总览 · ← 返回运行 20261002-202908-search-t1-scr-C

节点 n23

改了什么

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 9ddd267f91: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 baa3efa364。改动的文件：solution/METHOD.md +8 −7、solution/run.py +7 −5

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 731ed13..ef842f0 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,10 +1,11 @@ ## 改了什么-相对父节点（per-gene shrinkage 用 per-cell 方差做分母）：-1. 将 shrinkage 分母从 per-cell 方差 var_within 改为均值差的抽样方差 var_within / max(n_last, n_prev)。父节点用 per-cell 方差使收缩因子被压低约 n 倍，导致位移近乎失效（de_recovery 仅 +1.44）。-2. 增加显著性过滤：只对 |delta| > 2*SE 的基因施加位移，其余基因不动。这大幅减少被扰动的基因数量，保护基因间共变结构（covariation）。-3. 预期效果：covariation 从 45.40 恢复到接近 48（接近 copy_last 的 48.44），de_recovery 因有效位移增大而提升超过 2 分。+相对父节点（抽样方差 shrinkage + 显著性过滤 |delta|>2*SE）：+1. 移除硬性显著性过滤（SIG_THRESH）。ANALYSIS 证明它不能保护 covariation，反而使被保留的显著基因位移幅度更大，covariation 从 45.40 暴跌到 34.63。shrinkage 因子 delta²/(delta²+se²) 本身已自然下调噪声基因的位移。+2. 将 ALPHA 从 0.5 降至 0.20，减小整体扰动幅度，在 de_recovery 增益与 covariation 损失之间取折中。+3. 新增逐基因位移上限：|shift| ≤ MAX_SHIFT_STD × 型内标准差（0.5σ）。防止高方差基因的极端位移导致 clip-at-0 非线性失真，保护基因间共变结构。+预期：covariation 从 34.63 恢复到 44–47 区间，de_recovery 保持 47–49，总分超过 47.37。  ## 用到的知识与出处-- 父节点 ANALYSIS 建议："把 shrinkage 分母改成均值差的抽样方差"、"只对 delta 显著的基因施加位移，其余置零"。-- 方法卡 k018：per-gene empirical Bayes shrinkage，"shrink per gene so noisy genes move less"。-- 统计学标准做法：均值差的 SE = sqrt(var/n)，用 2*SE 作为显著性阈值。+- 父节点 ANALYSIS：显著性过滤不能保护 covariation；位移越有效协方差结构破坏越大；建议 alpha 降到 0.15-0.25、对 shift 做幅度上限。+- 方法卡 k018：per-gene empirical Bayes shrinkage，shrink per gene so noisy genes move less。+- 方法卡 k012：pseudobulk_shift 定义及 copy_last 基线分数。diff --git a/solution/run.py b/solution/run.pyindex 1baa907..de8acbc 100644--- a/solution/run.py+++ b/solution/run.py@@ -18,8 +18,8 @@ from src.task1_temporal.view_io import (     write_prediction, ) -ALPHA = 0.5-SIG_THRESH = 2.0+ALPHA = 0.20+MAX_SHIFT_STD = 0.5 EPS = 1e-8  @@ -43,10 +43,12 @@ def _pseudobulk_shift(last, prev, alpha: float) -> sparse.csr_matrix:         delta = mean_last - mean_prev         var_within = X_last[m_last].var(axis=0)         se2 = var_within / max(n_last, n_prev) + EPS-        se = np.sqrt(se2)-        significant = np.abs(delta) > SIG_THRESH * se         shrinkage = delta ** 2 / (delta ** 2 + se2)-        shift[m_last] = alpha * shrinkage * delta * significant+        gene_shift = alpha * shrinkage * delta+        std_within = np.sqrt(var_within) + EPS+        cap = MAX_SHIFT_STD * std_within+        gene_shift = np.clip(gene_shift, -cap, cap)+        shift[m_last] = gene_shift      X_out = np.clip(X_last + shift, 0, None).astype(np.float32)     return sparse.csr_matrix(X_out)

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）。

没有记录调研来源。

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

native

stream

<<<<<<< SEARCH
ALPHA = 0.5
SIG_THRESH = 2.0
EPS = 1e-8


def _pseudobulk_shift(last, prev, alpha: float) -> sparse.csr_matrix:
    last_types = np.asarray(last.obs["celltype"])
    prev_types = np.asarray(prev.obs["celltype"])

    X_last = last.X.toarray() if sparse.issparse(last.X) else np.asarray(last.X, dtype=np.float32)
    X_prev = prev.X.toarray() if sparse.issparse(prev.X) else np.asarray(prev.X, dtype=np.float32)

    shift = np.zeros_like(X_last)
    for ct in np.unique(last_types):
        m_last = last_types == ct
        m_prev = prev_types == ct
        if m_prev.sum() == 0:
            continue
        n_last = int(m_last.sum())
        n_prev = int(m_prev.sum())
        mean_last = X_last[m_last].mean(axis=0)
        mean_prev = X_prev[m_prev].mean(axis=0)
        delta = mean_last - mean_prev
        var_within = X_last[m_last].var(axis=0)
        se2 = var_within / max(n_last, n_prev) + EPS
        se = np.sqrt(se2)
        significant = np.abs(delta) > SIG_THRESH * se
        shrinkage = delta ** 2 / (delta ** 2 + se2)
        shift[m_last] = alpha * shrinkage * delta * significant

    X_out = np.clip(X_last + shift, 0, None).astype(np.float32)
    return sparse.csr_matrix(X_out)
=======
ALPHA = 0.20
MAX_SHIFT_STD = 0.5
EPS = 1e-8


def _pseudobulk_shift(last, prev, alpha: float) -> sparse.csr_matrix: