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

节点 n31

按PLAN实现管线末端逐型对角仿射残差校正（--shape-rho，输出残差逐PC缩放到输入方差轮廓，总量级不变）；X3 A半 ρ=±0.1/0.2/0.5 全部降 cov 与 de，机制否决，提交默认 ρ=0（与父节点逐元素一致，nnz==0）。

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 a8f3b161a3: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 488a53837a。改动的文件：solution/METHOD.md +34 −39、solution/run.py +102 −1

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 1c169a3..76b6b4b 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,55 +1,50 @@-按PLAN给型级位移加逐PC方差比重加权 w_c·clip((λ2/λ1)^β,lo,hi)；X3 A半6配置β正负双向、两种ε均单调降分，机制否决，提交β=0（与父节点逐元素一致，nnz==0）。+按PLAN实现管线末端逐型对角仿射残差校正（--shape-rho，输出残差逐PC缩放到输入方差轮廓，总量级不变）；X3 A半 ρ=±0.1/0.2/0.5 全部降 cov 与 de，机制否决，提交默认 ρ=0（与父节点逐元素一致，nnz==0）。  ## 实现（family: lowrank_shape，PLAN 指定机制） -管线 = 节点22/25（copy_last + 按型 EB 收缩位移 ×α·r + top-25 PC 低秩投影 + η=−3 局部切向扩张(k=15) + f=1.3 范数归一 + γ=0.3 位移轴逐细胞调制）。新增开关：+管线 = 节点22/25/29（copy_last + 按型 EB 收缩位移 ×α·r + top-25 PC 低秩投影 + η=−3 局部切向扩张(k=15) + f=1.3 范数归一 + γ=0.3 位移轴逐细胞调制 + β=0 wvar 关闭态）。新增末端步骤： -- `--wvar-beta`（环境变量 `VEC_WVAR_BETA`，**默认 0.0 = 关闭**）、`--wvar-lo 0.5` / `--wvar-hi 2.0`、`--wvar-min-cells 50`、`--wvar-eps {median,self}`。-- Z_s = 输入阶段 s 全部细胞的 top-25 PC 坐标（与 γ 调制共用同一 V / mu / hvg，来自 `covariation_basis`）；λ_c,m^(s) = Var(Z_s[lab_s==c, m])。-- `median` 模式（PLAN 原文）：ε = median_m λ^(1)；`self` 模式（对照实现）：ε=0，ratio 直接 = λ2/λ1，避免 median 地板给高序号 PC 引入的系统性倾斜（median 模式下 ratio 对 m>~13 恒 <1，实测每型固定 7 个 PC 触 lo clip，是与"真实方差演化"无关的索引伪信号）。-- 型在任一阶段 <50 细胞 → 回退到全体细胞的池化 ratio（PLAN 风险1 预案）；stage-2 型名在 stage-1 缺失时按 `SYNONYM_PARENTS` 取亲本池，再缺则池化。-- 重加权在 `wc = V^T dv` 之后、`tilde = V wc` 之前完成，因此 γ 调制的轴、f=1.3 局部归一的参考范数都随重加权后的 w_c' 变化（PLAN 步骤4）。-- β=0 时 `wvar_on=False`，Z1 不计算，分支完全跳过 → 逐元素还原父节点（实测 nnz==0，seed 0）；单输入视图走 `len(entries)>=2` 之外的 copy_last 分支，不受影响。视图无关：λ 全部由视图自身输入矩阵现场算出，只用相对时间差（r），不读 board/mode/路径/绝对时间。+- 开关：`--shape-rho`（env `VEC_SHAPE_RHO`，**默认 0.0 = 关闭**）、`--shape-lo 0.6` / `--shape-hi 1.67`、`--shape-min-cells 30`、`--shape-sparse`（env `VEC_SHAPE_SPARSE=1`）。+- 对每型 c（输出与 stage-2 输入均 ≥30 细胞，否则跳过）：var_in_c[k] = Z2（stage-2 全部细胞的 top-25 PC 坐标，复用已有 V/mu/hvg）型内逐维方差；var_out_c[k] = 管线输出细胞的 Zout 逐维方差。+- target_var_c[k] = mean(var_out_c)·var_in_c[k]/mean(var_in_c)（总方差量级不变，只改形状）；ratio_c[k] = sqrt(target/max(var_out,1e-8))，clip [0.6,1.67]。+- 型内中心化残差 r_i = z_out_i − mean_out_c 逐维乘 (1−ρ)+ρ·ratio_c[k]，校正以**加性 delta**（V@dZ）映回基因空间 HVG 列；dense 模式整体重写 HVG 列，sparse 模式（`--shape-sparse`）只加在既有非零元上（保持父节点稀疏结构、clamp≥0）。+- ρ=0 时分支整体跳过 → 逐元素还原父节点（实测 nnz==0）。单输入视图走 copy_last 分支，不触发。