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

节点 n19 终选程序?按该运行锁定的规则最终选出的程序；可能是候选节点，也可能由护栏回退到基线。在终选来历上

实现 T2HI-04 型内坐标kNN表达平滑并在代理上证伪（cell_state 单调下降、expression_change 不动），按 PLAN 止损条款以关闭态（alpha=0，与父节点17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 738087c486: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 5091e4a1fe。改动的文件：solution/METHOD.md +31 −47、solution/run.py +80 −3

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 6d31c33..d4535c2 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,66 +1,50 @@-型内kNN坐标平滑位移上限0.2→0.45×型内SD强化局部致密化；PLAN的RMS恢复与各向异性缩放在代理上证伪（把尺度推离参考），按止损关闭，另加自适应k提升final稳健性。+实现 T2HI-04 型内坐标kNN表达平滑并在代理上证伪（cell_state 单调下降、expression_change 不动），按 PLAN 止损条款以关闭态（alpha=0，与父节点17逐位一致）提交。  ## 方法族 / 实现 -family_id = **T2HI-05**（kNN 平滑后 RMS 恢复 + 各向异性轴缩放，按 PLAN 实现并检验）。基线 = 父节点15：mix（align=procrustes, scale_damp=1）+ 型内 kNN 坐标平滑（k=20, strength=1.5, 位移≤max_frac×型内SD）。表达、细胞数、类型组成全程逐位不动，只改 `obsm["spatial_3D"]`。+family_id = **T2HI-04**（型内坐标 kNN 表达平滑），按 PLAN 完整实现于 `run.py::_expr_smooth`： -按 PLAN 实现了两个新机制（`--rescale-damp`、`--aniso`/`--aniso-damp`）和自适应 k（`--k-adaptive`）：--1. **均匀 RMS 恢复**：平滑后 RMS_post 对 mix 已算好的 log 线性 target_rms（`info["target_rms"]`）做 `factor=1+damp·(target/RMS_post−1)` 的绕质心缩放。-2. **各向异性轴缩放**：两输入阶段 align 后缩放到 target_rms，逐轴 SD 做 log 线性插值得 target_SD_d，对平滑后坐标逐轴 `factor_d=1+damp·(target_SD_d/SD_d−1)`。-3. **自适应 k**：`k_eff=min(k, max(3, m−1))`，细胞数 <21 的小类型不再被跳过（proxy 上 5 型全部 ≥21，为 no-op；final 31 个共有型时保证稀有型也被平滑）。+1. 在父管线（mix, align=procrustes, scale_damp=1 + 型内 kNN 坐标平滑 k=20, strength=1.5, max_frac=0.45, k_adaptive）产出的**最终坐标**上，对每个细胞类型分别建 cKDTree（`--k-expr 15`，k_eff=min(k, max(3, m−1))，m<4 的型跳过）。+2. 每个细胞 i 的 mu_i = 其 k_expr 个同型坐标近邻（去掉自身）的表达均值；`X_new[i] = (1−alpha)·X[i] + alpha·mu_i`，对全部 500 个基因。+3. 单输入阶段退路：mix 回退为父逻辑（分层抽末阶段），表达平滑仍在该单阶段输出的型内坐标上执行（不依赖两阶段信息）。+4. 关闭对照：`--expr-alpha 0`（**默认值**）完全跳过平滑步骤。  ## 对照结果（mechanism_off_control） -`--rescale-damp 0 --aniso off --max-frac 0.2`（=父参数）的输出与父节点15输出 **X 与 spatial_3D 均 `np.array_equal` = True**（逐位一致），确认新代码在关闭态不泄漏。--## 机制检验：PLAN 的两个机制在 proxy 上被证伪（A半，seed 0）--| 配置 | 榜分 | shape_scale | local_spatial | scale_log_ratio | occupancy_dice |-|---|---:|---:|---:|---:|---:|-| 父节点15（mf0.2, 无缩放） | 60.77 | 53.52 | 59.81 | ~0.451 | 0.838 |-| +均匀RMS恢复 damp=1.0 | 60.69 | 53.22 | 59.81 | 0.467 | 0.838 |-| +RMS恢复+aniso damp=1.0 | 60.65 | 53.06 | 59.80 | 0.460 | 0.834 |--证据数字：平滑确实系统性收缩 RMS（RMS_post/target = **0.9832**，收缩 1.7%，方向与 PLAN 预期一致）；恢复后 RMS/target = 1.0000。