总览 · ← 返回运行 20261003-004922-search-t2-embryo-interp-g24-D

节点 n19 在终选来历上

在父17扭曲抽样基座上，按细胞型用Sinkhorn OT把抽中细胞坐标向对侧阶段同型云的重心投影位移（β=1，ε=(0.05·RMS)²），表达与抽样不动；shape_scale 69.1→79.2，d2_shape 0.029→0.007，A半 60.43→62.16。

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 6b09d03bc8: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 0de2d47f6b。改动的文件：solution/METHOD.md +44 −43、solution/run.py +156 −1

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex d9bb055..de1be76 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,62 +1,63 @@-在mix扭曲抽样(t_pow=1.75)之上，把RMS插值目标的时间从真实t改为t_eff=(t+t_draw)/2、damp=0.60，使输出坐标RMS对齐评分参考的真实尺度(scale_log_ratio≈0)。+在父17扭曲抽样基座上，按细胞型用Sinkhorn OT把抽中细胞坐标向对侧阶段同型云的重心投影位移（β=1，ε=(0.05·RMS)²），表达与抽样不动；shape_scale 69.1→79.2，d2_shape 0.029→0.007，A半 60.43→62.16。 -## 方法（家族 T2EI-01，节点 15 之上的 improve）+## 方法（家族 T2EI-02，节点 17 之上的 improve） -基座与父节点 15 完全相同：括号输入（proxy: E6.75+E8.0→E7.25, t=0.4）、procrustes3d 对齐、-按 t_draw=t^1.75 分层抽真实细胞（表达坐标同行）、α=0（型均值收缩保持关闭）、细胞数用真实 t。-本节点唯一改动：**log 线性 RMS 目标的时间输入从真实 t 换成 t_eff**，-`target_rms = log_interp(rms_a, rms_b, t_eff, damp)`，环境变量 `T2EI_TEFF_MODE`：-`true`=t（父行为）、`mid`=(t+t_draw)/2、`draw`=t_draw；`T2EI_DAMP` 调阻尼。-**提交默认：mid + damp 0.60**（t_eff=0.301，target_rms=146.4）。+基座与父节点 17 完全相同（procrustes3d 对齐、t_draw=t^1.75 扭曲分层抽样、RMS 目标 t_eff=mid+damp0.60）。+本节点唯一改动：在输出坐标（jitter+scale_to_rms 之后）插入一步**纯坐标位移**： -## 网格结果（proxy A 半，seed 0，查分 8 次）+- 对每个在括号两端都出现（各 ≥5 细胞）的细胞型 τ，用 log 域 Sinkhorn（40 迭代、均匀边际、+  ε=(0.05·target_rms)²、平方欧氏代价）把该型抽中细胞重心投影到**对侧阶段同型全云**上：+  a 侧细胞位移 β·t·(proj−coord)，b 侧细胞位移 β·(1−t)·(proj−coord)，β=1.0。+- 位移后重新 scale_to_rms 到 target_rms（均匀缩放不改尺度不变形状项，只把 scale 项保持在父节点校准的峰上）。+- 表达矩阵、抽样、细胞数完全不动；单输入无括号时走父的 copy-latest 分支，位移不触发。+- 内存安全：对侧云超过 8000 细胞时按等距索引确定性下采样；代价矩阵用展开式平方距离、按行分块，+  最终视图（更大阶段）不会爆 28GB。 -| t_eff 模式 | damp | target_rms | scale_log_ratio | shape_scale | board |-|---|---:|---:|---:|---:|---:|-| draw | 0.5 | 135.4 | -0.081 | 59.67 | 58.06 |-| draw | 0.65 | 139.5 | -0.052 | 62.51 | 58.77 |-| draw | 0.8 | 143.6 | -0.022 | 66.18 | 59.69 |-| **mid** | **0.60** | **146.4** | **-0.003** | **69.13** | **60.43** |-| mid | 0.65 | 148.6 | +0.012 | 68.64 | 60.31 |-| true | 0.5（=父 15） | 149.2 | +0.016 | 67.91* | 60.12* |-| true | 0.65 | 158.3 | +0.075 | 60.75 | 58.33 |-| true | 0.8 | 167.8 | +0.134 | 56.26 | 57.21 |+环境变量：`T2EI_SHIFT_MODE`（otpair/shrink/translate）、`T2EI_BETA`、`T2EI_EPS_FRAC`、+`T2EI_COORD_SHIFT`（false=关闭机制，与父逐位相同）。提交默认 otpair/1.0/0.05/true。 -*父行取自节点 15 METHOD 网格（同口径 A 半）；本次 seed 1 同口径复测：父 59.72 → 本节点 60.02（Δ+0.31，与 seed 0 的 Δ 相同——同一 seed 下两个预测只差一个坐标缩放系数，差值是确定性的，非噪声）。mid 的 damp=0.5/0.8 两档未查分：由拟合的 scale 项（下）预测均 <66，低于已测的 mid/0.60，省下额度。