视图无关：var_in/var_out/V/mu 全部由视图输入矩阵现场计算，只用相对时间差，不读 board/mode/路径/绝对时间。 -## 机制生效证据（stderr `wvar` 行，seed 0）+## 机制生效证据（stderr `shape` 行，ρ=0.2 sparse，seed 0） -- 打印每型 sd(w)、min/max、与原始 w_c 的夹角余弦、触 clip 维数；型规模 n1/n2 一并打印（最小真实型 IFT-CM n1=133/n2=489，Endocardium 239/305，OFT/RV-CM 327/391；BEC/ST/NCC-derived 各 1 细胞 → 走池化回退 n1=1379/n2=2174）。-- `median` 模式：β=0.5 sd(w)=0.096–0.138、cos=0.99（PLAN 判据 sd>0.05 勉强达标但方向几乎未变）；β=1 sd(w)=0.15–0.21；β=2 sd(w)=0.30–0.42、cos=0.897–0.98（7 维触 clip）→ 机制确实生效。-- `self` 模式：β=1 sd(w)=0.10–0.21、cos=0.973–0.995；β=3 更强。-- 关键诊断：X3 两输入只差 0.25 天，纯 λ2/λ1 的自然 sd(log ratio)≈0.1–0.2，即"型内形状演化"信号本身很弱；要把 cos 拉到 0.9 需要 β≥2，而那已进入纯噪声放大区。+- 8 个型通过 ≥30 阈值被校正（637/652 细胞实际改变输出值）；5 个小型（BEC、NCC-derived、ST、aSHF n_out=9、pSHF n_out=3）跳过。+- sd(ratio_c) = 0.09–0.23 > 0.05（PLAN 判据）：η 扩张确实造成可测量的方差轮廓失真；mean(ratio) ≈ 0.84–0.97，即校正主要是收缩多数 PC、放大少数 PC。+- AVC-CM 与 V-CM 的 ratio 触 clip（min 0.60/0.66，max 1.67），失真最大；Endocardium 最小（sd 0.094）。 -## 对照与查分（X3 A半，共用 6 次额度；对照 = 父节点输出，seed0 = 59.69，取自节点25 METHOD 记录，未重复消耗额度）+## 对照与查分（X3 A半，5 次额度；对照 = ρ=0 = 父节点输出 seed0 = 59.69：cs 87.6 / cov 44.6 / de 50.5 / dir 49.6，取自节点25/29 METHOD 记录） -| 配置 | seed0 总分 | cell_state | covariation | de_recovery | direction |-|---|---|---|---|---|---|-| β=0（对照，= 节点22/25） | **59.69** | 87.6 | 44.6 | 50.5 | 49.6* |-| median β=+1.0 | 58.16 | 83.28 | 43.91 | 48.62 | 48.98 |-| median β=+2.0 | 56.61 | 79.60 | 43.28 | 47.75 | 48.57 |-| median β=−1.0 | 58.63 | 82.31 | 43.28 | 50.96 | 50.18 |-| median β=−2.0 | 55.29 | 70.80 | 42.80 | 51.46 | 50.50 |-| self β=+1.0 | 58.40 | 83.77 | 43.68 | 49.07 | 49.07 |-| self β=+3.0 | 56.36 | 79.02 | 42.31 | 48.18 | 48.59 |+| 配置 | cell_state | covariation | de_recovery | direction |+|---|---|---|---|---|+| ρ=0（对照，nnz==0 已验证） | 87.6 | 44.6 | 50.5 | 49.6 |+| dense ρ=+0.2 | 86.78 | **34.20** | 50.0 | 49.85 |+| sparse ρ=+0.1 | 87.56 | 44.16 | 50.0 | 49.82 |+| sparse ρ=+0.2 | 87.53 | 44.02 | 50.0 | 49.81 |+| sparse ρ=+0.5 | 87.34 | 43.69 | 50.0 | 49.81 |+| sparse ρ=−0.2 | 87.66 | 44.50 | 50.0 | 49.87 | -\* 对照分组值取自节点25 METHOD 中 β=0 seed0 查分记录（cov 44.6 区间），未额外查分。+## 结论：机制否决（PLAN 停止判据「cov 无改善即停」触发） -## 结论：机制否决（PLAN 成功判据不成立）--1. **PLAN 判据「direction 在 β>0 时 >52」完全未达成**：direction 在全部 6 个非零配置里都 ≤50.5，且 β>0 时反而低于对照（48.6–49.1）。方向组分连续 6 个节点钉在 ~50 地板，说明它不由 w_c 的 PC 内重分布决定。-2. **单调性明确、跨符号一致**：|β| 越大总分越低，β>0 与 β<0 都降，`median` 与 `self` 两种 ε 定义都降 → 不是参数没调好，而是"按型内 PC 方差比重排位移方向"这一族操作在本管线上系统性有害。-3. **主损项是 cell_state**（87.6 → 83.3 → 79.6 → 70.8），与节点24（f_m 收缩，cs↓占主导）和节点25（σ 加权局部项，cs↓）同向：本管线的高分主要来自"输出细胞紧贴 stage-2 型内经验云"，任何按 PC 重新分配型级位移的操作都会把细胞推离该云的边缘分布。