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

节点 n31

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 837053599d: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 28cb57d3b8。改动的文件：solution/METHOD.md +6 −10、solution/run.py +11 −2

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 6b9b4f9..fdf016e 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,12 +1,8 @@ ## 改了什么-从 ot_moscot（Waddington-OT 耦合 + 重心位移外推）改为 graph_fate 家族的最小实现：在两个输入阶段的联合 PCA 上建 kNN 图，用 DPT 伪时间（根选为增殖得分最高的细胞）驱动 CellRank PseudotimeKernel 得到转移矩阵，每个输出细胞沿其图后继（最新阶段细胞）的加权均值方向移动一步。与 OT 方法的区别：后继状态来自图上的局部转移，同型细胞可走向不同方向；不依赖全局耦合矩阵。保留了生长率加权重抽样和 addnz 解码。机制对照：MECHANISM_ON=False 时不做前推，等价于生长加权的 copy_last。单输入阶段（proxy）退化为生长加权重抽样。--第 1 轮修复：CellRank transition_matrix 返回稀疏矩阵，.sum(axis=1, keepdims=True) 不支持，改为 .todense() 转稠密再操作。--第 2 轮修复：第 1 轮 cell_state=3.5、covariation=3.26 极低，原因是 succ_mean 是全群加权均值（过于平滑），LAMBDA=1 时步长过大导致细胞身份和共变结构被破坏。修改：(1) LAMBDA 从 1.0 降到 0.15，保留方向信号但不过度平滑；(2) 对每个细胞的转移行只保留 top-30 后继（稀疏化），使后继均值更局部、更少平滑效应。方向分（56.9）已高于父节点（49.14），说明图转移方向正确，只需控制步长幅度。+相对父节点（node 28）的全部改动：(1) 位移目标从 `succ_mean - X` 改为 `succ_mean - knn_mean(X)`（方向信号 = 后继均值减 kNN 平滑基线），避免把细胞拉向平滑原型；(2) 恢复 `step *= X > 0` 约束，只在已表达基因上施加位移，保留稀疏结构和基因共变；(3) LAMBDA 从 0.15 调为 0.08；(4) 新增逐细胞 L2 步长上限：步长范数不超过该细胞表达范数的 STEP_FRAC=5%，防止方向信号过大的细胞被过度位移而丢失身份。预期：cell_state 从 47.72 回升到 ~50+（上限约束保护极端细胞），covariation 维持 ~53，direction 略降但仍在 50+。 ## 用到的知识与出处-- k041：scanpy DPT + CellRank PseudotimeKernel 的离线工具链用法（Wolf et al., Genome Biol 2019, 10.1186/s13059-019-1663-x; Weiler et al., Nat Methods 2024, 10.1038/s41592-024-02303-9）。-- k038：T1 无 spliced/unspliced，不能用 velocity kernel，用 PseudotimeKernel 替代。-- 根选择：用增殖得分（moscot 小鼠增殖基因列表，来自 WOT 论文 Schiebinger et al., Cell 2019, 10.1016/j.cell.2019.01.006）最高的细胞作 DPT 根，不依赖目标数据。-- 方向库 graph_fate 条目的最小实现说明。-- addnz 解码与步长控制来自父节点 ot_moscot 的经验（G37 候选）。+- 父节点 ANALYSIS next_suggestions #1：\"对 step 施加逐细胞 L2 上限（如不超过该细胞表达总量的 5%），验证 cell_state 能否回到 ~50 同时保留 direction/covariation 收益\"。+- 第 0 轮实验：去掉 X>0 mask 导致 covariation 从 61.69 跌到 41.75。+- 第 1 轮实验：LAMBDA=0.10 时 cell_state=47.72，仍低于目标 ~50。+- g37_common.knn_mean：kNN 平滑（Wolf et al., Genome Biol 2019）。+- k041：CellRank PseudotimeKernel（Weiler et al., Nat Methods 2024, 10.1038/s41592-024-02303-9）。diff --git a/solution/run.py b/solution/run.pyindex 88c1d85..2b0013d 100644--- a/solution/run.py+++ b/solution/run.py@@ -38,8 +38,9 @@ N_HVG = 2000 N_PCS = 30 K_GRAPH = 30 K_SMOOTH = 30-LAMBDA = 0.15+LAMBDA = 0.08 TOP_K_SUCC = 30+STEP_FRAC = 0.05 GROWTH = True N_THREADS = 8 MECHANISM_ON = True@@ -130,10 +131,18 @@ def main() -> None:     Xl_dense = torch.from_numpy(last.X.toarray())     succ_mean = (torch.from_numpy(last_to_all.astype(np.float32)) @ Xl_dense).numpy() +    knn_baseline = knn_mean(Zl, last.X, rows, K_SMOOTH)+     X = last.X[rows].toarray()-    step = (succ_mean - X) * (LAMBDA * dt_out / dt_in)+    direction_signal = succ_mean - knn_baseline+    step = direction_signal * (LAMBDA * dt_out / dt_in)     step[:, ~mask] = 0.0     step *= X > 0+    step_norm = np.linalg.norm(step, axis=1, keepdims=True)+    cell_norm = np.linalg.norm(X, axis=1, keepdims=True)+    max_step = STEP_FRAC * np.maximum(cell_norm, 1e-8)+    scale = np.where(step_norm > max_step, max_step / np.maximum(step_norm, 1e-8), 1.0)+    step *= scale     X += step     np.maximum(X, 0.0, out=X)     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）。