但 **shape_scale 反而下降**：scale_log_ratio 0.451→0.467 恶化——说明参考阶段的尺度**低于** mix 的 log 线性 target_rms（与方法卡"心脏尺度非单调，log 线性 346 够不到真值 217"一致），把 RMS 推回 target 是推离参考。aniso 的各轴 ratio_d 均 <2%（0.980/0.997/1.001），且 occupancy_dice 0.838→0.834 下降。命中 PLAN 风险①③，按止损条款以 **rescale_damp=0、aniso off** 提交。进一步用输入数据之外的方式"猜"目标尺度（更强的整体收缩）无法从两输入阶段合法导出（两端 RMS 354/335，log 线性对 damp 不敏感），针对 proxy 参考调尺度=向真值泄漏，不做。+用父节点17的原 run.py（逐行还原，字节数 12170 一致）在同一视图 seed 0 上生成输出，与本节点默认输出比较：**X 与 spatial_3D 均 `np.array_equal = True`（逐位一致）**。开启态仅 X 改变，坐标、细胞数、类型组成不变。 -## 实际提交的改进：平滑位移上限 max_frac 0.2→0.45（父节点 ANALYSIS 建议方向）+## 机制生效证据（proxy A 半，seed 0，全部 17616 细胞被平滑，0 跳过） -父节点 next_suggestions 明确建议"试 max_frac 0.3–0.4 看 shape/局部是否随更强收缩改善"。网格（k=20, strength=1.5, A半 seed 0）：+| alpha | 型内基因方差比 after/before | mean\|ΔX\|/SD | 改变>1%的细胞比例 |+|---:|---:|---:|---:|+| 0.02 | 0.963 | 0.0068 | 100% |+| 0.05 | 0.909 | 0.0169 | 100% |+| 0.10 | 0.822 | 0.0339 | 100% |+| 0.15 | 0.741 | 0.0508 | 100% |+| 0.25 | 0.593 | 0.0846 | 100% | -| max_frac | 榜分 | local_spatial | shape_scale | neighborhood_mmd | mean_disp/SD |-|---:|---:|---:|---:|---:|---:|-| 0.20（父） | 60.77 | 59.81 | 53.52 | 0.0645 | 0.104 |-| 0.30 | 60.89 | 61.11 | 52.71 | 0.0611 | — |-| 0.35 | 61.01 | 61.41 | 52.86 | 0.0604 | 0.153 |-| **0.45（提交）** | **61.03** | **61.70** | **52.68** | **0.0597** | **0.176** |-| 0.60 | 61.08 | 62.00 | 52.59 | 0.0589 | — |-| 0.80 | 61.07 | 62.18 | 52.36 | 0.0585 | — |-| 0.35+s2.5 | 60.81 | 60.57 | 52.93 | 0.0625 | 0.180 |+方差随 alpha 单调下降、幅度与 alpha 成正比 → 低通滤波确实运行。 -mf∈[0.45, 0.8] 是平台（61.03–61.08，差在噪声内）；取 **0.45**（平台中部、shape 侵蚀最小，迁移到 B半/final 更安全）。**跨种子一致性**：seed 1 下 mf0.45 = 61.27 vs 父配置 seed 1 = 61.02（+0.24，与 seed 0 的 +0.26 同向；local_spatial 60.2→62.0，+1.8 超噪声，shape −0.8 部分抵消）。净增益 ~+0.25 小于 T2 噪声 ~1 分，属"方向一致的小幅改进"，不是大幅突破——如实记录。+## 机制检验：证伪（vec-score，A 半，seed 0） -## 机制生效证据（提交默认，proxy seed 0）+| 配置 | cell_state | expression_change | local_spatial | shape_scale |+|---|---:|---:|---:|---:|+| **关闭对照 alpha=0（=父17）** | **65.93** | **63.83** | 61.70 | 52.68 |+| alpha=0.05, k=15 | 61.17 (−4.76) | 63.82 (−0.01) | 61.64 | 52.68 |+| alpha=0.10, k=15 | 58.38 (−7.55) | 63.81 (−0.02) | 61.58 | 52.68 | -- 平滑覆盖率 100%（17616/17616，跳过类型 0）；mean_disp/型内SD = 0.176（≤0.45 上限）；max|delta| = 147.4。-- neighborhood_mmd 0.0645→0.0597（单调改善），local_spatial 59.81→61.70。-- 表达矩阵、细胞数（17616 ∈ [1000, 17616]）、类型组成与父逐位一致（X `array_equal` True）；只有坐标变。-- 关闭对照（mf=0.2）与父输出逐位一致（见上）。+四组分变化完全符合 PLAN 预期模式（坐标不动 → local_spatial / shape_scale 只有噪声级微动；表达动 → cell_state / expression_change 动），但方向相反：**cell_state 随平滑强度单调大跌，expression_change 纹丝不动**。精确命中 PLAN 风险①的止损判据（cell_state 降 >1.5 且 expression_change 升 <1）。