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

节点 n5 在终选来历上

在父节点分型 PCA 均值外推上叠加"形状演化"：按细胞型估计各 PC 两阶段方差比，收缩后乘时间比、只允许扩张（r≥1），逐细胞缩放其在 PC 空间偏离型心的残差，使型内分布展宽、共变结构随时间演化。

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 a9e37a676c: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 52b391699b。改动的文件：solution/METHOD.md +46 −31、solution/README.md +2 −2、solution/run.py +82 −23

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 9a1de51..6923e6c 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,48 +1,63 @@-按细胞型在 PCA(25维,2500HVG) 空间估计两输入阶段均值差，方差收缩后乘时间比逐细胞加到最后阶段非零表达上（clip≥0）；单输入退路 copy_last。+在父节点分型 PCA 均值外推上叠加"形状演化"：按细胞型估计各 PC 两阶段方差比，收缩后乘时间比、只允许扩张（r≥1），逐细胞缩放其在 PC 空间偏离型心的残差，使型内分布展宽、共变结构随时间演化。  ## 方法 -- 读最后两个输入阶段（`read_stage` 默认 fill），取两阶段共同覆盖基因，按合并方差选前 2500 HVG。-- 合并矩阵中心化后 `scipy.sparse.linalg.svds`（固定 v0=ones，确定性）取前 25 个 PC，λ_k = var_k/(var_k+τ)，τ=0.3（环境变量 `LOWRANK_TAU`）。-- 位移幅度 s = α·(t_target − t_last)/(t_last − t_prev)，α=1.8，clip 到 [0,4]。只用时间差，不用绝对时间；X3 上 dt_in=0.25、dt_out=0.5 → s=3.6。-- **按细胞型位移**（默认开，`LOWRANK_PER_TYPE=1`）：对两个阶段都有 ≥5 个细胞的同名类型，分别在该类型内部计算 PC 空间均值差，逆变换回基因空间，只加到该类型的细胞上；`Unknown` / 无法配对的类型不位移（`LOWRANK_FALLBACK=none`，实测优于用全局差兜底）。这一步是关键：全局均值差被细胞组成变化污染，直接加会把 de_direction 打成负分。-- 位移只加到已有非零元素上（保持稀疏支撑不变），clip≥0 后 eliminate_zeros。早期版本把 HVG 列写满成稠密块，covariation 从 48 掉到 27，已弃用。-- 单输入阶段视图：精确输出 copy_last（与父节点一致）。+父节点（node 4）流程不变：两输入阶段共同覆盖基因取前 2500 HVG，合并中心化后 `svds`（v0=ones，确定性）取 25 PC；位移幅度 s = α·(t_target−t_last)/(t_last−t_prev)，α=1.8，clip [0,4]（X3 上 dt_in=0.25、dt_out=0.5 → s=3.6）；对两阶段都可配对（≥5 细胞）的同名类型在型内求 PC 均值差，λ_k=var_k/(var_k+0.3) 收缩后逆变换回基因空间，只加到该型细胞的已有非零元素上，clip≥0；单输入视图精确退化为 copy_last。 -## 机制关闭对照（mechanism_off_control）+新增形状演化（family: lowrank_shape，默认开，`LOWRANK_SHAPE_BETA=3.0`）：+1. 对每个配对类型（形状部分要求两阶段各 ≥10 细胞，`LOWRANK_SHAPE_MINCELLS=10`），算型内每 PC 方差 var_prev_k、var_last_k，比值 r_k=var_last_k/var_prev_k。+2. 向 1 收缩：r_s = 1+(r−1)·var_last/(var_last+τ_shape)，τ_shape=0.5（`LOWRANK_SHAPE_TAU`）。+3. 按同一时间比外推：r_t = clip(1+s·(r_s−1), 1.0, 4.0)。**下界 1.0 = 只允许扩张**（`LOWRANK_SHAPE_RLO`）：收缩方向被冻结（数据里型内方差随时间总体增大，且收缩外推在 s=3.6 下把大量 PC 推成负值被 clip，实测拖累 cell_state）。+4. 逐细胞：delta_pc = β·(sqrt(r_t)−1)·(cell_pc − 型心_pc)，β=3.0，作用于全部 25 PC（`LOWRANK_SHAPE_NPCS=25`），逆变换到基因空间，与均值位移相加后只加到非零元素上，clip≥0，eliminate_zeros。+5. 不满足配对/细胞数条件的类型：只做均值位移或完全不动（`LOWRANK_FALLBACK=none`，与父一致）。 -`LOWRANK_TAU=1e6` → 所有 λ_k≈0 → 位移≈0。本地对比关闭版与父节点 copy_last 预测：最大绝对差 3e-4（float32 舍入），等价于 copy_last（父节点 X3 = 47.92）。机制开启后 X3 seed0 = 54.90，机制确实生效：2331 个 HVG |位移|>0.01，shift 最大 1.1（log 空间），cell_state 49.7→66.1、de_recovery 44.1→52.0。+β 扫描（X3 A 半，seed0）：0→54.90（=父）、1→55.88、1.5→56.39、2→56.90、3→**57.33**、4→57.33、5→56.92、8→53.65（崩塌）。β∈[3,4] 平台，取 β=3（covariation 更高、离崩塌区更远）。 -## X3 查分记录（A 半）+## 机制生效证据（对照 SHAPE_BETA=0）++- **对照**：`LOWRANK_SHAPE_BETA=0` 输出与父节点逐元素 maxdiff=0.0（完全复现父节点，其 X3 A 半 seed0=54.90）；`LOWRANK_TAU=1e6` 时 λ≈0 → copy_last（父节点已验证，等价 47.92 基线）。+- **改变了哪些细胞**：5 个类型被形状化（AVC-CM、IFT-CM、OFT/RV-CM、SV-CM、Unknown）；Endocardium、V-CM 等不可配对类型位移差为 0（未动）。