-4. **de_recovery 只有 β<0（放大高序号 PC）时略升**（−1: 50.96、−2: 51.46 vs 对照 50.5），但 cs 同时暴跌 5–17，总分净降；这条 trade-off 与节点25 的 de 负信号方向相反，说明 de 对该开关的响应也不稳定，不足以单独作为判据。-5. covariation 在所有配置里都 ≤44.6（对照值），再次支持节点25 的判断：cov≈44.5 是当前 copy_last+低秩位移框架的结构性上限，PC 空间内的重加权类修补无净收益。-6. 按树内先例（节点16/24/25）：**提交默认 `--wvar-beta 0`**，机制代码与开关完整保留，输出与父节点逐元素一致（实测 `(parent != final).nnz == 0`，且同 seed 两次运行 nnz==0 确认确定性），不引入未验证的负向改动。+1. **covariation 在 ρ 正负两个方向都不升反降**，且随 |ρ| 单调（+0.1→+0.5：44.16→43.69；−0.2：44.50 仍低于对照 44.6）。把输出方差轮廓"恢复"向 stage-2 输入轮廓直接损害 cov 组分 → 评分器看重的共变结构恰恰包含 η 扩张引入的成分，或 target 轮廓（0.25 天前的输入）本身不是目标阶段的真实轮廓。+2. **de_recovery 在任何 ρ≠0 下都固定 −0.5**（50.5→50.0），与幅度无关，说明残差缩放系统性抹掉了一部分型间 DE 信号。+3. dense 模式（重写整个 HVG 列、稠密化）灾难性降 cov（34.2）：输出的零元结构本身携带被评分器利用的信号，任何稠密化都不可取；sparse 模式保住 cs/dir 但救不回 cov。+4. direction 微升 +0.2~0.3，远低于噪声线（~2），无意义。+5. 与节点 24（f_m 收缩）、25（σ 局部方向加权）、29（w_c 方差比重加权）合并结论：**凡是在 top-25 PC 空间按方差轮廓做重加权/重排/缩放的操作族（无论作用于位移还是输出残差、正负双向）都一致降分**。cov≈44.5 是当前框架结构性上限的判断再次得到支持；要攻 cov 只能换框架（按型 stage-2 重抽样 + 型内 OT/NN 映射），PLAN 风险 4 的表述成立——η 引起的失真可测量（sd(ratio)>0.05）但校正它无收益，cov 瓶颈不在方差轮廓形状。+6. 按树内先例（节点16/24/25/29）：提交默认 `--shape-rho 0`，机制代码与开关完整保留，输出与父节点逐元素一致（实测 `(parent!=rho0).nnz==0`，parent = 节点29 提交版代码同 seed 重跑），不引入未验证的负向改动。  ## 未验证 / 局限 -- 只在 X3 A半 seed0 上扫参（6 次额度）；未跑 seed1 —— 因为 6 个配置的总分降幅全部 ≥1.1（多数 ≥1.7），远超单 seed 噪声线，且单调性跨符号跨 ε 一致，seed1 复核不会改变否决结论（额度优先留给方向性判别，而非确认已明确的负结果）。-- proxy / proxy2 / final 视图未实跑（本节点分数只由 X3 决定）；但默认 β=0 时代码路径与父节点完全相同，父节点在这些视图上均已跑通。-- 未测 β 的连续中间值（如 0.25）：β=0.5 时 cos≈0.99（几乎不动），介于对照与 β=1（−1.5）之间，不可能翻正。-- 知识来源：无外部生物数据/文献；λ、V、hvg、r 全部由视图输入矩阵与相对时间差现场计算。`SYNONYM_PARENTS` 沿用父节点的通用谱系改名知识（Endothelium→Endocardium/BEC、LV-CM+RV-CM→V-CM），非保留阶段测量。+- 只在 X3 A半 seed0 扫参（5 次额度）；ρ>0 各配置降幅 0.5~10 且跨符号、跨稀疏模式单调一致，超过噪声线，未跑 seed1 复核。+- ρ 的 dense/sparse 中间形态（如仅对 top-5 PC 校正、或校正后重投影回稀疏模式）未测：cov 随 |ρ| 单调降，细分方向不可能翻正。+- proxy / proxy2 / final 视图未实跑（本节点分数只由 X3 决定）；默认 ρ=0 时代码路径与父节点完全相同，父节点在这些视图均已跑通；单输入退路（len(entries)<2 → copy_last）不受新分支影响。+- 知识来源：无外部生物数据/文献；var_in、var_out、V、hvg、r 全部由视图输入矩阵与相对时间差现场计算；SYNONYM_PARENTS 沿用父节点通用谱系改名知识。  ## 下一步建议 -- **停止在 PC 空间内做"重加权/重排"类修补**：f_m 收缩（24）、σ 局部方向加权（25）、w_c 方差比重加权（本节点）三种形式、正负双向都已试遍，全部 cs↓主导、总分单调降。低秩位移的方向自由度已被穷尽。-- direction ~50 地板更可能是"时间缩放形式"问题而非方向问题：建议下一节点直接扫 α(r) 的函数形式（α0+α1·r、按 r 分位数单调重排），只认 direction 组分 >2 分的变化；本节点未触碰该轴。-- 若仍要攻 covariation，按节点25 建议换框架（按型重抽样 + 型内 OT/最近邻映射，保留源细胞间基因-基因相关），不要再在现有位移项上加乘子。+- **判死整个 "PC 方差轮廓重加权" 机制族**（节点24/25/29/31 四种形式、作用于位移与输出两侧、正负双向均已试遍）。不要再提此类 PLAN。+- direction ~50 地板：按节点29 建议扫时间缩放形式 α(r)=α0+α1·r 或按 r 分位数重排，只认 direction >2 分变化。