+## 网格结果（proxy A 半，seed 0，查分 13 次，余 3） -## 机制证据（PLAN 要求的四项）+| 变体 | 配置 | 榜分 | shape_scale | local_spatial | d2_shape | occ_dice |+|---|---|---:|---:|---:|---:|---:|+| 对照 | COORD_SHIFT=false | **60.43**（=父） | 69.13 | 59.04 | 0.0287 | 0.795 |+| shrink（PLAN 原案） | β=0.05 / 0.10 / 0.15 | 60.39 / 60.07 / 59.64 | 69.55 / 68.69 / 67.55 | 58.47 / 58.04 / 57.46 | 0.0290 / 0.0298 / 0.0314 | 0.803 / 0.793 / 0.779 |+| translate（型质心刚体平移） | β=0.25 / 0.5 / 1.0 | 60.56 / 60.51 / 60.04 | 70.03 / 70.50 / 70.15 | 58.65 / 57.99 / 56.48 | 0.0260 / 0.0242 / 0.0236 | 0.797 / 0.796 / 0.787 |+| otpair | β=0.3 / 0.6 / **1.0** / 1.4（ε=0.10·0.3–1.4 见下） | 61.18 / 61.76 / **61.88** / 61.31 | 72.78 / 76.83 / 78.60 / 76.42 | 58.42 / 56.65 / 55.40 / 55.28 | 0.0192 / 0.0119 / 0.0093 / 0.0107 | 0.807 / 0.824 / 0.832 / 0.812 |+| otpair β=1.0 | ε_frac=0.02 / **0.05** / 0.07 / 0.20 | 62.01 / **62.16** / 61.93 / 61.72 | 77.78 / **79.24** / 78.56 / 77.68 | 56.73 / 55.86 / 55.62 / 55.64 | 0.0125 / **0.0074** / — / 0.0103 | 0.838 / 0.828 / — / 0.826 |+| otpair β=0.7 | ε_frac=0.05 | 61.98 | 77.75 | 56.63 | 0.0107 | 0.829 |+| **提交（seed 1）** | otpair β=1.0 ε=0.05 | **61.75** | 79.37 | 55.41 | — | — | -1. **target_rms 数值差异明显**：draw 0.5→135.4、mid 0.60→146.4、true 0.5→149.2、true 0.8→167.8（运行日志逐条记录 t_eff/target_rms）。-2. **输出实测 RMS 与 target 吻合**：所有配置 out_rms == target_rms（日志），如 mid/0.60 的 out_rms=146.39。-3. **四组分各自变化**：expression_change 60.27 与 cell_state 53.27 在全网格**逐位不变**（表达矩阵与抽样未动，只有坐标缩放），local_spatial 59.04 不变（邻域结构对均匀缩放不敏感），只有 shape_scale 随 RMS 单调变化——证实这是纯几何缩放修正，不是组成/表达效应。-4. **scale 项拟合**：shape_scale 对 scale_log_ratio 在近峰区呈二次型，峰在 ratio≈+0.001（即 out_rms≈147.0，恰为 E7.25 参考的真实 RMS，与方法卡"真值 147"一致）；父节点 ratio=+0.016 略过冲，mid/0.60 的 ratio=-0.003 几乎压在峰上。+（otpair β 网格在 ε_frac=0.10 下扫；随后固定 β=1.0 扫 ε。所有行 expression_change=60.27、cell_state=53.27 逐位不变。） -**PLAN 风险 1 的判定**：draw 三档 shape_scale 全部 <69 且低于父——"RMS 失配导致扭曲后 shape 下降"的原假设**被证伪**：全部 9+2 档里 d2_shape=0.02874、occupancy_dice=0.7952 逐位相同（这两个形状量对均匀缩放不变），扭曲造成的 75.2→67.9 损失来自形状项（早端细胞占比高改变了点云形状/占据），RMS 只能修掉 scale 项里剩余的小部分（67.9→69.1）。据 PLAN 提前停止了 draw/true 方向的扩展，只在近峰处细化了 mid 的 damp（0.65→0.60）。+## 机制证据（PLAN 四项，按实际变体记录） -## 对照（mechanism_off_control）+1. **对照逐位相同**：`T2EI_COORD_SHIFT=false` 跳过全部新代码路径，得分与父节点 A 半记录完全一致（60.4288 vs 父 60.43）；重写后的内存安全 Sinkhorn 与重写前输出 coords 逐位相同（max diff 0.0）。+2. **表达/抽样未动**：全网格 expression_change（60.27）与 cell_state（53.27）逐位不变，de/mmd_u/variogram 指标逐位相同——只有坐标两组变化。+3. **按型位移非常数**：otpair β=1.0 位移 3381 细胞、11 型（22 个型×侧块），逐块位移 L2 均值 26.7–95.1，方向和幅度各异；每个细胞的目标是 OT 重心投影（型内流形匹配），不是同一向量。+4. **形状效应非尺度效应**：位移后 RMS 146.39→141.55（−3.3%），随后重缩放回 target_rms，scale_log_ratio 全程 −0.003（父校准峰位）；shape_scale 增益全部来自尺度不变项：d2_shape 0.0287→0.0074、occupancy_dice 0.795→0.828。shape_scale 79.2 已超过无扭曲种子节点 2 的 74.4——扭曲抽样造成的形状缺口被补齐并反超。 -`T2EI_TEFF_MODE=true T2EI_DAMP=0.5` 的输出与父节点 15 的 run.py 原样重跑**逐位相同**-（.X 与 obsm["spatial_3D"] 均 array_equal，改默认值后复验通过），确认重写无副作用。+**与 PLAN 的偏离（如实记录）**：PLAN 指定的是"向插值型质心收缩"（shrink），网格证伪——收缩压扁型内分布，+d2_shape 反而变差、local_spatial 单调掉分，按 PLAN 第 9 条应回退 β=0。同族的两个替代实现里，+型质心刚体平移（translate）净增益≈0，**型内 OT 重心配对（otpair）大幅有效**：它不只修型质心位置，+还把 a/b 两侧同型云的相对构型收拢到中间态。提交的是 otpair，机制仍是"按细胞型的坐标位移、表达抽样不动"（T2EI-02 家族内）。+代价：local_spatial 59.04→55.86（a/b 亚云合并使邻域内表达更混杂，neighborhood_mmd 0.0531→0.0604），+净 +1.73 分且 seed 0/1 一致（61.75 vs 父 seed1 ~60.0，Δ 相同），非噪声。  ## 生物学依据与知识来源 -无外部数据、无文献数值、无保留阶段信息。t_eff=(t+t_draw)/2 与 damp=0.60 是纯数据驱动参数，-语义是"坐标缩放目标应介于真实时间与抽样组成的等效时间之间"；其选择依据是 proxy 上-scale_log_ratio→0（输出 RMS 逼近目标阶段真实 RMS）这一可测量的几何一致性，不依赖任何禁窗知识。+无外部数据、无文献数值、无保留阶段信息。位移目标全部由视图内两个输入阶段的坐标和 celltype 标签现场计算；+t、t_draw、ε 均为相对量。OT/Sinkhorn 是通用算法（Cuturi 2013 常识性方法），不编码任何禁窗知识。  ## 验证与未验证 -- 验证：seed 0 重跑逐位相同（确定性）；seed 0/1 均过 vec-check；对照逐位相同；代码只用相对时间差-  t、t_draw、t_eff（对伪装视图时间平移不变），只读 manifest 列出的文件，无 board/mode 分支；-  单输入退路（无括号→copy latest 分层抽样）沿用父节点，未涉及 RMS 插值，不会崩。-- 未验证：final 括号（t=1/3，t_draw≈0.157，t_eff≈0.245，damp·t_eff=0.147 vs 父 0.167）——RMS 目标比父-  低约 2%，方向上是把过冲往回修，与 proxy 结论一致，但没有 final 真值可查；B 半分数。-- 增量幅度：A 半 +0.31（60.12→60.43），小于榜间噪声（~1 分），但同 seed 下为确定性差值且方向有-  几何依据（ratio +0.016→-0.003），预期能迁移；不应期待更大提升。-- 运行 ~2s、峰值内存 <1GB（CPU，EXECUTION.json gpu:false）。查分 8/20 次。+- 验证：seed 0 重跑逐位相同（确定性，Sinkhorn 无随机）；seed 0/1 过 vec-check；对照与父逐分一致；+  只用相对时间差，无 board/mode/绝对时间分支（伪装视图平移不变）；只读 manifest 列出的文件；运行 16s、峰值内存远低于限额。+- 未验证：真实 final 视图（E7.25+E8.0→E7.75，阶段更大）上 otpair 的运行时间（已做 8000 上限+分块防护，预计 <5min）；+  B 半分数；local_spatial 权重在 B 半是否放大（若放大，β=0.6–0.7 更稳，A 半仍有 61.8–62.0）。  ## 下一步建议 -shape_scale 剩余的 ~6 分损失（69 vs 线性抽样的 75）全部在尺度不变的形状项（d2_shape、occupancy_dice）里，-只能靠改坐标点云本身修复：例如抽出的晚端细胞坐标向括号几何中间态做小幅 OT/插值位移（保表达不动），-或按类型差异化 t_pow（ANALYSIS 建议 4）以同时改善组成与形状。+- β 或位移权重按型自适应（细胞数多的型少移，保护邻域）；+- otpair 与节点 16 的成熟度选择组合（cell_state 再 +2）；+- local_spatial 回收：位移后按原坐标 kNN 做轻微局部平滑。diff --git a/solution/run.py b/solution/run.pyindex f32fe57..cd96f51 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,5 +1,30 @@ #!/usr/bin/env python3-"""mix with time-warped draw + RMS target at an effective time (shipped: TEFF=mid, DAMP=0.60, TPOW=1.75).+"""Node 19 (family T2EI-02): parent-17 mix pipeline + per-type OT coordinate displacement.++Shipped change (vs parent 17): after the drawn cloud is jittered and scaled to+target_rms, each drawn cell of a type present in BOTH bracket stages moves by+beta*w_side*(barycentric OT projection onto the opposite stage's same-type+cloud - own coord), w_side = t for a-cells, (1-t) for b-cells+(T2EI_SHIFT_MODE=otpair, T2EI_BETA=1.0, eps=(T2EI_EPS_FRAC*target_rms)^2 with+EPS_FRAC=0.05, log-domain Sinkhorn, 40 iters, uniform marginals, deterministic+stride subsample of the opposite cloud above 8000 cells for memory safety).