+- **非常数位移**：形状开启后同型细胞间 |位移|（全基因求和）的 std = 63–115（常数位移应为 0）——同型不同 PC 位置的细胞得到不同位移。+- **型内方差变化**：预测的型内平均基因方差 var_on/var_off = 1.03–1.13（5 个被形状化类型全部 >5% 变化的有 3 个：AVC-CM +12.6%、Unknown +5.9%、IFT-CM +5.6%）。+- **方差比非平凡**：各型 mean|r_k−1| = 0.13–1.77，sqrt(r_t) ∈ [1, 2.0]（上界 clip 生效），机制不在退化区（|r−1|≫0.05 放弃阈值）。+- **四组分变化**（β=0 → β=3，seed0 A 半）：cell_state 66.1→75.5（+9.4），de_recovery 52.0→52.5（+0.5），direction 50.2→50.1（−0.1），covariation 47.7→45.2（−2.5）。总分 54.90→57.33（+2.4）。mmd_u 0.0218→0.0176：目标阶段的分布确实比最后输入阶段更展宽，扩张型形状演化直接改善分布匹配。++## X3 查分记录（A 半，seed0，除注明外）  | 配置 | 分 | cell_state | covar | de_rec | dir | |---|---|---|---|---|---|-| 父 copy_last | 47.92 | 49.68 | 48.44 | 44.09 | 49.20 |-| 全局位移 τ=1（稠密块） | 41.62 | 42.95 | 27.65 | 43.80 | 49.02 |-| 全局位移 τ=1（保稀疏） | 46.83 | 47.04 | 47.66 | 43.80 | 48.94 |-| 分型位移均值合并 τ=1 | 47.37 | 44.33 | 47.72 | 48.62 | 49.50 |-| 分型逐细胞 fb=global τ=1 | 52.33 | 58.79 | 48.25 | 50.48 | 49.71 |-| 分型逐细胞 fb=none τ=1 | 52.82 | 59.67 | 48.52 | 50.96 | 49.88 |-| τ=0.3 / 0.1 | 52.92 / 52.95 | | | | |-| τ=3 / 10 | 52.31 / 51.64 | | | | |-| α=1.4 / 0.7 | 54.24 / 51.69 | | | | |-| **α=1.8 τ=0.3（提交）** | **54.90**（seed0）/ 55.44（seed1） | 66.1 | 47.7 | 52.0 | 50.2 |-| α=2.2 τ=0.3 | 54.94 | 66.8 | 47.4 | 51.5 | 50.3 |--α 曲线在 1.8–2.2 变平（s 达到 cap=4 附近），covariation 随 α 缓慢下降（48.5→47.4），α=1.8 取平衡点。+| 父 α=1.8（β=0 复现） | 54.90 | 66.1 | 47.7 | 52.0 | 50.2 |+| β=1 τ_s=0.5 mc5 npc10 clip[0.25,4] | 55.02 | 66.79 | 47.22 | 51.96 | 50.22 |+| mc50 τ_s=2 clip[0.5,2] | 55.00 | 66.71 | 47.21 | 51.96 | 50.20 |+| mc50 τ_s=0.5 clip[0.5,2] | 54.99 | 66.71 | 47.19 | 51.96 | 50.20 |+| 只扩张 RLO=1 mc50 npc10 | 55.78 | 69.50 | 47.02 | 51.96 | 50.16 |+| 只扩张 mc10 npc10 | 55.85 | 69.74 | 46.97 | 51.96 | 50.16 |+| 只扩张 mc50 npc25 | 55.88 | 69.90 | 46.92 | 51.96 | 50.15 |+| 只扩张 mc10 npc25 | 55.94 | 70.16 | 46.86 | 51.96 | 50.14 |+| β=1.5 | 56.39 | 71.96 | 46.43 | 51.96 | 50.10 |+| β=1.5 α=2.2 | 56.49 | 72.52 | 45.99 | 51.96 | 50.16 |+| β=2 | 56.90 | 73.47 | 46.03 | 52.47 | 50.12 |+| β=2 α=2.2 | 56.92 | 73.83 | 45.57 | 52.47 | 50.15 |+| **β=3（提交）** | **57.33** / 57.10（seed1） | 75.52 / 73.76 | 45.21 / 45.15 | 52.47 / 51.96 | 50.08 / 51.80 |+| β=4 | 57.33 | 76.09 | 44.45 | 52.47 | 49.98 |+| β=3 τ_s=2 | 57.18 | 74.93 | 45.35 | 52.47 | 50.07 |+| β=5 | 56.92 | 75.28 | 43.72 | 52.47 | 49.90 |+| β=8 | 53.65 | 67.14 | 41.78 | 50.96 | 49.64 |  ## 验证过的 -- vec-check ok；seed 0/1 各自复跑逐元素一致（确定性）；伪装视图（时间 +1、manifest 键乱序、换路径）输出与真实视图逐元素相同（max diff 0.0）→ 视图无关。-- 单输入视图（本地构造）退路正常，输出 652×32285。-- 运行 ~5 s、峰值内存 <2 GB，远低于 limits。+- vec-check ok；seed0 复跑逐元素一致；**伪装视图**（时间统一 +1 天、manifest 键乱序重排版、换路径）输出与真实视图逐元素 maxdiff=0.0 → 视图无关（s 只用时间差；RLO/clip/β 是常数不是绝对时间）。+- 默认配置输出与查分过的 c11（β=3）逐元素一致。+- 单输入退路（copy_last）逻辑未改动，与父一致。+- 运行 ~10 s、内存 <2 GB（limits: 28 GB / 30 min）。 -## 没验证的+## 没验证的 / 风险 -- 未在 T1 proxy / proxy2 / final 视图上跑（本节点只挂 X3 视图）；final 视图 dt_in=1、dt_out=1 → s=1.8，机制同样成立，但分数未实测。-- α=1.8 是 X3 A 半上调出的，B 半与 final 上幅度可能不同；α 平坦区宽（1.4–2.2 都 >54），风险有限。