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

节点 n12 在终选来历上

在 mix（节点2）上实现型×基因时间趋势位移（同名/伪批量相关配对+全局回退，±0.5SD 裁剪）；6 档强度全部低于关闭对照，按 PLAN 止损条款以 trend=0（与父节点逐位一致）提交。

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 7c5a1fbaee: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 33a8f2ab38。改动的文件：solution/METHOD.md +41 −0、solution/run.py +124 −12

diff --git a/solution/METHOD.md b/solution/METHOD.mdnew file mode 100644index 0000000..d91e800--- /dev/null+++ b/solution/METHOD.md@@ -0,0 +1,41 @@+在 mix（节点2）上实现型×基因时间趋势位移（同名/伪批量相关配对+全局回退，±0.5SD 裁剪）；6 档强度全部低于关闭对照，按 PLAN 止损条款以 trend=0（与父节点逐位一致）提交。++## 方法++基线 = 父节点2 的 `mix`（align=procrustes, scale_damp=1）：取目标前后最近两个输入括号，两朵云对齐并缩放到 log 线性 RMS，按 (1−t, t) 分层抽真实细胞，表达坐标一起走。++在此之上实现了 PLAN 指定的家族机制 T2HI-01（`--trend` / `--clip` / `--pair-r` 开关）：++1. 细胞型跨阶段配对：同名型直接配；非共有型用两阶段伪批量均值（500 基因）的 Pearson 相关取最优，阈值 r≥0.6；配不上的型回退到全局伪批量均值差。+2. 每（型,基因）斜率 m = mean_paired − mean_own；对每个抽中细胞按来源阶段取带符号几何时间分数：早阶段 α=t（前推）、晚阶段 α=t−1（回拉），delta = α·trend·m。+3. 裁剪：|delta| ≤ clip × 该型该基因在来源阶段的细胞级 SD（默认 clip=0.5）。+4. 坐标、细胞数、分层抽样完全不动；单输入（无括号）沿用父回退且不做位移。+5. 来源阶段复原：用同一 `default_rng(seed)` 重放 `mix_indices`（它是 interpolate 里第一个 rng 消费者），并断言 `len(ia)==info["n_from_a"]`，不一致即报错，保证位移落在正确的行上。++## 对照与证据（proxy, seed 0）++- 关闭对照（`--trend 0`）与父节点2 输出**逐位相同**（X 与 spatial_3D 均 `np.array_equal` True），位移逻辑不泄漏到抽样/坐标；预期分 59.50。+- 机制生效证据（trend=1, clip=0.5）：89.1% 细胞拿到型特异斜率（其余走全局回退）；54.2% 的表达值被改变，mean|delta|=0.115；早/晚来源阶段 α 符号相反（+t vs t−1）；坐标逐位不变。++## vec-score 网格（A 半；父=59.50：cell_state 66.70 / expr_change 63.90 / local 54.03 / shape 53.37）++| 配置 | 榜分 | expr_change | cell_state | local | shape |+|---|---:|---:|---:|---:|---:|+| trend1 clip0.5 | 55.49 | 66.84 | 53.50 | 49.30 | 52.33 |+| trend0.5 clip0.3 | 56.88 | 65.51 | 57.79 | 51.14 | 53.07 |+| trend0.3 clip0.5 | 57.54 | 65.72 | 59.58 | 51.81 | 53.07 |+| 仅早侧位移 trend1 | 56.78 | 64.33 | 61.86 | 48.96 | 51.97 |+| 仅晚侧位移 trend1 | 57.54 | 67.37 | 57.38 | 52.35 | 53.07 |+| trend0.2 clip0.2 | 57.88 | 64.66 | 61.35 | 52.42 | 53.07 |++结论：expression_change 随强度单调上升（至 +3.5），但 cell_state（mmd_u）与 local_spatial（neighborhood_mmd）下降更快，榜分随 trend→0 单调回到 59.5。PLAN 风险①兑现——mix 基线的 expr_change 已 63.9（节点7 基线仅 44.3），真实中间态细胞本身已编码目标时间的表达，逐型常数位移把细胞推离真实流形，得不偿失。按 PLAN 的止损条款，提交版本默认 `TREND=0`（行为=父节点），机制代码保留、开关可用。++## 未验证 / 风险++- 位移在 final 括号（31 个共有型、t=0.5）上未验证；proxy 结论（基线 expr_change 已高）在 final 上大概率同样成立，但型特异覆盖会更高，若未来节点想重试，建议 trend≤0.3 且先查一次分。+- shape_scale 在表达被改动的配置下也小幅波动（51.97–53.07 vs 53.37），尽管 d2_shape/occupancy/scale_log_ratio 三项指标逐位不变，说明该组还依赖表达；未深究。+- proxy 上 out_rms=346 vs 参考 RMS 更小（scale_log_ratio 0.467）是 shape_scale 的主要短板，但两端 RMS 都大（354/335），任何尺度阻尼都需外推 damp≫1，在 final（354→217 括号）上方向不可验证，未尝试（PLAN 明确本轮不修 shape）。++## 知识来源++仅通用机制知识：伪批量均值差近似细胞型的时间趋势、Pearson 相关做型配对、log1p 表达上加性位移后截断到 ≥0。未使用任何保留阶段/基因型的测量信息；程序只读 manifest 的相对时间，对时间平移不变（t、α 均为差值之比）。diff --git a/solution/run.py b/solution/run.pyindex 8c61767..89837f2 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,13 +1,30 @@ #!/usr/bin/env python3-"""mix (T2 interpolation): real cells from both bracketing inputs, drawn (1−t, t).--Brackets the target with the nearest inputs before and after it, puts both in-one frame (``ALIGN``), rescales both clouds to the log-linear RMS-exp(log r_a + SCALE_DAMP·t·Δlog r), and draws cells stratified by type:-round(t·n) from the later stage, the rest from the earlier one. Expression and-coordinates travel together. n is log-linear in t, clipped to the board range.-Parameters are the T2 card's choice for this board (selected_params.json).