+Then coords are rescaled to target_rms so the calibrated scale term is kept+and only the scale-invariant shape terms change. Expression, sampling and cell+counts are untouched (expression_change / cell_state bit-identical across the+whole grid). Proxy A-half: 60.43 (parent) -> 62.16 (seed 0), 61.75 (seed 1);+d2_shape 0.0287 -> 0.0074, occupancy_dice 0.795 -> 0.828, shape_scale+69.13 -> 79.24, local_spatial 59.04 -> 55.86 (paid cost: a/b sub-clouds of a+type merge). PLAN's original centroid-shrink variant was measured harmful+(board 60.39/60.07/59.64 at beta 0.05/0.10/0.15: within-type compression+destroys neighborhoods) and a rigid centroid-translate variant was ~neutral+(best 60.56); cell-level OT pairing is what works. Mechanism-off control+(T2EI_COORD_SHIFT=false) skips all new code and is bit-identical to parent 17+(ctrl scored exactly the parent's 60.4288). Modes 'shrink'/'translate' kept+behind env for reproduction.++Parent-17 base follows.++mix with time-warped draw + RMS target at an effective time (shipped: TEFF=mid, DAMP=0.60, TPOW=1.75).  Base is the node-15 mix pipeline (bracketing inputs, Procrustes3d alignment, stratified draw of real cells with t_draw = t**TPOW, expression and coordinates@@ -45,6 +70,128 @@ ALPHA = float(os.environ.get("T2EI_ALPHA", "0.0")) TPOW = float(os.environ.get("T2EI_TPOW", "1.75")) TEFF_MODE = os.environ.get("T2EI_TEFF_MODE", "mid") MIN_TYPE_N = 5+BETA = float(os.environ.get("T2EI_BETA", "1.0"))+SHIFT_MODE = os.environ.get("T2EI_SHIFT_MODE", "otpair")+EPS_FRAC = float(os.environ.get("T2EI_EPS_FRAC", "0.05"))+COORD_SHIFT = os.environ.get("T2EI_COORD_SHIFT", "true").strip().lower() not in {"0", "false", "no", "off"}+++def type_centroids(coords: np.ndarray, labels, min_n: int = MIN_TYPE_N) -> dict:+    """Per-type coordinate centroids of one (aligned, scaled) stage cloud."""+    labs = np.asarray(labels).astype(str)+    x = np.asarray(coords, dtype=np.float64)+    out = {}+    for lab in np.unique(labs):+        idx = np.flatnonzero(labs == lab)+        if idx.size >= min_n:+            out[str(lab)] = x[idx].mean(axis=0)+    return out+++MAX_OPP = 8000+++def _sinkhorn_bary(src: np.ndarray, dst: np.ndarray, eps: float, iters: int = 40) -> np.ndarray:+    """Barycentric OT projection of src onto dst (uniform marginals, log-domain Sinkhorn).++    Memory-safe: cost via the expanded squared-distance form, deterministic+    stride subsample of dst when it exceeds MAX_OPP, row-chunked updates.