-- 分型位移依赖两阶段标签可配对；若某视图标签大量为 Unknown，则多数细胞不位移，退化接近 copy_last（安全侧）。+- 未在 T1 proxy / proxy2 / final 视图实测（本节点只挂 X3）。final 上 dt_in=1、dt_out=1 → s=1.8，扩张幅度更温和（r_t=1+1.8(r_s−1)），机制同样成立，但幅度是否仍最优未测。+- β=3 是 A 半调出；A 半增益 +2.4（seed0）/ +1.7（seed1）略超 T1 噪声 2 分，B 半可能缩水。β∈[3,4] 平坦、[2,5] 都 >56.9，对 β 误差不敏感。+- covariation 随 β 单调下降（47.7→45.2），若 B 半 covariation 权重更高或地板更低，净收益会小于 A 半；但 4 组加权下 β=3 仍是最优平台。+- 方差比估计在小类型上噪声大（AVC-CM n_prev=18），已用 mc=10 + τ_shape 收缩 + 只扩张 + clip≤4 四重防护；mc10 与 mc50 分差仅 0.06。  ## 知识来源 -未使用任何保留阶段/基因型的测量信息；未读 E9.5 之后的数据；未用 `uns.celltype_palette`。只用了 view 内输入阶段的表达与标签、时间差，以及通用做法（PCA/收缩估计为统计常识，无生物学先验注入）。+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`。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"是通用发育生物学常识（谱系 progressively 分化），不针对任何禁窗阶段；其余为统计常识（方差比收缩、PCA），无外部数据注入。diff --git a/solution/README.md b/solution/README.mdindex d9b8d84..663e2b0 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,4 +1,4 @@-# lowrank_shape: per-celltype PCA low-rank shrunken mean-shift extrapolation+# lowrank_shape: per-type PCA mean-shift + variance-ratio shape evolution  See METHOD.md. Entry: `python run.py --data <view> --out <pred.h5ad> --seed <int>` (pure CPU, `EXECUTION.json` gpu=false).-Env knobs (defaults are the submitted config): `LOWRANK_TAU=0.3`, `LOWRANK_ALPHA=1.8`, `LOWRANK_PER_TYPE=1`, `LOWRANK_FALLBACK=none`, `LOWRANK_NHVG=2500`, `LOWRANK_NPC=25`, `LOWRANK_SCAP=4.0`.+Env knobs (defaults are the submitted config): `LOWRANK_TAU=0.3`, `LOWRANK_ALPHA=1.8`, `LOWRANK_PER_TYPE=1`, `LOWRANK_FALLBACK=none`, `LOWRANK_NHVG=2500`, `LOWRANK_NPC=25`, `LOWRANK_SCAP=4.0`, `LOWRANK_SHAPE_BETA=3.0` (0 = parent node 4 exactly), `LOWRANK_SHAPE_TAU=0.5`, `LOWRANK_SHAPE_CLIP=4.0`, `LOWRANK_SHAPE_RLO=1.0` (expansion-only), `LOWRANK_SHAPE_NPCS=25`, `LOWRANK_SHAPE_MINCELLS=10`.diff --git a/solution/run.py b/solution/run.pyindex 28c3a06..295ed69 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,12 +1,23 @@ #!/usr/bin/env python3-"""PCA low-rank shrunken mean-shift extrapolation over copy_last.--Estimate the temporal delta between the last two input stages in a low-rank-PCA space (top HVGs), shrink each PC direction by lambda_k = var_k / (var_k + tau)-so low-variance noise directions are suppressed, scale by the relative time gap-(target - last) / (last - prev), and add the resulting gene-space shift to the-sampled last-stage cells (clipped at >= 0). Single-input views fall back to-copy_last exactly.+"""Per-type PCA mean-shift + variance-ratio shape evolution over copy_last.++Mean part (as parent node 4): estimate the per-cell-type temporal delta between+the last two input stages in a low-rank PCA space (top HVGs), shrink each PC+direction by lambda_k = var_k / (var_k + tau), scale by the relative time gap,+and add the gene-space shift to sampled last-stage cells (nonzeros only, clip+>= 0).