解释：评分器的细胞状态组看的是预测群体与参考群体的表达分布距离；mix 输出已是真实细胞，其"噪声"就是参考群体自带的单细胞异质性，对它做低通滤波只会把分布收窄、偏离参考。PLAN 步骤5的"仅高方差基因平滑"变体只会按比例缩小同一错误方向的效果，不再消耗查分额度。按 PLAN 止损条款：**两个非零 alpha 均低于关闭对照 → 提交关闭态**。 -## 验证过+## 提交内容 -- 默认参数（无 flag）输出与网格 mf045_s15 文件逐位一致；seed 0 重跑逐位确定；seed 1 输出不同（无 seed 分支）。-- `vec-check` ok；坐标全部有限。-- **视图无关**：构造 +1 天平移、manifest 键序打乱、external 阶段同步平移的伪装视图，seed 0 输出的 X 与 spatial_3D 与真实视图**逐位相同**；程序只用相对时间 t、坐标、标签，不读绝对时间/路径/board 字段。-- 纯 CPU（numpy+scipy cKDTree），runtime ~2.1s，峰值内存与父相当（~0.5GB）；`EXECUTION.json {"gpu": false}`。-- 查分用量：10/20（control 未查分，用逐位对照代替）。+默认参数即关闭态：输出与父节点17逐位一致（已验证）。查分共 5 次（额度 20）。`vec-check` 通过；seed 0/1 各自确定；`EXECUTION.json` 为 `{"gpu": false}`。 -## 未验证 / 风险+## 生物学知识来源 -- final 括号（31 共有型）未测；k_adaptive 使小类型（≥4 细胞）也被平滑，覆盖率应高于父节点的"跳过 <21 型"，但小类型上 k_eff=3–19 的平滑幅度更依赖其自身 SD（自适应封顶），预期稳健、未实测。-- 净 +0.25（A半）在噪声边缘；依据是 local_spatial +1.8 在两个 seed 上同向、平台宽（mf 0.45–0.8），非单点尖峰。-- shape_scale 的 scale 分量短板仍在（scale_log_ratio≈0.44）：合法可用的输入信息推不出参考尺度（非单调 354→217→335），任何"整体缩到某个魔数"的做法都是对 proxy 真值的拟合，不可迁移。+无新增外部生物学知识；仅使用"发育中空间邻近细胞表达连续"这一通用先验（PLAN 给定），且该先验在本 board 的评分下被证伪——单细胞分辨率的异质性本身被评分器计为细胞状态相似度的一部分。 -## 知识来源+## 未验证 -仅通用几何/统计操作（kNN 收缩、逐维 SD 裁剪、log 线性插值、Kabsch 对齐，均沿自父节点与 `src.task2_spatial`）。未使用保留阶段（E8.5/E10.5/E12.5、禁窗 (8.25,8.75)、9.5<E≤13.5）或保留基因型的任何测量信息；对目标尺度未注入任何外部数值。+- 高方差基因子集平滑（判定为同一方向、按比例更弱的效果，止损后不测）。+- k_expr ∈ {10, 20}（PLAN 规定仅当 alpha 方向正确时才调 k）。+- B 半与 final 视图（关闭态与父逐位一致，迁移性等同父节点17）。diff --git a/solution/run.py b/solution/run.pyindex bdfa47a..a073596 100644--- a/solution/run.py+++ b/solution/run.py@@ -59,6 +59,8 @@ from src.task2_spatial.view_io import board_params, interp_bracket, load_manifes  PARAMS = {"align": "procrustes", "scale_damp": 1.0} K = 20+EXPR_ALPHA = 0.0  # family T2HI-04: per-type kNN expression smoothing weight; 0 = off (control, bit-identical to parent node 17)+K_EXPR = 15 STRENGTH = 1.5  # grid-searched on the proxy A-half; 0 = parent behaviour (control) MAX_FRAC = 0.45  # displacement cap x type coord SD; grid: 0.2(parent)..0.8 plateau 61.0-61.1, 0.45 mid-plateau PCA_NORM = False@@ -131,6 +133,68 @@ def _knn_smooth(coords: np.ndarray, labels: np.ndarray, k: int, strength: float,     return new_coords.astype(np.float32), ev  +def _expr_smooth(expr: np.ndarray, coords: np.ndarray, labels: np.ndarray, k: int, alpha: float):+    """Family T2HI-04: low-pass filter of expression over per-type coordinate kNN.++    For each cell, mu_i = mean expression of its k nearest same-type neighbours in+    the FINAL (post coordinate smoothing) coordinates, self excluded.