条主轴：top-k 恢复 covar（45.2→46.5@k3）但 cell_state/de_rec 掉更多，总分无一超父；相关校正稠密版崩 covar（重演 node9 ALLHVG），掩码版净增益≈0。
- 采用全树最佳 node7 的**各向同性 β=3** 作提交默认（并入 node9 血统），四组全部 ≥父。

**查分（X3 A半 seed0，用 13/20 额度）**
- 父(aniso β3) 57.33；**ISO β3 = 57.67（cell_state 76.35 / covar 45.57 / de_rec 52.47 / dir 50.12，全部 ≥父）**；ISO β4 名义 57.73 但 covar 掉，不采用。增益在噪声内但方向与 node7 的 B半 rank3 优势(59.60 vs 59.11)一致。
- 校验：ISO=0 逐元素复现父(maxdiff=0)、seed0 复跑一致、seed1/2/3 正常、伪装视图(+1天/乱序manifest/换路径)maxdiff=0 → 视图无关、vec-check ok、~10s/1.5GB。

**下一步最值得试**
- 突破 covariation↔cell_state 张力：用 last 型内协方差低秩主方向直接重塑残差（保均值/细胞数），而非各向同性放大。
- direction 组几无信号：对不可配对类型(Endocardium/V-CM)加 OT/近邻位移兜底，独立开关单测。

调研员

ressive top-k (k=3) could drop cell_state below 74. Mitigation: sweep includes k=8,12; check cell_state at each k before committing. 2) |scale| ranking may correlate with PC variance index, making selection redundant with shape_npcs. Mitigation: Engineer should log the selected PC indices and verify they differ from top-k by variance. 3) Improvement may be <2 points (noise). Mitigation: if seed0 delta covar<2, do not chase; report as null. 4) Correlation calibration (step 4) adds complexity; only attempt if top-k alone falls short and queries remain.",
  "family_id": "lowrank_shape",
  "mechanism": "Per-type PC-residual expansion restricted to the k PCs with largest variance-ratio deviation |r_k−1|; unreliable PCs (ratio≈1, dominated by sampling noise) are excluded from shape evolution, preventing β=3 from amplifying noise into the gene-gene correlation structure.",
  "vs_constant_shift": "Each cell's displacement depends on its own PC-space residual from the type centroid scaled by PC-specific factors; cells within the same type receive different displacements (verified std=63–115 in parent). A constant shift would move all cells of a type identically and cannot alter within-type covariance.",
  "mechanism_evidence": "1) Log per-PC |scale| values and selected indices for each type at each k; verify selected PCs are not simply the first k by variance. 2) Report covariation and cell_state at each k: monotonic covariation recovery with decreasing k (up to a point) confirms noise removal. 3) Within-type displacement std should decrease slightly with smaller k but remain >>0 (mechanism still active). 4) Four-group breakdown at best k vs parent (k=25).",
  "mechanism_off_control": "LOWRANK_SHAPE_TOPK=0 (default) uses all 25 PCs and reproduces parent output exactly (verify maxdiff=0.0). Additionally LOWRANK_SHAPE_BETA=0 disables all shape expansion and reproduces node 4. If TOPK=k output is identical to TOPK=0, the selection logic is not executing.",
  "sources": []
}
```