++Shape part (family lowrank_shape mechanism): per matched cell type, compute+each PC's within-type variance in both stages, form the ratio+r_k = var_last_k / var_prev_k, shrink it toward 1 with weight+var_last_k / (var_last_k + tau_shape), extrapolate by the same time-ratio+factor s, and rescale each cell's PC-space residual from its type centroid by+sqrt(r_target_k) (top shape_npcs PCs only). This evolves within-type spread /+gene-gene covariation, giving cells of the same type different effective+displacements (unlike a constant shift).++LOWRANK_SHAPE_BETA=0 turns the shape part off and reproduces the parent+exactly. Single-input views fall back to copy_last exactly. """  from __future__ import annotations@@ -56,6 +67,12 @@ def main() -> None:     n_pcs = _env_int("LOWRANK_NPC", 25)     per_type = _env_int("LOWRANK_PER_TYPE", 1)     s_cap = _env_float("LOWRANK_SCAP", 4.0)+    shape_beta = _env_float("LOWRANK_SHAPE_BETA", 3.0)+    shape_tau = _env_float("LOWRANK_SHAPE_TAU", 0.5)+    shape_clip = _env_float("LOWRANK_SHAPE_CLIP", 4.0)+    shape_rlo = _env_float("LOWRANK_SHAPE_RLO", 1.0)+    shape_npcs = _env_int("LOWRANK_SHAPE_NPCS", 25)+    shape_min_cells = _env_int("LOWRANK_SHAPE_MINCELLS", 10)      manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)@@ -108,45 +125,81 @@ def main() -> None:      n1 = A_prev.shape[0]     Z = Cc @ V  # n_tot x k scores-    delta_global = Z[n1:].mean(axis=0) - Z[:n1].mean(axis=0)+    Z_prev = Z[:n1]+    Z_last = Z[n1:]+    delta_global = Z_last.mean(axis=0) - Z_prev.mean(axis=0)     shift_by_type: dict[str, np.ndarray] | None = None+    shape_scale_by_type: dict[str, np.ndarray] | None = None     delta = delta_global+    lab_prev = labels_of(prev)+    lab_last = labels_of(last)     if per_type:-        lab_prev = labels_of(prev)-        lab_last = labels_of(last)         shift_by_type = {}+        if shape_beta > 0.0:+            shape_scale_by_type = {}+        debug_rows = []         for t in sorted(set(lab_prev.tolist()) & set(lab_last.tolist())):             m1 = lab_prev == t             m2 = lab_last == t             if m1.sum() < 5 or m2.sum() < 5:                 continue-            dt_pc = Z[n1:][m2].mean(axis=0) - Z[:n1][m1].mean(axis=0)-            shift_by_type[t] = ((s * lam * dt_pc) @ V.T).astype(np.float32)+            dt_pc = Z_last[m2].mean(axis=0) - Z_prev[m1].mean(axis=0)+            shift_by_type[t] = (s * lam * dt_pc) @ Vt  # hvg space, float64+            if shape_scale_by_type is not None and m1.sum() >= shape_min_cells and m2.sum() >= shape_min_cells:+                vp = Z_prev[m1].var(axis=0)+                vl = Z_last[m2].var(axis=0)+                eps = 1e-8+                r = (vl + eps) / (vp + eps)+                w = vl / (vl + shape_tau)+                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_npcs < scale.size:+                    scale = scale.copy()+                    scale[shape_npcs:] = 0.0+                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())))      fallback = os.environ.get("LOWRANK_FALLBACK", "none")-    shift_h = ((s * lam * delta) @ V.T).astype(np.float32)  # global shift on hvg+    shift_h = (s * lam * delta) @ Vt  # global shift on hvg, float64      cols = hvg     Xc = sp.csr_matrix(X_last, dtype=np.float32, copy=True)-    lab_last_rows = labels_of(last)[rows]+    lab_last_rows = lab_last[rows]      if shift_by_type is not None:-        base = shift_h if fallback == "global" else np.zeros_like(shift_h)+        base = shift_h.astype(np.float32) if fallback == "global" else np.zeros(hvg.size, dtype=np.float32)         shift_full = np.zeros(Xc.shape[1], dtype=np.float32)         shift_full[cols] = base         Xc.data += shift_full[Xc.indices]-        for t, sh_t in shift_by_type.items():+        for t, sh_t64 in shift_by_type.items():             sel = np.flatnonzero(lab_last_rows == t)             if sel.size == 0:                 continue-            sf_t = np.zeros(Xc.shape[1], dtype=np.float32)-            sf_t[cols] = sh_t - base  # net correction vs base-            sub = Xc[sel]-            sub.data += sf_t[sub.indices]-            Xc[sel] = sub+            sh_t = sh_t64.astype(np.float32)+            if shape_scale_by_type is not None and t in shape_scale_by_type:+                scale_t = shape_scale_by_type[t]+                resid = Z_last[rows[sel]] - Z_last[lab_last == t].mean(axis=0)  # n_t x k+                d_gene = (resid * scale_t[None, :]) @ Vt  # n_t x hvg+                D_t = (sh_t[None, :] - base[None, :]) + d_gene.astype(np.float32)+                sub = Xc[sel]+                row_ids = np.repeat(np.arange(sub.shape[0]), np.diff(sub.indptr))+                pos = np.searchsorted(cols, sub.indices)+                pos_c = np.clip(pos, 0, cols.size - 1)+                valid = cols[pos_c] == sub.indices+                dvals = D_t[row_ids, pos_c]+                sub.data += np.where(valid, dvals, 0.0).astype(np.float32)+                Xc[sel] = sub+            else:+                sf_t = np.zeros(Xc.shape[1], dtype=np.float32)+                sf_t[cols] = sh_t - base+                sub = Xc[sel]+                sub.data += sf_t[sub.indices]+                Xc[sel] = sub     else:         shift_full = np.zeros(Xc.shape[1], dtype=np.float32)-        shift_full[cols] = shift_h+        shift_full[cols] = shift_h.astype(np.float32)         Xc.data += shift_full[Xc.indices]      np.clip(Xc.data, 0.0, None, out=Xc.data)@@ -159,6 +212,12 @@ def main() -> None:         n_moved = int((np.abs(shift_h) > 0.01).sum())         print(f"s={s:.3f} k={k} genes_moved={n_moved} shift_absmax={np.abs(shift_h).max():.3f} "               f"delta_pc_absmax={np.abs(delta).max():.3f} lam[:5]={np.round(lam[:5], 3)}")+        if shape_scale_by_type:+            print(f"shape_beta={shape_beta} tau_shape={shape_tau} npcs={shape_npcs} "+                  f"types_shaped={len(shape_scale_by_type)}")+            for t, n1t, n2t, mrl, smin, smax in debug_rows:+                print(f"  type={t} n_prev={n1t} n_last={n2t} mean|r-1|={mrl:.3f} "+                      f"sqrt(r_t)=[{smin:.3f},{smax:.3f}]")   if __name__ == "__main__":

