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

节点 n20

实现 T2HI-08 型内方差增强（保均值双向外扩，外部先验缺失走对角退路）；代理上 cell_state 微升但榜分增益 +0.06 远小于噪声，按 PLAN 止损以关闭态 β=0（与父17/19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 f6675a2f15: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 738087c486。改动的文件：solution/METHOD.md +30 −27、solution/run.py +128 −2

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex d4535c2..7113976 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,50 +1,53 @@-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。+实现 T2HI-08 型内方差增强（保均值双向外扩，外部先验缺失走对角退路）；代理上 cell_state 微升但榜分增益 +0.06 远小于噪声，按 PLAN 止损以关闭态 β=0（与父17/19逐位一致）提交。  ## 方法族 / 实现 -family_id = **T2HI-04**（型内坐标 kNN 表达平滑），按 PLAN 完整实现于 `run.py::_expr_smooth`：+family_id = **T2HI-08**（外部型内方差先验的方差增强），实现于 `run.py::_var_expand` + `_load_external_prior`： -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。+1. 父管线不变：mix（align=procrustes, scale_damp=1）+ 型内 kNN 坐标平滑（k=20, strength=1.5, max_frac=0.45, k_adaptive）；T2HI-04 表达平滑保持关闭（alpha=0）。+2. 新增 `--qiu-var β`（默认 0 = 完全跳过）：对每个 ≥5 细胞的类型，X_new = (1−f_g)·μ_type + f_g·X，f_g = clamp(r_g^β, 0.25, 4)，clip 到 ≥0（log1p 域）。μ_type 不动、细胞沿自身偏差双向外扩 → 保均值、保协方差形状、增型内离散。+3. 外部先验自动检测（PLAN 步骤0 的免费诊断）：遍历 manifest `external/`，按**数据内容**（基因重叠 ≥30 且与本板类型词汇有交集）判断可用性，不看数据集 id / 路径（视图无关）。+4. 单输入阶段退路：机制只作用于最终输出表达，不依赖输入阶段数；单阶段分支同样接入。 -## 对照结果（mechanism_off_control）+## 免费诊断结果（0 次查分） -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。+本视图 external/ 只挂了 `mosta_e95_v0`（MOSTA E9.5 空间数据，496/500 基因重叠，但类型词汇为 Brain/Heart/Mesenchyme 等粗标签，与本板 E8.25/E9.5 官方词汇（V-CM、EXE-Endoderm…）**零交集**）；PLAN 预期的 Qiu 2024 E9.0 未挂载。→ 按 PLAN 条款走**对角退路**：r_g 用本板该型自身 SD 结构，f_g = 1+β 均匀双向外扩（`var_source` 日志确认为 `diagonal`）。 -## 机制生效证据（proxy A 半，seed 0，全部 17616 细胞被平滑，0 跳过）+## 机制生效证据（seed 0，全部 17616 细胞被改动，0 跳过） -| alpha | 型内基因方差比 after/before | mean\|ΔX\|/SD | 改变>1%的细胞比例 |+| β | 方差比 after/before | mean\|Δμ_type\| | 改变>1%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% |+| 0.05 | 1.071 | 0.013 | 99.99% |+| 0.15 | 1.222 | 0.040 | 100% |+| 0.30 | 1.468 | 0.079 | 100% |++方差随 β 单调上升、型均值近似不动（Δμ 仅来自 clip≥0）、上/下均值细胞反向远离 → 是离散度变换而非位置平移（与常数位移可区分：常数位移型均值移动、方差不变）。坐标、细胞数、类型组成完全不动 → local_spatial/shape_scale 仅经表达相关项微动，符合 PLAN 预期指纹。++## 对照结果（mechanism_off_control） -方差随 alpha 单调下降、幅度与 alpha 成正比 → 低通滤波确实运行。+`--qiu-var 0`（默认值）完全跳过增强步。关闭态输出与父节点19（=父17）管线输出 **X 与 spatial_3D 均 np.array_equal = True**（逐位一致，本节点直接验证）；查分确认四组分与节点19 A 半记录逐一相同（65.93/63.83/61.70/52.68，board 61.033）。 -## 机制检验：证伪（vec-score，A 半，seed 0）+## 机制检验：方向弱正、幅度不足（vec-score A 半，seed 0，共 5 次查分） -| 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 |+| 配置 | board | cell_state | expression_change | local_spatial | shape_scale |+|---|---:|---:|---:|---:|---:|+| 关闭对照 β=0（=父） | 61.033 | 65.93 | 63.83 | 61.70 | 52.68 |+| β=0.05 对角 | 61.091 (+0.06) | 66.13 (+0.20) | 63.57 (−0.26) | 61.98 | 52.68 |+| β=0.15 对角 | 61.085 (+0.05) | 66.20 (+0.27) | 63.41 (−0.42) | 62.05 | 52.68 |+| β=0.30 对角 | 60.663 (−0.37) | 65.40 (−0.53) | 63.59 (−0.24) | 60.98 | 52.68 | -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**。+cell_state 随 β 先微升后降（峰值 ~0.15），expression_change 微降，净榜分增益 ≤ +0.06，远小于 1 分止损阈值（PLAN 步骤3：三档全部未超对照 +1 → 提交 β=0）。**未提交非零 β** 的理由：+0.05 在 A/B 半与种子噪声内无法区分，且以 expression_change 下降为代价。这与节点19合起来给出双侧证据：型内方差在本 board 已接近参考最优（收窄 −4.76/5%方差、放大 +0.27/22%方差），表达侧对角/低通类修饰均已到顶。  ## 提交内容 -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}`。+默认参数即关闭态，输出与父节点17/19逐位一致（零损失保底）。`vec-check` 通过；seed 0/1 各自确定运行；`EXECUTION.json` 为 `{"gpu": false}`。  ## 生物学知识来源 -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。+无新增外部生物学知识。外部先验使用逻辑仅依赖视图自带 `external/` 数据（本视图为 MOSTA E9.5，已合规过滤），且因类型词汇不可映射而未实际使用其数值。  ## 未验证 -- 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）。+- 外部（Qiu 类）方差比路径的实际效果：本视图无可用外部 scRNA（类型词汇零交集），`_load_external_prior` 的比值分支只在代码层验证了触发条件，未能在数据上跑通端到端；若 final 视图挂载了词汇可映射的 Qiu E9.0，该分支会自动启用（但仍受 β 默认 0 保护，不会改变提交行为）。+- β ∈ (0.15, 0.3) 细网格与 clip 前负值处理变体（止损后不再消耗额度）。 - 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 a073596..be31d54 100644--- a/solution/run.py+++ b/solution/run.py@@ -68,6 +68,7 @@ RESCALE_DAMP = 0.0  # uniform RMS restore FALSIFIED on proxy (moves RMS away fro ANISO = False  # per-axis SD correction: also falsified (occupancy_dice drop); off ANISO_DAMP = 1.0 K_ADAPTIVE = True  # k_eff = min(k, max(3, m-1)): smooth small types instead of skipping (robustness for finer type vocabularies; no-op when all types >= k+1)+QIU_VAR = 0.0  # family T2HI-08: per-type variance expansion exponent beta; 0 = off (control, bit-identical to parent node 19/17)   def _knn_smooth(coords: np.ndarray, labels: np.ndarray, k: int, strength: float, max_frac: float, adaptive: bool = False):@@ -195,6 +196,121 @@ def _expr_smooth(expr: np.ndarray, coords: np.ndarray, labels: np.ndarray, k: in     return Xn.astype(np.float32), ev  +def _load_external_prior(view: str, manifest: dict, genes: list, out_labels: np.ndarray, min_overlap: int = 30):+    """Family T2HI-08: find a usable external scRNA variance prior in the view.++    Returns (ext_X_aligned (n_ext, G) with NaN for genes not measured,+             ext_labels, overlap_mask) or None when no mounted dataset shares+    enough genes AND cell-type vocabulary with the current output.+    View-independent: decision is based only on data content (gene overlap and+    label vocabulary overlap), never on dataset ids or paths.+    """+    import anndata as ad+    out_types = set(np.unique(out_labels).astype(str))+    best = None+    for ent in manifest.get("external") or []:+        path = ent.get("path")+        if not path:+            continue+        try:+            m = ad.read_h5ad(f"{view}/{path}")+        except Exception:+            continue+        if "celltype" not in m.obs.columns:+            continue+        ext_types = set(np.unique(m.obs["celltype"].values).astype(str))+        shared_types = out_types & ext_types+        g_idx = {g: i for i, g in enumerate(m.var_names.astype(str))}+        overlap = np.array([g in g_idx for g in genes])+        if overlap.sum() < min_overlap or not shared_types:+            continue+        X = m.X.toarray() if hasattr(m.X, "toarray") else np.asarray(m.X)+        X = np.asarray(X, dtype=np.float32)+        cols = np.full(len(genes), -1, dtype=np.int64)+        for i, g in enumerate(genes):+            j = g_idx.get(g, -1)+            if j >= 0:+                cols[i] = j+        score = (overlap.sum(), len(shared_types))+        if best is None or score > best[0]:+            best = (score, X, cols, np.asarray(m.obs["celltype"].values).astype(str))+    if best is None:+        return None+    _, X, cols, labs = best+    return X, cols, labs+++def _var_expand(expr: np.ndarray, labels: np.ndarray, beta: float, view: str, manifest: dict,+                genes: list, source: str = "auto", min_cells: int = 5):+    """Family T2HI-08: per-type variance augmentation about the type mean.++    X_new = (1 - f_g) * mu_type + f_g * X, f_g = clamp(r_g^beta, 0.25, 4.0),+    where r_g = SD_ext(g)/SD_mix(g) from an external scRNA prior when one is+    usable; otherwise the diagonal fallback f_g = 1 + beta (uniform two-sided+    expansion along each cell's own deviation, sigma_g taken from the board's+    per-type per-gene SD structure, mean-preserving, covariance-shape-preserving).