+    X_new[i] = (1-alpha)*X[i] + alpha*mu_i. Types with < k_eff+1 cells use+    k_eff = min(k, max(3, m-1)); types with < 4 cells are skipped.+    Returns (new_expr, evidence dict).+    """+    X = np.asarray(expr, dtype=np.float64)+    coords = np.asarray(coords, dtype=np.float64)+    labels = np.asarray(labels).astype(str)+    n = X.shape[0]+    Xn = X.copy()+    n_touched = 0+    n_skipped = 0+    var_before = []+    var_after = []+    rel_change = []+    for lab in np.unique(labels):+        idx = np.flatnonzero(labels == lab)+        m = idx.size+        k_eff = min(k, max(3, m - 1))+        if m < k_eff + 1:+            n_skipped += m+            continue+        pts = coords[idx]+        tree = cKDTree(pts)+        kk = min(k_eff + 1, m)+        _, nb = tree.query(pts, k=kk)+        if nb.ndim == 1:+            nb = nb[:, None]+        neigh = nb[:, 1:kk]+        if neigh.shape[1] == 0:+            n_skipped += m+            continue+        Xi = X[idx]+        mu = Xi[neigh].mean(axis=1)  # (m, G)+        Xnew_i = (1.0 - alpha) * Xi + alpha * mu+        Xn[idx] = Xnew_i+        n_touched += m+        var_before.append(Xi.var(axis=0).mean())+        var_after.append(Xnew_i.var(axis=0).mean())+        sd = Xi.std()+        if sd > 0:+            rel_change.append(np.abs(Xnew_i - Xi).mean() / sd)+    ev = {+        "expr_n_touched": int(n_touched),+        "expr_n_skipped": int(n_skipped),+        "expr_frac_touched": float(n_touched) / max(n, 1),+        "expr_var_before": float(np.mean(var_before)) if var_before else 0.0,+        "expr_var_after": float(np.mean(var_after)) if var_after else 0.0,+        "expr_var_ratio": float(np.mean(var_after) / np.mean(var_before)) if var_before and np.mean(var_before) > 0 else 1.0,+        "expr_mean_abs_change_over_sd": float(np.mean(rel_change)) if rel_change else 0.0,+    }+    # fraction of cells whose expression changed by >1% of their own L1 norm+    d = np.abs(Xn - X).sum(axis=1)+    base = np.abs(X).sum(axis=1)+    ev["expr_frac_cells_changed_gt1pct"] = float(np.mean(d > 0.01 * np.maximum(base, 1e-12)))+    return Xn.astype(np.float32), ev++ def _pca_normalize(coords: np.ndarray) -> np.ndarray:     """Deterministic PCA canonicalisation: centroid -> PCA axes -> det=+1 -> third-moment sign."""     