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。

**做了什么**：在父节点（分型 PCA 均值外推）上实现了 PLAN 的 lowrank_shape 机制——按细胞型估计各 PC 的两阶段方差比，τ_shape=0.5 收缩后乘时间比外推，逐细胞缩放其偏离型心的 PC 残差。关键发现：双向缩放无效（55.0），**只允许扩张**（RLO=1.0）+ 放大系数 β=3 显著改善 cell_state（66.1→75.5，mmd_u 0.0218→0.0176），β∈[3,4] 为平台，β≥8 崩塌。

**查分**（X3 A 半，用 15/20）：β=3 seed0 **57.33**、seed1 **57.10**（父 54.90/55.44，+1.8 均值）。对照 SHAPE_BETA=0 与父输出逐元素 diff=0.0。机制证据：同型细胞位移 std 63–115（非常数），5 个被形状化类型型内方差 +3~13%。确定性、伪装视图一致（diff 0.0）、vec-check ok、运行 13 s。

**下一步最值得试**：① covariation 是唯一受损组（47.7→45.2），可试乘性解码（x·exp(δ)）或只对扩张 PC 施加、或对 covariation 做各向同性方差校准；② direction 组停滞（~50），可对 Unknown/不可配对类型用 OT 耦合位移；③ β 平台在 final 视图（s=1.8 更温和）上可能位置不同，值得在 proxy/final 类视图验证幅度传递性。

调研员

mily_id": "lowrank_shape",
  "mechanism": "Per-type covariance evolution: estimate how each PC direction's variance changes between the two input stages within each cell type, shrink the variance ratio toward 1, extrapolate by the time-ratio factor s, and rescale each cell's PC-space residual from its type centroid by sqrt(r_target_k). This changes the population shape (spread and covariation) rather than only the mean.",
  "vs_constant_shift": "Constant per-type shift adds the same vector to every cell of a type, moving the mean but preserving within-type variance and all pairwise covariances unchanged. This method additionally rescales each cell's deviation from the type centroid by the extrapolated variance change per PC direction, so the within-type spread and gene-gene covariation structure evolve. Two cells of the same type at different positions in PC space receive different effective displacements, unlike a constant shift.",
  "mechanism_evidence": "1) Report per-type mean |r_k - 1| and the distribution of sqrt(r_target_k) values to show variance change is nonzero and nontrivial.\n2) Compare covariation score between SHAPE_BETA=0 (mean shift only, should match parent) and SHAPE_BETA=1 (mean + shape): covariation must improve ≥2 points to claim the shape component works.\n3) Report within-type variance of predicted expression for top 5 types vs last-stage input: shape evolution should change variance by >5% in at least 3 types.\n4) Report per-cell displacement dispersion within each type (std of |delta| across cells of same type): constant shift gives 0, shape evolution gives >0.\n5) Four-group breakdown for each configuration.",
  "mechanism_off_control": "LOWRANK_SHAPE_BETA=0 → all r_target_k set to 1.0 → sqrt(1)=1 → residuals unchanged → only mean shift remains → output identical to parent node 4 (verify max abs diff < 1e-6). Additionally LOWRANK_TAU=1e6 → all λ_k≈0 → no shift at all → copy_last. Run both controls and report scores.",
  "sources": []
}
```

审查员

REVIEW.json written