+    """+    from scipy.special import logsumexp+    if dst.shape[0] > MAX_OPP:+        idx = np.unique(np.linspace(0, dst.shape[0] - 1, MAX_OPP).round().astype(int))+        dst = dst[idx]+    src = np.ascontiguousarray(src, dtype=np.float64)+    dst = np.ascontiguousarray(dst, dtype=np.float64)+    s2 = (src * src).sum(1)[:, None]+    d2 = (dst * dst).sum(1)[None, :]+    C = s2 + d2 - 2.0 * (src @ dst.T)+    np.maximum(C, 0.0, out=C)+    n, m = C.shape+    log_n = -np.log(n)+    log_nu = np.full((1, m), -np.log(m))+    g = np.zeros((1, m))+    chunk = max(1, int(4_000_000 // max(m, 1)))+    for _ in range(iters):+        f = np.empty((n, 1))+        for s in range(0, n, chunk):+            blk = (g - C[s:s + chunk]) / eps + log_nu+            f[s:s + chunk, 0] = -eps * logsumexp(blk, axis=1)+        g = -eps * (logsumexp((f - C) / eps + log_n, axis=0, keepdims=True))+    out = np.empty_like(src)+    for s in range(0, n, chunk):+        logw = (g - C[s:s + chunk]) / eps+        logw -= logsumexp(logw, axis=1, keepdims=True)+        out[s:s + chunk] = np.exp(logw) @ dst+    return out+++def centroid_shift(coords: np.ndarray, labs_out: np.ndarray, ca, cb, labels_a, labels_b, t: float, beta: float, mode: str = "shrink", n_a_cells: int = 0, eps: float = 1.0) -> dict:+    """Move each cell a fraction beta toward its type's centroid at time t.++    mu_t[tau] = (1-t)*mu_a[tau] + t*mu_b[tau]; coord += beta*(mu_t - coord).+    Types present (with >= min_n cells) in only one bracket stage are skipped.+    """+    mu_a = type_centroids(ca, labels_a)+    mu_b = type_centroids(cb, labels_b)+    labs_a_str = np.asarray(labels_a).astype(str)+    labs_b_str = np.asarray(labels_b).astype(str)+    shared = sorted(set(mu_a) & set(mu_b))+    rms_before = rms_radius(coords)+    n_moved = 0+    vec_norms = []+    disp_norms = []+    for lab in shared:+        rows = np.flatnonzero(labs_out == lab)+        if rows.size == 0:+            continue+        mu_t = (1.0 - float(t)) * mu_a[lab] + float(t) * mu_b[lab]+        if mode == "otpair":+            rows_a = rows[rows < n_a_cells]+            rows_b = rows[rows >= n_a_cells]+            full_a = np.flatnonzero(labs_a_str == lab)+            full_b = np.flatnonzero(labs_b_str == lab)+            for r, w, opp in ((rows_a, beta * float(t), full_b), (rows_b, beta * (1.0 - float(t)), full_a)):+                if r.size == 0 or opp.size < MIN_TYPE_N:+                    continue+                opp_coords = cb[opp] if opp is full_b else ca[opp]+                tgt = _sinkhorn_bary(coords[r], opp_coords, eps)+                step = w * (tgt - coords[r])+                coords[r] = coords[r] + step+                n_moved += int(r.size)+                dnorm = np.linalg.norm(step, axis=1)+                vec_norms.append(float(dnorm.mean()) / max(w, 