总览 · ← 返回运行 20261002-204524-search-t2-heart-extrap-g24q

节点 n4

按细胞型质心速度做阻尼外推位移（去掉全局仿射分量），叠加 log-RMS 生长率缩放，表达照抄末阶段。

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 bbaaaa4685: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 1aa6ce4e2a。改动的文件：solution/EXECUTION.json +1 −0、solution/METHOD.md +30 −0、solution/README.md +3 −3、solution/run.py +126 −13

diff --git a/solution/EXECUTION.json b/solution/EXECUTION.jsonnew file mode 100644index 0000000..9d5125c--- /dev/null+++ b/solution/EXECUTION.json@@ -0,0 +1 @@+{"gpu": false}diff --git a/solution/METHOD.md b/solution/METHOD.mdnew file mode 100644index 0000000..69dd522--- /dev/null+++ b/solution/METHOD.md@@ -0,0 +1,30 @@+按细胞型质心速度做阻尼外推位移（去掉全局仿射分量），叠加 log-RMS 生长率缩放，表达照抄末阶段。++## 方法（family T2HX-01：逐细胞型质心位移外推）++1. `extrap_step(manifest)` 取 (prev, last, dt_ratio)；`dt_next = target_time − time(last)`，`step = time(last) − time(prev)`，全部由 manifest 时间差算出，不写死阶段名/时间。+2. 对两阶段都出现、且两侧细胞数 ≥ 30 的细胞型，算质心差 `d_t = centroid_last(t) − centroid_prev(t)`；只在一侧出现的型位移置 0。+3. `affine=1`（默认）：用 `lstsq` 把 `d_t` 拟合到 prev 质心位置的仿射函数上（`d ≈ [c,1]·W`），只保留**残差** `r_t = d_t − fit`。整体收缩/膨胀属于尺度效应（由第 5 步的生长缩放处理），残差才是型间重排。代理上该仿射拟合解释 73.5% 的位移平方和。+4. 位移 `shift = alpha · (dt_next/step) · r_t`，逐细胞按其型赋值；随后减去细胞加权均值（不引入全局平移）。z 分量默认保留（`T2HX_Z=1`；置 0 的实测更差，见下）。+5. 生长缩放：目标 RMS = `rms(last)·exp(g·dt_next)`，`g` 为两输入间的 log-RMS 生长率；`g ≤ 0` 时退回先验 `g = 0.58/天`。位移后的点云再各向同性缩放到该目标 RMS（缩放因子 = target_rms / 当前 rms），因此 alpha 不影响尺度指标。+6. 细胞数：末阶段细胞数夹到 `[min_cells, max_cells]`，超上限时按细胞型分层无放回抽样（`src.task2_spatial.sample.take`，与地板 `copy_last` 同一做法）。表达 = 末阶段原值（速度外推表达在本榜实测有害：树里 damped_shift 的 expression_change 49.35）。++关键参数：`alpha = 0.6`（默认，env `T2HX_ALPHA` 覆盖）、`affine = 1`、`scale = 1`、`GROWTH_PRIOR_PER_DAY = 0.58`、`MIN_TYPE_CELLS = 30`。++## 机制生效证据（代理 E8.25+E8.75 → E9.5，dt_ratio = 1.5）++- 共有型 33，其中 31 个满足 ≥30 细胞；原始位移模中位数 190.8（范围 76–327），两两余弦相似度中位数 0.506、仅 17.4% > 0.95 → **不是常数位移**；去掉仿射分量后残差余弦中位数 −0.071、8.6% > 0.95 → 型间位移方向确有差异。+- alpha=0.6 时每个细胞的坐标平均移动 93.2（坐标单位），型内相对位置不变（同型细胞共享同一平移向量，型内邻域逐位保持）。+- 四组分变化（对照 = alpha 0，即同一程序关掉位移机制）：`local_spatial` 50.00 → 50.58（neighborhood_mmd 0.11445 → 0.11181），`shape_scale` 66.58 → 66.31（d2_shape 0.04891 → 0.02711 变好，occupancy_dice 0.8148 → 0.8009 变差，两者相抵），`expression_change` / `cell_state` 恒为 50.00（表达与细胞集合未动）。榜分 54.1456 → 54.2242。+- `mechanism_off_control`：`T2HX_ALPHA=0` 时位移全为零，输出与"只做生长缩放"逐位相同（坐标/表达 max|Δ| = 0.0），榜分 54.1456；再设 `T2HX_SCALE=0` 则与父节点 `copy_last` 逐位相同（已本地比对，max|Δ| = 0.0，对应榜分 50.00）。++## 验证过 / 没验证++- 验证过（`vec-score --task T2:heart:val_extrap`，A 半，共 8 次）：alpha ∈ {0, 0.3, 0.45, 0.6, 0.75, 1.0}（3D 残差 + 生长缩放）→ 54.15 / 53.79 / 53.70 / **54.22** / 53.04 / 52.06；local_spatial 单调随 alpha 升到 50.78（alpha=1.0）但 shape_scale 因 occupancy_dice 掉到 56–57，故取 0.6。alpha ∈ {0.3, 1.0} 且 z 位移置零 → 53.92 / 51.71，比保留 z 差。