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

Looking at round 1 results: cell_state 47.72 is still the weakest component. The direction signal still displaces some cells too far. I'll add a per-cell L2 norm cap on the step (proportional to the cell's expression magnitude) and slightly reduce LAMBDA to 0.08.

<<<<<<< SEARCH
LAMBDA = 0.10
TOP_K_SUCC = 30
=======
LAMBDA = 0.08
TOP_K_SUCC = 30
STEP_FRAC = 0.05
>>>>>>> REPLACE

<<<<<<< SEARCH
    X = last.X[rows].toarray()
    direction_signal = succ_mean - knn_baseline
    step = direction_signal * (LAMBDA * dt_out / dt_in)
    step[:, ~mask] = 0.0
    step *= X > 0
    X += step
    np.maximum(X, 0.0, out=X)
    write_prediction(X, genes, args.out, seed=args.seed)
=======
    X = last.X[rows].toarray()
    direction_signal = succ_mean - knn_baseline
    step = direction_signal * (LAMBDA * dt_out / dt_in)
    step[:, ~mask] = 0.0
    step *= X > 0
    step_norm = np.linalg.norm(step, axis=1, keepdims=True)
    cell_norm = np.linalg.norm(X, axis=1, keepdims=True)
    max_step = STEP_FRAC * np.maximum(cell_norm, 1e-8)
    scale = np.where(step_norm > max_step, max_step / np.maximum(step_norm, 1e-8), 1.0)
    step *= scale
    X += step
    np.maximum(X, 0.0, out=X)
    write_prediction(X, genes, args.out, seed=args.seed)
>>>>>>> REPLACE

```METHOD
## 改了什么
相对父节点（node 28）的全部改动：(1) 位移目标从 `succ_mean - X` 改为 `succ_mean - knn_mean(X)`（方向信号 = 后继均值减 kNN 平滑基线），避免把细胞拉向平滑原型；(2) 恢复 `step *= X > 0` 约束，只在已表达基因上施加位移，保留稀疏结构和基因共变；(3) LAMBDA 从 0.15 调为 0.08；(4) 新增逐细胞 L2 步长上限：步长范数不超过该细胞表达范数的 STEP_FRAC=5%，防止方向信号过大的细胞被过度位移而丢失身份。预期：cell_state 从 47.72 回升到 ~50+（上限约束保护极端细胞），covariation 维持 ~53，direction 略降但仍在 50+。
## 用到的知识与出处