1e-9))+                disp_norms.append(float(dnorm.mean()))+        elif mode == "translate":+            for sl, mu_s in ((slice(0, n_a_cells), mu_a[lab]), (slice(n_a_cells, len(labs_out)), mu_b[lab])):+                r = rows[(rows >= sl.start) & (rows < sl.stop)]+                if r.size == 0:+                    continue+                vec = beta * (mu_t - mu_s)+                coords[r] = coords[r] + vec[None, :]+                n_moved += int(r.size)+                vec_norms.append(float(np.linalg.norm(vec)))+                disp_norms.append(float(np.linalg.norm(vec)))+        else:+            d = coords[rows]+            vec = mu_t[None, :] - d+            coords[rows] = d + beta * vec+            n_moved += int(rows.size)+            vec_norms.append(float(np.linalg.norm(vec, axis=1).mean()))+            disp_norms.append(float(beta * np.linalg.norm(vec, axis=1).mean()))+    rms_after = rms_radius(coords)+    return {+        "shift_mode": mode,+        "shift_types": len(shared),+        "shift_types_used": len(vec_norms),+        "shift_cells": n_moved,+        "shift_vec_l2_mean": float(np.mean(vec_norms)) if vec_norms else 0.0,+        "shift_disp_l2_mean": float(np.mean(disp_norms)) if disp_norms else 0.0,+        "shift_disp_l2_per_type": [round(v, 4) for v in disp_norms],+        "shift_rms_before": rms_before,+        "shift_rms_after": rms_after,+        "shift_rms_rel_change": float(abs(rms_after - rms_before) / max(rms_before, 1e-9)),+    }   def effective_time(t: float, t_draw: float, mode: str) -> float:@@ -130,6 +277,12 @@ def main() -> None:     coords = _jitter(np.vstack([np.asarray(ca[ia], dtype=np.float64), np.asarray(cb[ib], dtype=np.float64)]), rng)     coords = scale_to_rms(coords, target_rms) +    shift_stats = {}+    if COORD_SHIFT and BETA > 0.0:+        labs_out = np.concatenate([np.asarray(stage_a.labels).astype(str)[ia], np.asarray(stage_b.labels).astype(str)[ib]])+        shift_stats = centroid_shift(coords, labs_out, ca, cb, stage_a.labels, stage_b.labels, t, BETA, SHIFT_MODE, int(ia.size), (EPS_FRAC * target_rms) ** 2)+        coords = scale_to_rms(coords, target_rms)+     moved, var_ratio, wsum = 0, float("nan"), 0     if ALPHA > 0.0:         labels_out = np.concatenate([np.asarray(stage_a.labels)[ia], np.asarray(stage_b.labels)[ib]])@@ -144,6 +297,8 @@ def main() -> None:         "n_shared_types": ainfo.get("n_shared_types"), "z_dot": ainfo.get("z_dot"),         "z_flipped": ainfo.get("z_flipped"), "align": align,         "cells_moved": moved, "within_type_var_ratio": var_ratio,+        "beta": BETA if (COORD_SHIFT and BETA > 0.0) else 0.0, "coord_shift": bool(COORD_SHIFT),+        **shift_stats,     }     print(json.dumps({"bracket": [a["stage"], b["stage"]], **info}, default=float), file=sys.stderr)     write_t2(args.out, expr, coords.astype(np.float32), genes, 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）。