-If the target is not bracketed, falls back to the latest input before it.+"""mix + per-(celltype, gene) temporal-trend displacement (T2 interpolation).++Base pipeline is the parent's ``mix``: bracket the target with the nearest+inputs before/after, align frames (procrustes, z kept), rescale both clouds to+the log-linear RMS, draw cells stratified by type with proportions (1-t, t),+expression and coordinates travelling together.++On top of that, every drawn cell's expression is shifted toward the target+time along a per-(celltype, gene) temporal slope estimated from the two+bracketing stages' pseudobulk means:++  slope_type = mean_paired_stage - mean_own_stage   (per gene)+  delta = alpha * slope_type,  alpha = t for cells from the earlier stage+                                 alpha = t - 1 for cells from the later stage++so early-stage cells are pushed forward and late-stage cells pulled back to+the target time; the two signs are opposite by construction. Cell types are+paired across stages by name when shared, else by pseudobulk Pearson+correlation (r >= PAIR_R); unmatched types fall back to the global pseudobulk+slope. delta is clipped to +-CLIP * per-type per-gene SD at the cell's source+stage. Coordinates, cell counts and composition are untouched.++``--trend 0`` disables the displacement (delta = 0) and reproduces the parent+output bit-for-bit. Single input (no bracket): parent fallback, no displacement+(alpha undefined). All times used are relative (from the manifest); behaviour+is invariant to a uniform time shift of the view. """  from __future__ import annotations@@ -19,10 +36,66 @@ import sys import numpy as np  from src.task2_spatial.methods import interpolate-from src.task2_spatial.sample import take+from src.task2_spatial.sample import mix_indices, take+from src.task2_spatial.shift import type_means from src.task2_spatial.view_io import board_params, interp_bracket, load_manifest, panel_genes, read_stage, write_t2  PARAMS = {"align": "procrustes", "scale_damp": 1.0}+PAIR_R = 0.6+CLIP = 0.5+# Trend displacement is implemented and verified (see METHOD.md) but scored+# below the no-displacement baseline on every configuration tried, so the+# shipped default keeps it off (--trend > 0 re-enables the family mechanism).+TREND = 0.0+++def _pair_map(own: dict, other: dict, thresh: float) -> dict:+    """Same-name pair when available, else best pseudobulk-correlated type with r >= thresh, else None."""+    keys = sorted(other)+    out = {}+    if not keys:+        return {k: None for k in own}+    M = np.stack([other[k] for k in keys]).astype(np.float64)+    Mc = M - M.mean(axis=1, keepdims=True)+    Mn = Mc / (np.linalg.norm(Mc, axis=1, keepdims=True) + 1e-12)+    for k, v in own.items():+        if k in other:+            out[k] = k+            continue+        v = np.asarray(v, dtype=np.float64)+        vc = v - v.mean()+        r = Mn @ (vc / (np.linalg.norm(vc) + 1e-12))+        j = int(np.argmax(r))+        out[k] = keys[j] if float(r[j]) >= thresh else None+    return out+++def _type_sds(X, labels) -> dict:+    labels = np.asarray(labels).astype(str)+    out = {}+    for lab in np.unique(labels):+        Xs = X[np.flatnonzero(labels == lab)]+        m = np.asarray(Xs.mean(axis=0)).ravel().astype(np.float64)+        sq = np.asarray(Xs.multiply(Xs).mean(axis=0)).ravel().astype(np.float64)+        out[lab] = np.sqrt(np.maximum(sq - m * m, 0.0)).astype(np.float32)+    return out+++def _side_delta(expr_rows, labels_rows, own_means, other_means, pair, glob_delta, alpha, sds, clip, trend):+    """Adds the clipped per-type temporal delta in place; returns (n_type_specific, |delta| stats)."""