+- covariation：唯一未试的方向是换框架——按型从 stage-2 经验云重抽样 + 型内 OT/最近邻映射到目标，显式保留源细胞间基因-基因相关与零元结构（本节点 dense 结果证明零元结构不可破坏）。diff --git a/solution/run.py b/solution/run.pyindex df5a58e..9420c54 100644--- a/solution/run.py+++ b/solution/run.py@@ -158,6 +158,28 @@ def main() -> None:                         help="floor for lam1 in the variance ratio: 'median' = "                              "PLAN's median_m(lam1) (cross-PC), 'self' = pure "                              "per-PC ratio lam2/lam1")+    parser.add_argument("--shape-rho", type=float,+                        default=float(os.environ.get("VEC_SHAPE_RHO", "0.0")),+                        help="damping of the per-type diagonal affine residual "+                              "correction applied to the pipeline output: each "+                              "output cell's type-centered PC residual is scaled "+                              "per-PC by (1-rho)+rho*ratio_c[k], where ratio "+                              "restores the stage-2 within-type variance profile "+                              "at constant total variance. rho=0 -> skipped, "+                              "parent output element-wise.")+    parser.add_argument("--shape-lo", type=float,+                        default=float(os.environ.get("VEC_SHAPE_LO", "0.6")))+    parser.add_argument("--shape-hi", type=float,+                        default=float(os.environ.get("VEC_SHAPE_HI", "1.67")))+    parser.add_argument("--shape-sparse", action="store_true",+                        default=os.environ.get("VEC_SHAPE_SPARSE", "") == "1",+                        help="apply the residual-correction delta only at "+                              "existing nonzeros of the output (preserves the "+                              "parent's sparsity pattern)")+    parser.add_argument("--shape-min-cells", type=int,+                        default=int(os.environ.get("VEC_SHAPE_MIN_CELLS", "30")),+                        help="types with fewer cells than this (in the output or "+                              "in stage-2 input) skip the correction")     parser.add_argument("--no-time-scale", action="store_true",                         default=os.environ.get("VEC_NO_TIME_SCALE", "") == "1")     args = parser.parse_args()@@ -232,7 +254,7 @@ def main() -> None:             # PC coordinates of every stage-2 cell; for each output cell,             # g_i = mean over its kNN (excluding itself) of (z_j - z_i).             # Z2 is also needed by the gamma modulation (this node).