不缩放只位移（alpha 0.3 / 1.0）→ 49.42 / 48.71，低于地板。`vec-check` 通过；单进程 CPU 约 4 s，峰值内存远低于 28 GB。+- 没验证：alpha 在 0.5–0.7 之间更细的网格；`affine=0` 与生长缩放的组合；真实 final 视图（三输入，prev=E8.75、last=E9.5、dt_ratio=(E10.5−E9.5)/0.75）上生长率为正、先验不会被触发，但该段位移方向无法在代理上检验（代理 prev→last 是收缩，真实是长大）。0.08 分的差距在噪声量级内，本节点相对"只做生长缩放"的确定收益是 local_spatial（所有 alpha>0 档位都 >50），榜分提升本身不显著。++## 知识来源++- 生长率先验 0.58/天：已发布阶段 E8.75 → E9.5 小鼠心脏点云 log-RMS 生长率（两个阶段都不在 T2 心脏禁窗 (8.25, 8.75) 与 9.5 < E ≤ 13.5 内，也不是保留阶段 E8.5/E10.5/E12.5）；只在两输入的实测生长率非正时作为退路，程序优先用视图内数据现算。+- z 为离散切片索引（30–40 层）：来自视图内 `spatial_3D` 第 3 列的取值结构（现场统计），故 z 位移做了开/关对照。+- 未使用任何保留阶段（E8.5/E10.5/E12.5）、禁窗或 Gata4 / β-catenin 敲除相关的数据、比例、标记基因或形态信息。diff --git a/solution/README.md b/solution/README.mdindex 0071f61..a8692c3 100644--- a/solution/README.md+++ b/solution/README.md@@ -1,4 +1,4 @@-# copy_last（T2:heart:val_extrap）+# T2HX-01 逐细胞型质心位移外推 + 生长缩放 -输出最新输入阶段（proxy：E8.75，24,826 个细胞，在上限 25,179 内，整份原样；final：E9.5，53,742 个，按细胞类型分层抽到 25,179），表达和坐标原样。这就是方法卡提交用的 damped_shift α=β=0。-proxy 预期 50.00（seed 0 实测 50.00，四组均 50，与地板逐位相同）。final 与 `data/processed/t2/T2__heart__val_extrap__damped_shift.h5ad` 抽中同一批细胞（行已排序；那份文件把坐标再缩放到整份 E9.5 的 RMS 335.0，这里是子集原值 334.9）。+run.py：两输入阶段的逐细胞型质心差（去掉全局仿射分量）× alpha(0.6) × dt_next/step，逐型平移末阶段细胞；点云再各向同性缩放到 rms(last)·exp(g·dt_next)（g 为两输入的 log-RMS 生长率，非正时退回先验 0.58/天）；表达与细胞集合照抄末阶段，超上限时按型分层抽样。+开关：T2HX_ALPHA（0 = 关闭位移机制）、T2HX_AFFINE、T2HX_SCALE、T2HX_Z。详见 METHOD.md。diff --git a/solution/run.py b/solution/run.pyindex 0595dc9..958ab5b 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,20 +1,84 @@ #!/usr/bin/env python3-"""copy_last (T2): the latest input at or before the target, with its own coordinates.+"""Per-cell-type centroid displacement extrapolation (family T2HX-01) + growth scaling. -Interpolation boards take the lower bracket stage, extrapolation boards the-last input; this is the floor's reference stage on the proxy. Cells are drawn-stratified by cell type only when the stage exceeds the board's max_cells.-Expression and coordinates are unchanged.+Mechanism (PLAN T2HX-01): for every cell type present in both input stages, the+centroid difference d_t = c_last - c_prev is a per-type velocity. It is+extrapolated over the missing interval with a damping factor alpha and the+observed step ratio dt_next / dt_prev, and applied as a rigid translation to+that type's cells in the last observed stage. Intra-type neighbourhoods are+untouched; only inter-type geometry changes. The global affine part of d_t+(the overall contraction/expansion of the embryo, which is a scale effect+rather than a rearrangement) can be projected out so that the residual,+type-specific displacement is what gets extrapolated.