+    n_spec = 0+    for lab in np.unique(labels_rows):+        m = labels_rows == lab+        if pair.get(lab) is not None:+            d = np.asarray(other_means[pair[lab]], dtype=np.float32) - np.asarray(own_means[lab], dtype=np.float32)+            n_spec += int(m.sum())+        else:+            d = glob_delta+        d = (np.float32(alpha * trend) * d).astype(np.float32)+        thr = np.float32(clip) * sds[lab]+        d = np.clip(d, -thr, thr)+        expr_rows[m] = np.clip(expr_rows[m] + d, 0.0, None)+    return n_spec   def main() -> None:@@ -30,6 +103,9 @@ def main() -> None:     parser.add_argument("--data", required=True)     parser.add_argument("--out", required=True)     parser.add_argument("--seed", type=int, default=0)+    parser.add_argument("--trend", type=float, default=TREND)+    parser.add_argument("--clip", type=float, default=CLIP)+    parser.add_argument("--pair-r", type=float, default=PAIR_R)     args = parser.parse_args()      manifest = load_manifest(args.data)@@ -45,8 +121,44 @@ def main() -> None:     stage_b = read_stage(args.data, b, genes)     params = board_params(manifest, "mix", PARAMS, args.seed)     expr, coords, info = interpolate(stage_a, stage_b, t, params)-    keep = {k: info.get(k) for k in ("t", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align")}-    print(json.dumps({"bracket": [a["stage"], b["stage"]], **keep}, default=float), file=sys.stderr)++    ev = {}+    if args.trend != 0.0:+        n = int(info["n"])+        n_from_a = int(info["n_from_a"])+        rng = np.random.default_rng(int(params["seed"]))+        ia, ib = mix_indices(stage_a.labels, stage_b.labels, t, n, rng)+        if len(ia) != n_from_a or len(ia) + len(ib) != n:+            raise RuntimeError("source reproduction mismatch")+        means_a = type_means(stage_a.X, stage_a.labels)+        means_b = type_means(stage_b.X, stage_b.labels)+        glob_a = np.asarray(stage_a.X.mean(axis=0)).ravel().astype(np.float32)+        glob_b = np.asarray(stage_b.X.mean(axis=0)).ravel().astype(np.float32)+        d_glob = (glob_b - glob_a).astype(np.float32)+        pair_a = _pair_map(means_a, means_b, args.pair_r)+        pair_b = _pair_map(means_b, means_a, args.pair_r)+        sds_a = _type_sds(stage_a.X, stage_a.labels)+        sds_b = _type_sds(stage_b.X, stage_b.labels)++        labs_a = np.asarray(stage_a.labels).astype(str)[ia]+        labs_b = np.asarray(stage_b.labels).astype(str)[ib]+        spec_a = _side_delta(expr[:n_from_a], labs_a, means_a, means_b, pair_a, d_glob,+                             t, sds_a, args.clip, args.trend)+        spec_b = 0+        if n - n_from_a > 0:+            spec_b = _side_delta(expr[n_from_a:], labs_b, means_b, means_a, pair_b, -d_glob,+                                 1.0 - t, sds_b, args.clip, args.trend)+        ev = {+            "trend": args.trend,+            "clip": args.clip,+            "pair_r": args.pair_r,+            "cells_type_specific": spec_a + spec_b,+            "cells_total": n,+            "frac_type_specific": (spec_a + spec_b) / max(n, 1),+        }++    keep = {k: info.get(k) for k in ("t", "n", "rms_a", "rms_b", "out_rms", "n_shared_types", "z_dot", "z_flipped", "align", "n_from_a", "n_from_b")}+    print(json.dumps({"bracket": [a["stage"], b["stage"]], **keep, **ev}, default=float), file=sys.stderr)     write_t2(args.out, expr, coords, 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