-            if args.local_eta != 0.0 or args.gamma != 0.0:+            if args.local_eta != 0.0 or args.gamma != 0.0 or args.shape_rho != 0.0:                 Xl = last.X.tocsr()                 Z2 = (np.asarray(Xl[:, hvg].todense(), dtype=np.float64) - mu) @ V             # stage-1 PC coordinates for the variance-ratio reweighting@@ -381,6 +403,85 @@ def main() -> None:                     if Loc is not None:                         add = add + Loc[m_i, cols]                     Xs.data[lo:hi] = np.maximum(Xs.data[lo:hi] + add, 0.0)++        # Per-type diagonal affine residual correction (mechanism of this node).+        # The isotropic eta expansion flattens the within-type PC variance+        # profile of the output; here each output cell's type-centered residual+        # in PC space is scaled per dimension by (1-rho)+rho*ratio_c[k], where+        # ratio_c[k] = sqrt(target_var[k]/var_out[k]) with+        # target_var[k] = mean(var_out) * var_in[k]/mean(var_in) (same total+        # variance, input-shaped profile), clipped to [lo, hi]. var_in comes+        # from the stage-2 input cells' coordinates Z2, var_out from the+        # pipeline output cells. Correction is applied as an additive delta in+        # gene space (V @ dZ), so rho=0 leaves the output untouched.+        if args.shape_rho != 0.0 and use_proj and Z2 is not None:+            Xo = np.asarray(Xs[:, hvg].todense(), dtype=np.float64)+            Zout = (Xo - mu) @ V+            dXall = np.zeros_like(Xo) if args.shape_sparse else None+            n_corr = 0+            for t in np.unique(labs):+                om = np.flatnonzero(labs == t)+                im = np.flatnonzero(lab2 == t)+                if len(om) < args.shape_min_cells or len(im) < args.shape_min_cells:+                    print("shape %-16s SKIP n_out=%d n_in=%d" % (str(t), len(om), len(im)),+                          file=sys.stderr)+                    continue+                var_in = Z2[im].var(axis=0)+                zo = Zout[om]+                var_out = zo.var(axis=0)+                mi, mo = float(var_in.mean()), float(var_out.mean())+                if mi <= 0.0 or mo <= 0.0:+                    continue+                target = mo * (var_in / mi)+                ratio = np.clip(np.sqrt(target / np.maximum(var_out, 1e-8)),+                                args.shape_lo, args.shape_hi)+                r = zo - zo.mean(axis=0, keepdims=True)+                dZ = r * (args.shape_rho * (ratio - 1.0))[None, :]+                dX = dZ @ V.T+                if args.shape_sparse:+                    dXall[om] = dX+                