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。总结：

**做了什么**：在父节点 17（扭曲抽样 mix + t_eff RMS 校准）之上实现家族 T2EI-02 坐标位移。PLAN 原案的"向型质心收缩"被网格证伪（β=0.05/0.10/0.15 → 60.39/60.07/59.64，压缩型内分布毁邻域）；改在同族内实现**型内 Sinkhorn OT 重心配对位移**（每个抽中细胞向对侧阶段同型云的重心投影移动 β·t 或 β·(1−t)，之后重缩放回 target_rms），表达与抽样完全不动。

**查分**（A 半，13/20 次）：对照 = 父 60.43（逐位一致）；提交配置 otpair β=1.0、ε=(0.05·RMS)² → **62.16**（seed 1: 61.75，Δ 一致非噪声）。shape_scale 69.1→79.2（超过无扭曲种子的 74.4），d2_shape 0.0287→0.0074，occupancy 0.795→0.828；代价 local_spatial 59.0→55.9，净 +1.73。确定性、vec-check、单输入退路、内存防护（对侧云 8000 上限+分块）均验证。

**下一步最值得试**：① 与节点 16 成熟度选择组合（cell_state +2 与 shape +9 可能可叠加）；② 按型细胞数自适应位移权重回收 local_spatial；③ β=0.6–0.7 作为 B 半更稳的备选（61.8–62.0）。

调研员

{
  "name": "扭曲抽样后按型质心向目标时间插值坐标位移（修shape项）",
  "motivation": "父节点17 shape_scale=70.25，仍比无扭曲的节点2低4.2分（74.43）。ANALYSIS证实剩余损失全在尺度不变的d2_shape/occupancy_dice（全网格逐位相同），源于t_draw=1.75使点云形状偏向早端。cell_state=54.61虽最弱，但节点16已证明成熟度选择可修（+2.17），本节点专攻shape这一已定位的结构缺口：坐标点云几何形态与目标阶段不匹配。",
  "approach": "在父节点17管线（procrustes3d对齐→scale_to_rms→t_draw分层抽样→jitter）的坐标输出后、写文件前，插入一步坐标位移：\n1. 计算对齐+缩放后a端和b端各细胞型的坐标质心 μ_a[τ], μ_b[τ]（用type_means逻辑，MIN_TYPE_N=5，不足则跳过该型）。\n2. 目标质心 μ_t[τ] = (1−t)·μ_a[τ] + t·μ_b[τ]。\n3. 对每个抽中细胞（型τ，来源侧s），坐标位移：coord_new = coord + β·(μ_t[τ] − coord)。\n4. β网格：{0.05, 0.10, 0.15, 0.20, 0.30}，加β=0对照（=父输出）。\n5. 用vec-score查A半，先看shape_scale变化；若shape_scale单调升且其他组不降，取最优β提交。\n6. 单输入退路：无括号时走父节点copy-latest分支，不触发位移，不受影响。\n7. 环境变量：T2EI_BETA（默认0.10）、T2EI_COORD_SHIFT=true/false。\n8. 日志记录每型位移向量的L2均值、位移后点云RMS变化（应<1%）、d2_shape相关诊断（如可打印）。\n9. 若β网格显示shape_scale提升>1分且cell_state/expression_change逐位不变，提交最优β；否则提交β=0（=父）。",
  "expected_groups": ["shape_scale"],
  "risks": "1) 型质心插值方向可能与目标形状修正方向不一致（型内坐标分布非凸时质心不代表形状），表现为β增大但shape_scale不升或降——Engineer在β=0.05首次查分即可判断方向；2) β过大破坏局部邻域结构致local_spatial下降——若β=0.15时local_spatial降>1分则停止增大；3) 提升幅度<1分噪声——用同seed确定性对比（β=0.05 vs β=0，同seed下差值非噪声）确认方向。",
  "family_id": "T2EI-02",
  "mechanism": "按细胞型将坐标向目标时间t的型质心做小比例线性插值位移，修正扭曲抽样导致的点云形状偏斜（d2_shape/occupancy_dice），不改表达、不改抽样组成。",
  "vs_constant_shift": "常数位移对所有细胞施加同一向量（平移/缩放），不改变形状；本机制按型计算不同的目标质心方向，各型细胞位移方向和幅度不同，改变点云的相对几何构型（d2_shape），是形状修正而非刚体变换。",
  "mechanism_evidence": "1) β=0输出与父节点17逐位相同（array_equal）；2) β>0时shape_scale变化≥1分而cell_state和expression_change逐位不变（表达未动）；3) 日志中各型位移向量L2均值>0且方向各异（非常数向量）；4) 位移后RMS变化<1%（确认是形状效应非尺度效应）。",
  "mechanism_off_control": "T2EI_COORD_SHIFT=false（等价β=0）：跳过位移步骤，输出与父节点17逐位相同。预期差别：β>0时只有shape_scale变化，其余三组逐位不变；若β>0而四组全部不变，说明机制未生效（质心计算错误或跳过逻辑触发）。"
}

审查员

REVIEW.json written