**Done.** 实现了 PLAN 的 T2HI-01 家族机制（mix + 型×基因时间趋势位移，同名/伪批量相关配对 + 全局回退，±0.5SD 裁剪，坐标组成不动）；`--trend 0` 对照与父节点2 逐位相同。

**查分（7 次）**：trend=1→55.49、0.5/clip0.3→56.88、0.3→57.54、仅早侧→56.78、仅晚侧→57.54、0.2/0.2→57.88，全部低于关闭对照（实测 59.07，父记录 59.50，同一文件、差异为评分器噪声）。expression_change 升（至 67.4）但 cell_state/local_spatial 降得更快——PLAN 风险①兑现，mix 的真实中间态细胞已编码目标时间表达。按止损条款以 trend=0（行为=父节点）提交，机制代码与开关保留，METHOD.md 记录完整网格。

**下一步最值得试**：① 表达侧已近局部最优，别再动表达；shape_scale 是最大短板（scale_log_ratio 0.467，out_rms 346 vs 参考更小），但需要能在 proxy 上安全验证的尺度机制（例如用 external/ 的 MOSTA E9.5 或 prior 做与保留阶段无关的约束）；② local_spatial（54）可试坐标侧的局部平滑/占用对齐，而非表达位移；③ 任何表达位移类方法在 mix 基线上应默认放弃。