++Coordinates are additionally rescaled isotropically about the centroid with the+log-RMS growth rate measured between the two inputs; when that rate is+non-positive (the observed window happens to shrink) we fall back to a published+early-heart growth prior (see METHOD.md). Expression is copied from the last+observed stage.++alpha = 0 disables the displacement mechanism entirely and reduces to+copy_last (+ optional growth scaling).++Experiment overrides (env): T2HX_ALPHA, T2HX_SCALE, T2HX_AFFINE, T2HX_PRIOR. """  from __future__ import annotations  import argparse+import os  import numpy as np  from src.task2_spatial.sample import take-from src.task2_spatial.view_io import anchor_entry, load_manifest, panel_genes, read_stage, write_t2+from src.task2_spatial.view_io import (+    extrap_step,+    load_manifest,+    panel_genes,+    read_stage,+    target_time,+    write_t2,+)++MIN_TYPE_CELLS = 30+GROWTH_PRIOR_PER_DAY = 0.58  # published E8.75 -> E9.5 mouse heart log-RMS growth/day+++def env_float(name: str, default: float) -> float:+    v = os.environ.get(name)+    return float(v) if v not in (None, "") else float(default)+++def type_centroids(coords: np.ndarray, labels: np.ndarray):+    out = {}+    for t in np.unique(labels):+        m = labels == t+        if int(m.sum()) >= MIN_TYPE_CELLS:+            out[t] = (coords[m].mean(0), int(m.sum()))+    return out+++def per_type_displacement(prev, last, affine_resid: bool):+    """d_t for every shared cell type (0 for types missing from either stage)."""+    cp = type_centroids(prev.coords, prev.labels)+    cl = type_centroids(last.coords, last.labels)+    types = sorted(set(cp) & set(cl))+    disp = {t: np.zeros(3) for t in set(cp) | set(cl)}+    if len(types) < 3:+        return disp, 0.0, []+    P = np.array([cp[t][0] for t in types])+    D = np.array([cl[t][0] - cp[t][0] for t in types])+    r2 = 0.0+    if affine_resid:+        A = np.hstack([P, np.ones((len(P), 1))])+        W, *_ = np.linalg.lstsq(A, D, rcond=None)+        fit = A @ W+        r2 = float(((D - fit) ** 2).sum()) / max(float((D**2).sum()), 1e-9)+        r2 = 1.0 - r2+        D = D - fit+    for t, d in zip(types, D):+        disp[t] = d+    return disp, r2, types   def main() -> None:@@ -24,16 +88,65 @@ def main() -> None:     parser.add_argument("--seed", type=int, default=0)     args = parser.parse_args() +    alpha = env_float("T2HX_ALPHA", 0.6)+    use_scale = env_float("T2HX_SCALE", 1.0) > 0.5+    affine_resid = env_float("T2HX_AFFINE", 1.0) > 0.5+    prior = env_float("T2HX_PRIOR", GROWTH_PRIOR_PER_DAY)+     manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)-    stage = read_stage(args.data, anchor_entry(manifest), genes)-    n = int(np.clip(stage.n, manifest["min_cells"], manifest["max_cells"]))+    prev_entry, last_entry, dt_ratio = extrap_step(manifest)+    last = read_stage(args.data, last_entry, genes)+    tt = target_time(manifest)+    dt_next = max(tt - float(last_entry["time"]), 0.0)++    target_rms = float(np.sqrt((last.coords**2).sum(1).mean()))+    if use_scale:+        dt_prev = (+            float(last_entry["time"]) - float(prev_entry["time"]) if prev_entry is not None else 0.0+        )+        growth = None+        if prev_entry is not None and dt_prev > 0:+            prev = read_stage(args.data, prev_entry, genes)+            rms_p = float(np.sqrt((prev.coords**2).sum(1).mean()))+            if rms_p > 0 and target_rms > 0:+                growth = (np.log(target_rms) - np.log(rms_p)) / dt_prev+        if growth is None or growth <= 0.0:+            growth = prior+        target_rms = target_rms * float(np.clip(np.exp(growth * dt_next), 0.25, 8.0))+    scale = 1.0++    shift = np.zeros((last.n, 3))+    if alpha != 0.0 and prev_entry is not None and dt_next > 0:+        prev = read_stage(args.data, prev_entry, genes)+        disp, _r2, _types = per_type_displacement(prev, last, affine_resid)+        step = float(last_entry["time"]) - float(prev_entry["time"])+        # displacement over the missing interval, in the last stage's frame+        k = alpha * (dt_next / step if step > 0 else 1.0)+        vecs = np.zeros((last.n, 3))+        for t in np.unique(last.labels):+            d = disp.get(t)+            if d is not None:+                vecs[last.labels == t] = d+        if env_float("T2HX_Z", 1.0) < 0.5:+            vecs[:, 2] = 0.0  # z is a discrete slice index: keep the layering intact+        vecs -= vecs.mean(0)  # keep the cloud centroid fixed (no global translation)+        shift = k * vecs++    coords = last.coords.astype(np.float64) + shift+    coords = coords - (coords.mean(0) if shift.any() else 0.0)+    cur = float(np.sqrt((coords**2).sum(1).mean()))+    scale = target_rms / cur if (use_scale and cur > 0) else 1.0+    coords = coords * scale  # isotropic growth so the RMS matches the extrapolated size+     rng = np.random.default_rng(args.seed)-    if n <= stage.n:-        rows = np.sort(take(stage.labels, n, rng))-    else:  # fewer cells than min_cells: resample with replacement-        rows = np.sort(rng.choice(stage.n, size=n, replace=True))-    write_t2(args.out, stage.X[rows].toarray(), stage.coords[rows], genes, seed=args.seed)+    n = int(np.clip(last.n, manifest["min_cells"], manifest["max_cells"]))+    rows = (+        np.sort(take(last.labels, n, rng))+        if n <= last.n+        else np.sort(rng.choice(last.n, size=n, replace=True))+    )+    write_t2(args.out, last.X[rows].toarray(), coords[rows], genes, seed=args.seed)   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