C = np.asarray(coords, dtype=np.float64)@@ -209,6 +273,8 @@ def main() -> None:     parser.add_argument("--aniso", choices=("on", "off"), default=("on" if ANISO else "off"))     parser.add_argument("--aniso-damp", type=float, default=ANISO_DAMP)     parser.add_argument("--k-adaptive", choices=("on", "off"), default=("on" if K_ADAPTIVE else "off"))+    parser.add_argument("--expr-alpha", type=float, default=EXPR_ALPHA)+    parser.add_argument("--k-expr", type=int, default=K_EXPR)     args = parser.parse_args()      manifest = load_manifest(args.data)@@ -221,7 +287,10 @@ def main() -> None:         coords = stage.coords[rows]         if args.pca_norm == "on":             coords = _pca_normalize(coords)-        write_t2(args.out, stage.X[rows].toarray(), coords, genes, seed=args.seed)+        Xe = stage.X[rows].toarray()+        if args.expr_alpha != 0.0:+            Xe, _ = _expr_smooth(Xe, coords, np.asarray(stage.labels)[rows], args.k_expr, args.expr_alpha)+        write_t2(args.out, Xe, coords, genes, seed=args.seed)         return     stage_a = read_stage(args.data, a, genes)     stage_b = read_stage(args.data, b, genes)@@ -229,7 +298,9 @@ def main() -> None:     expr, coords, info = interpolate(stage_a, stage_b, t, params)      ev = {}-    if args.strength != 0.0:+    need_labels = args.strength != 0.0 or args.expr_alpha != 0.0+    labels = None+    if need_labels:         n = int(info["n"])         n_from_a = int(info["n_from_a"])         # reproduce the source-row labels exactly as interpolate drew them@@ -240,6 +311,7 @@ def main() -> None:         labs_a = np.asarray(stage_a.labels).astype(str)[ia]         labs_b = np.asarray(stage_b.labels).astype(str)[ib]         labels = np.concatenate([labs_a, labs_b])+    if args.strength != 0.0:         coords, ev = _knn_smooth(coords, labels, args.k, args.strength, args.max_frac,                                  adaptive=(args.k_adaptive == "on"))         if args.rescale_damp != 0.0 or args.aniso == "on":@@ -251,10 +323,15 @@ def main() -> None:     if args.pca_norm == "on":         coords = _pca_normalize(coords) +    if args.expr_alpha != 0.0:+        expr, ev3 = _expr_smooth(expr, coords, labels, args.k_expr, args.expr_alpha)+        ev.update(ev3)+     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, "strength": args.strength, "k": args.k,                       "pca_norm": args.pca_norm, "rescale_damp": args.rescale_damp, "aniso": args.aniso,-                      "aniso_damp": args.aniso_damp, "k_adaptive": args.k_adaptive, **ev}, default=float), file=sys.stderr)+                      "aniso_damp": args.aniso_damp, "k_adaptive": args.k_adaptive,+                      "expr_alpha": args.expr_alpha, "k_expr": args.k_expr, **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

完成。