else:+                    Xo[om] = np.maximum(Xo[om] + dX, 0.0)+                n_corr += len(om)+                print("shape %-16s n_out=%4d n_in=%4d sd(ratio)=%.3f min=%.2f "+                      "max=%.2f mean=%.3f" % (str(t), len(om), len(im),+                                              float(ratio.std()), float(ratio.min()),+                                              float(ratio.max()), float(ratio.mean())),+                      file=sys.stderr)+            if n_corr > 0:+                if args.shape_sparse:+                    # apply the gene-space delta only at existing nonzeros of+                    # the HVG columns (preserves the parent sparsity pattern)+                    colmap = np.full(Xs.shape[1], -1, dtype=np.int64)+                    colmap[hvg] = np.arange(len(hvg))+                    Xs = Xs.tocsr()+                    for i in range(Xs.shape[0]):+                        lo_, hi_ = Xs.indptr[i], Xs.indptr[i + 1]+                        if hi_ <= lo_:+                            continue+                        pos = colmap[Xs.indices[lo_:hi_]]+                        v = pos >= 0+                        if v.any():+                            upd = np.maximum(Xs.data[lo_:hi_][v] + dXall[i, pos[v]], 0.0)+                            Xs.data[lo_:hi_][v] = upd.astype(np.float32)+                    Xs.eliminate_zeros()+                    print("shape(sparse) corrected %d cells; nnz=%d" % (n_corr, Xs.nnz),+                          file=sys.stderr)+                else:+                    mask_hvg = np.zeros(Xs.shape[1], dtype=bool)+                    mask_hvg[hvg] = True+                    nonh = np.flatnonzero(~mask_hvg)+                    Xn = sparse.hstack(+                        [sparse.csr_matrix(Xo.astype(np.float32)), Xs[:, nonh]],+                        format="csr")+                    order = np.concatenate([hvg, nonh])+                    perm = np.empty(Xs.shape[1], dtype=np.int64)+                    perm[order] = np.arange(Xs.shape[1])+                    Xs = Xn[:, perm].tocsr()+                    Xs.eliminate_zeros()+                    print("shape corrected %d cells; nnz=%d" % (n_corr, Xs.nnz),+                          file=sys.stderr)+         X = Xs         if use_proj and diag:             print("proj diag (type, n_cells, ||proj||/||d||, corr):", file=sys.stderr)

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