做了：在父节点 copy_last 上实现 PLAN 的 T2HX-01 机制——逐细胞型质心差（去掉全局仿射分量，只留型间重排残差）× α × dt_next/step 逐型平移，再把点云各向同性缩放到按 log-RMS 生长率外推的目标 RMS；表达照抄末阶段。参数 α=0.6（网格 0/0.3/0.45/0.6/0.75/1.0）、affine 残差开、z 位移保留。

查分（8/20 次，proxy A 半）：α=0.6 → **54.2242**（local_spatial 50.58、shape_scale 66.31，其余 50.00）；机制关闭对照 α=0 → 54.1456（与只做生长缩放逐位相同），α=0+不缩放 → 与 copy_last 逐位相同（50.00）。所有 α>0 档位 local_spatial 均 >50（50.25–50.78，neighborhood_mmd 0.1145→0.1110），但 occupancy_dice 随 α 下降，榜分净增仅 +0.08（噪声量级）。`vec-check` 通过，3.5 s，seed 不变，单输入退路已守卫。

下一步最值得试：(1) 位移后重排使 occupancy_dice 不掉（如把位移限制在不越过类型边界的局部流/OT 而非整型刚体平移）；(2) local_spatial 的真正上限需要型内密度/组成也随时间演化，而不只是型间平移；(3) shape_scale 的 d2_shape 在 α≈0.6 已到 0.027，剩余增益要靠非各向同性的形状外推（如按主轴的仿射生长）。

调研员

{
  "name": "逐细胞型质心位移外推改善 local_spatial",
  "motivation": "父节点 1（copy_last）四组均 50.00（地板）。兄弟节点 3 用各向同性坐标放大把 shape_scale 提到 66.58，但 local_spatial 仍 50.00。local_spatial 衡量局部邻域结构，全局仿射变换保持邻域不变，因此需要逐型差异化位移才能改变型间空间关系。node 2（damped_shift）表达位移使 expression_change 降至 49.35，说明全局表达位移有害，但空间上的逐型位移是不同机制。",
  "approach": "步骤：1) 读入两个输入阶段（proxy 为 E7.5/E8.75 或 manifest 给出的两阶段），按 cell type 标签分组；2) 对每个在两阶段都出现的型，计算质心差 d_t = centroid_s2 - centroid_s1；3) 外推位移 shift_t = d_t * (dt_extrap/dt_obs) * alpha，alpha 为阻尼系数；4) 将 shift_t 加到末阶段该型所有细胞坐标上，表达和型内相对坐标不变；5) 若某型只出现在一个阶段，位移置零。关键参数：alpha 初值 0.3，搜索 [0.1, 0.2, 0.3, 0.5, 1.0]；dt_extrap/dt_obs 由 manifest 时间戳算出，无需手设。单输入阶段退路：若 manifest 只有一个输入阶段，无法算位移，直接退化为 copy_last。vec-score 快筛：先跑 alpha=0 确认与 copy_last 逐位一致（应 50.00），再依次跑 0.1/0.3/0.5/1.0，取最高者；若全部 ≤50 则报告机制无效。全程无训练，预计 <30 s。",
  "expected_groups": ["local_spatial"],
  "risks": "1) 心脏发育中不同型的质心位移可能高度相关（整体平移），逐型差异小，则机制退化为全局平移，无增益——Engineer 应在实现后打印各型位移向量的两两余弦相似度，若均 >0.95 则机制无区分度；2) 外推过冲（alpha 过大）导致型间重叠增加、local_spatial 反降——用多档 alpha 对比即可发现；3) 细胞型标签在两阶段不完全一致（新增/消失型）——代码需处理缺失，置零位移；4) 分数噪声约 1 分，若提升 <2 分需跑 2 个种子确认。",
  "family_id": "T2HX-01",
  "mechanism": "按细胞型计算两输入阶段的质心位移向量，以阻尼线性外推到目标时刻，对各型细胞施加不同空间位移，改变型间相对位置而保持型内邻域。",
  "vs_constant_shift": "常数位移对所有细胞施加同一向量，型间相对位置不变；本方案每个型有独立位移向量（方向和大小不同），型间距离和邻域关系被改变。若所有型的位移向量相同则退化为常数位移，可用余弦相似度验证。",
  "mechanism_evidence": "Engineer 应输出：(1) 各型位移向量的模和方向，确认型间存在差异（余弦相似度 <0.9）；(2) alpha=0 时输出与 copy_last 逐位相同；(3) 四组分各自的变化——预期 local_spatial 提升、其余三组不变（表达未动、坐标只做刚体平移型内不变）；(4) 位移前后各型质心间距的变化量。",
  "mechanism_off_control": "设 alpha=0（或命令行 --alpha 0），所有位移向量为零，输出应与 copy_last 完全一致（50.00）。若 alpha=0 结果与 alpha>0 无差异，说明位移计算有误或未生效。",
  "sources": []
}

审查员

REVIEW.json written