- **做了什么**：按 PLAN 实现 T2HI-04 型内坐标 kNN 表达平滑（k_expr=15，alpha 网格 0.02–0.25），关闭对照 `--expr-alpha 0` 与父节点17输出逐位一致（np.array_equal 验证 X 和坐标）。
- **查分结果**（5/20 次，A 半 seed 0）：机制确实运行（型内方差随 alpha 单调降 0.963→0.593），但被证伪——cell_state 65.93→61.17（α=0.05）→58.38（α=0.10），expression_change 不动（63.83→63.81）。命中 PLAN 止损判据，以关闭态提交（=父17，预期榜分 ~61.3）。
- **下一步最值得试**：表达侧"平滑去噪"方向已死；细胞状态组的短板更可能需要**增加/重塑分布多样性**（如 mix 抽样时对高方差基因轴做保分布的重加权，或用 external MOSTA E9.5 学习型内表达协方差后对 mix 细胞做保方差的轻微修饰），而非低通滤波。shape_scale（52.68）仍是最大短板，但全局缩放路线已被父节点证明不可迁移。

调研员

制（如按局部邻域表达轻微重加权），但需先设计关闭态逐位一致的对照'。节点12证明全局型×基因趋势位移失败（6档全低于关闭对照），但那是大尺度时间趋势；局部空间平滑（坐标邻居间表达混合）是不同机制，尚未尝试。若有效，可同时改善cell_state和expression_change两组（合计权重最大）。",
  "approach": "在父节点17的完整管线（mix + kNN坐标平滑，参数不变）之后，新增一个表达平滑步骤：\n\n1. 在平滑后的坐标上，对每个细胞类型分别建kNN图（复用现有cKDTree逻辑，k_expr=15）。\n2. 对型内每个细胞i，计算其k_expr个同型坐标近邻的表达均值 mu_i（对X矩阵每列）。\n3. 更新表达：X_new[i] = (1-alpha)*X[i] + alpha*mu_i。\n4. alpha网格：[0.02, 0.05, 0.10, 0.15, 0.25]，先跑0.05和0.10两个点快速判断方向；若两者均低于关闭对照（alpha=0），立即止损提交关闭态。\n5. 基因子集策略：默认全部基因参与平滑；若全基因掉分，试仅对型内高方差基因（top 50% by var）做平滑（低方差基因不变）。\n6. 关闭对照：--expr-alpha 0 时不执行平滑步骤，输出与父节点17逐位一致（用np.array_equal验证X和spatial_3D）。\n7. vec-score快筛：先跑alpha=0确认逐位一致（不查分），再跑0.05和0.10各查一次分（2次），根据方向决定是否继续（最多再查3–5个配置）。总查分预算≤10次。\n\n单输入阶段退路：若无上括号阶段（单输入），mix回退为父节点逻辑，表达平滑仍可在单阶段输出的型内坐标上执行（不依赖两阶段信息）。final同理。\n\n关键参数初值：k_expr=15（略小于坐标平滑的20，因表达对局部结构更敏感），alpha从0.05起。搜索范围：alpha∈[0.02, 0.25]，k_expr∈{10,15,20}（仅当alpha方向正确时再调k）。",
  "expected_groups": ["cell_state", "expression_change"],
  "risks": "1. 表达平滑模糊真实异质性，使cell_state下降（评分器可能期望单细胞分辨率的表达多样性）。Engineer应在第一个非零alpha查分后立即对比cell_state子分：若cell_state下降>1.5而expression_change上升<1，说明平滑方向错，止损。2. 节点12已证明表达位移容易掉分；本方案的区别是局部空间平滑（非全局时间趋势），但仍可能失败。若两个非零alpha均低于关闭对照，按止损提交关闭态（与父逐位一致）。3. 小类型（<k_expr+1细胞）跳过平滑；k_adaptive已保证≥4细胞的型有k_eff≥3，表达平滑同理用k_expr_eff=min(k_expr, max(3,m-1))。4. 预期增益小（1–2分级别），需两seed同向确认；若仅单点+0.5不算进步。",
  "family_id": "T2HI-04",
  "mechanism": "在坐标空间定义的型内局部邻域上，对表达做低通滤波（kNN均值混合），利用发育中空间邻近细胞表达连续的先验，减少抽样/技术噪声导致的表达不连续。",
  "vs_constant_shift": "常数位移是对整个型的所有细胞施加相同的表达偏移向量；本机制是按每个细胞的局部坐标邻域计算不同的平滑目标，位移量和方向逐细胞不同（边界细胞与中心细胞的修正不同），且幅度由局部邻域表达方差决定，不是全局常数。",
  "mechanism_evidence": "Engineer应记录：(1) 平滑前后X的逐基因方差变化（预期型内方差降低，降幅与alpha成正比）；(2) 被平滑改变表达>1%的细胞比例；(3) 四组分各自变化（预期cell_state和expression_change动，local_spatial和shape_scale不动因为坐标不变）；(4) 平滑量（mean |X_new - X| / per-gene SD）作为机制强度指标。若方差未降或改变细胞比例≈0，说明机制未运行。",
  "mechanism_off_control": "命令行加 --expr-alpha 0（默认值），此时完全跳过表达平滑步骤，输出X和spatial_3D与父节点17逐位一致（np.array_equal=True）。预期差别：关闭态与父输出完全相同；开启态仅X改变，坐标/细胞数/类型组成不变。",
  "sources": []
}
```

审查员

REVIEW.json written