调研员

.90、local_spatial 54.03、shape_scale 53.37。mix 的结构缺口：抽到的细胞原样保留来源阶段表达，未向目标时间做任何调整，表达只是两极端阶段的混合而非中间态，直接压低 expression_change 与依赖表达邻域一致性的 local_spatial。证据：节点7 在 copy_last 上加型×基因斜率位移（坐标不动）使 expression_change +16.81、local_spatial +4.39、shape_scale 中性；节点6 的组成重抽反而使 shape_scale -2.06。故本方案在 mix 上只加表达位移、不动坐标与组成，保住 mix 的高 cell_state（66.70），并规避节点6 证明的形状损害。shape_scale（最弱 53.37）本轮不直接修：METHOD.md 明确 proxy 两端 RMS 都大（354/335）、测不到心脏尺度非单调，坐标/尺度类改动在 proxy 上不可验证，盲改风险高于收益。",
 "approach": "以节点2 的 run.py 为基线（Engineer 可读兄弟节点6/7 的 solution 复用代码）。1) 基线复现校验：位移关闭时输出必须与节点2 逐位一致。2) 跨两个括号阶段做细胞型配对：同名型直接配；非共有型用伪批量 Pearson 相关配对（阈值 r≥0.6，复用节点6 配方，proxy 只有 5 个共有型、final 有 31 个，配对图必须运行时算）；配不上的型用全局伪批量斜率回退（节点7 实测这是主要增益来源，不可省）。3) 每（型,基因）按两阶段伪批量均值差/时间差算斜率 m；对每个抽中细胞按来源阶段 s 算带符号几何时间分数 α=(t_target−t_s)/(t_b−t_a)（早阶段 α>0 前推、晚阶段 α<0 回拉），delta=α·m，按 ±0.5×锚点型内 SD 裁剪（搜索范围 0.3–1.0，先跑 0.5）。4) 表达加 delta，坐标、细胞数、分层抽样完全不动；基因在某阶段缺失用另一阶段均值。5) 单输入退路（b is None）：沿用父节点回退逻辑且不做位移（α 无定义）。6) 合规：只用 manifest 的相对时间，不硬编码阶段名/统计量，伪装视图（时间平移1天）下行为不变。7) vec-score 快筛：seed 0 跑开/关两版对比四组分；开了若榜分未升 ≥1.5 分（T2 噪声约1），再试裁剪 1.0；确认后跑 seed 0/1/2，均值提升 ≥1 才算进步。",
 "expected_groups": ["expression_change", "local_spatial"],
 "risks": "①基线 expression_change 已 63.9（节点7 基线仅 44.26），增益可能小于噪声——seed 0 首查即可发现，若无提升立即止损不加位移；②proxy 仅 5 共有型，多数细胞走伪批量/全局回退，型特异信号弱——统计型特异斜率覆盖的细胞占比，<50% 时警惕；③裁剪过大使表达偏离真实细胞分布、拖累 cell_state——监控该组，跌破 64 则缩裁剪至 0.3；④30 分钟时限：优先直接移植节点6/7 已跑通的配对+斜率代码，勿重写；若移植受阻，退回只给早阶段细胞做单向位移的最小版。",
 "family_id": "T2HI-01",
 "mechanism": "对每个（细胞型,基因）用两括号阶段的伪批量均值拟合时间斜率，按细胞来源阶段的带符号时间分数 α 做表达位移，把混入的两极端阶段表达连续推向目标时间；坐标与组成不变。",
 "vs_constant_shift": "位移逐基因、逐细胞不同：同一型内来自早/晚阶段的细胞 α 符号相反、幅度随各自到目标的时间距离变化，delta 不是每型常向量；也不改变任何型的抽样比例，与全局组成重加权无关。",
 "mechanism_evidence": "①每（型,来源阶段）内 delta 跨基因的 SD>0 且均值≈0（非常数位移）；②同型早阶段细胞位移均值与晚阶段符号相反；③|delta| 与 |α| 成正比；④vec-score 四组分变化：预期 expression_change 与 local_spatial 升、cell_state 与 shape_scale 持平；⑤报告型特异斜率覆盖的细胞比例。",
 "mechanism_off_control": "--trend 0 强制所有 delta=0，其余代码路径不变，输出应与父节点2 逐位相同（用逐位比较验证）；分数应回到约 59.5。若关闭后分数仍变化，说明位移逻辑泄漏到了抽样或坐标，须先修好再查分。"}
```