**做了什么**：按 PLAN（lowrank_shape）在管线末端实现逐型对角仿射残差校正（`--shape-rho`，把输出 PC 方差轮廓恢复向 stage-2 输入轮廓，总量级不变），含 dense 与 sparse（保零元结构）两种写回模式；ρ=0 对照验证与父节点逐元素一致（nnz==0）。

**查分结果**（X3 A半，5 次额度）：机制否决——cov 在 ρ=+0.1/+0.2/+0.5/−0.2 全部低于对照 44.6（44.16/44.02/43.69/44.50）且随 |ρ| 单调，de 固定 −0.5；dense 模式稠密化灾难性降 cov 至 34.2。机制确实生效（sd(ratio)=0.09–0.23 > 0.05，637 细胞被改变）但校正无收益。提交默认 ρ=0（= 父节点输出，B半 61.73 保底），METHOD.md 写明否决证据与对照表，vec-check 通过。

**下一步最值得试**：(1) 判死整个 PC 方差轮廓重加权族（节点24/25/29/31 四种形式全败）；(2) direction ~50 地板应攻时间缩放形式 α(r)=α0+α1·r；(3) cov 若还要攻，换框架为按型 stage-2 重抽样 + 型内 OT/NN 映射，且必须保持零元结构（dense 结果证明稀疏模式本身携带被评分器利用的信号）。

调研员

 f=1.3 归一 + γ=0.3 调制）末尾新增逐型对角仿射残差校正步骤：\n\n1. 对每个型 c（≥30 细胞，否则跳过），计算 stage-2 输入细胞在 top-25 PC 空间的逐维方差 var_in_c[k] 和管线输出细胞的逐维方差 var_out_c[k]（均用已有 Z 坐标，不新增 SVD）。\n2. 构造目标方差轮廓：target_var_c[k] = mean(var_out_c) × (var_in_c[k] / mean(var_in_c))。这保持输出的总方差量级不变，只校正形状（各 PC 的相对比例）。\n3. 对角缩放因子：ratio_c[k] = sqrt(target_var_c[k] / max(var_out_c[k], 1e-8))，clip 到 [0.6, 1.67]。\n4. 阻尼应用：对每个输出细胞 i 的型内中心化残差 r_i[k] = z_out_i[k] - mean_out_c[k]，校正为 r_i[k] × ((1-ρ) + ρ × ratio_c[k])。ρ 为阻尼系数。\n5. 校正后残差加回型均值得到最终 PC 坐标，再经 V 矩阵映回基因空间（仅 HVG），非 HVG 不变。\n\n参数：ρ ∈ {0, 0.1, 0.2, 0.3, 0.5}，先跑 ρ=0（对照）和 ρ=0.2，确认方向后再扫其余。min-cells=30，低于此跳过校正。clip 范围 [0.6, 1.67] 防止极端值。\n\n单输入退路：len(entries)<2 走 copy_last，无位移无扩张，校正步骤不执行（分支在 η 之后、仅双输入路径触发）。\n\nvec-score 快筛：先跑 ρ=0 确认与父节点 nnz==0；再跑 ρ=0.2 看四组分；若 cov 无改善或 cs 降 >2 即停止。\n\n实现要点：var_in_c 和 var_out_c 均从已有 Z 坐标（n_cells × 25 矩阵）按型分组计算，O(n×25)，无需额外 SVD 或 Ledoit-Wolf 调用，30 分钟内可完成。",
  "expected_groups": ["covariation"],
  "risks": "1. η=-3 引起的方差轮廓失真可能很小（ratio≈1），校正无实际效果 → Engineer 应先打印 2-3 个主要型的 ratio_c 分布，若 sd(ratio)<0.05 则机制信号不存在，可提前终止。2. 校正可能轻微移动细胞导致 cell_state 下降 → 用 ρ≤0.3 限制幅度，若 cs 降 >2 即放弃。3. 型内细胞数不足（如 BEC/ST/NCC-derived 仅 1 细胞）→ 跳过校正，不影响。4. X3 只有 0.25 天间隔，输入输出方差差异可能极小 → 这恰恰是机制的合理测试：如果连 η 引起的失真都校正不了，说明 covariation 瓶颈不在此。5. 与节点 25 的区别：节点 25 修改了扩张方向 ĝ（改变了位移方向），本方案不修改任何位移/扩张方向，只在最后对输出残差做对角缩放（事后形状校正）。",
  "family_id": "lowrank_shape",
  "mechanism": "对管线输出细胞的型内中心化残差施加逐型对角仿射变换，将各 PC 维度的方差比例恢复向输入阶段的经验轮廓，校正 η 各向同性扩张引入的形状失真；总方差量级不变，只改相对形状。",
  "vs_constant_shift": "常数位移改变型内均值位置，不改变残差结构；本机制固定均值不变，仅对中心化残差做逐维缩放（对角仿射），改变的是群体形状（方差轮廓）而非位置。",
  "mechanism_evidence": "Engineer 应打印：(1) 每个主要型的 ratio_c 向量（25 维）的 mean/sd/min/max，证明 η 确实引起了可测量的方差轮廓失真（sd(ratio)>0.05）；(2) 校正前后逐型逐 PC 方差对比；(3) 四组分各自变化，重点看 covariation 是否 >45.5 且 cell_state 损失 <2；(4) 实际改变了多少细胞的输出值（nnz 统计）。",
  "mechanism_off_control": "ρ=0 时校正因子退化为 1.0，残差不变，输出与父节点逐元素一致（验证 (parent!=output).nnz==0）。同一程序 --shape-rho 0 即关闭。预期：ρ=0 与父节点完全相同；ρ>0 时 covariation 有 >1 分变化而 cell_state 变化 <2 分。若 ρ>0 时输出不变，说明机制未运行。",
  "sources": []
}

审查员

REVIEW.json written