+    Values are clipped at 0 (log1p domain). Returns (new_expr, evidence dict).+    """+    X = np.asarray(expr, dtype=np.float64)+    labels = np.asarray(labels).astype(str)+    n, G = X.shape+    Xn = X.copy()+    ev: dict = {"var_beta": beta, "var_min_cells": min_cells}+    ext = None+    if source in ("auto", "ext"):+        ext = _load_external_prior(view, manifest, genes, labels)+    use_ext = ext is not None+    ev["var_source"] = "external" if use_ext else "diagonal"+    var_ratio_num = 0.0+    var_ratio_den = 0.0+    dmu = []+    r_medians = []+    n_touched = 0+    n_skipped = 0+    for lab in np.unique(labels):+        idx = np.flatnonzero(labels == lab)+        m = idx.size+        if m < min_cells:+            n_skipped += m+            continue+        Xi = X[idx]+        mu = Xi.mean(axis=0)+        f = np.full(G, 1.0 + beta)  # diagonal fallback factor+        if use_ext:+            Xe, cols, le = ext+            jdx = np.flatnonzero(le == lab)+            if jdx.size >= min_cells:+                sd_mix = Xi.std(axis=0)+                f = np.ones(G)+                for g in range(G):+                    j = cols[g]+                    if j < 0:+                        continue+                    sd_ext = float(Xe[jdx, j].std())+                    r = sd_ext / max(sd_mix[g], 1e-6) if sd_mix[g] > 1e-6 else 1.0+                    f[g] = min(max(r ** beta, 0.25), 4.0)+                    r_medians.append(r)+            else:+                f = np.ones(G)  # type absent from external prior: untouched+        Xnew_i = mu[None, :] + f[None, :] * (Xi - mu[None, :])+        np.maximum(Xnew_i, 0.0, out=Xnew_i)+        Xn[idx] = Xnew_i+        n_touched += m+        var_ratio_num += float(Xnew_i.var(axis=0).sum())+        var_ratio_den += float(Xi.var(axis=0).sum())+        dmu.append(float(np.abs(Xnew_i.mean(axis=0) - mu).mean()))+    ev["var_n_touched"] = int(n_touched)+    ev["var_n_skipped"] = int(n_skipped)+    ev["var_ratio_after_before"] = var_ratio_num / var_ratio_den if var_ratio_den > 0 else 1.0+    ev["var_mean_abs_dmu"] = float(np.mean(dmu)) if dmu else 0.0+    if r_medians:+        ev["var_ext_r_median"] = float(np.median(r_medians))+    d = np.abs(Xn - X).sum(axis=1)+    base = np.abs(X).sum(axis=1)+    ev["var_frac_cells_changed_gt1pct"] = float(np.mean(d > 0.01 * np.maximum(base, 1e-12))) if n else 0.0+    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)@@ -275,6 +391,8 @@ def main() -> None:     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)+    parser.add_argument("--qiu-var", type=float, default=QIU_VAR)+    parser.add_argument("--var-source", choices=("auto", "diag", "ext"), default="auto")     args = parser.parse_args()      manifest = load_manifest(args.data)@@ -290,6 +408,9 @@ def main() -> None:         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)+        if args.qiu_var != 0.0:+            Xe, _ = _var_expand(Xe, np.asarray(stage.labels)[rows], args.qiu_var, args.data, manifest,+                                genes, source=args.var_source)         write_t2(args.out, Xe, coords, genes, seed=args.seed)         return     stage_a = read_stage(args.data, a, genes)@@ -298,7 +419,7 @@ def main() -> None:     expr, coords, info = interpolate(stage_a, stage_b, t, params)      ev = {}-    need_labels = args.strength != 0.0 or args.expr_alpha != 0.0+    need_labels = args.strength != 0.0 or args.expr_alpha != 0.0 or args.qiu_var != 0.0     labels = None     if need_labels:         n = int(info["n"])@@ -327,11 +448,16 @@ def main() -> None:         expr, ev3 = _expr_smooth(expr, coords, labels, args.k_expr, args.expr_alpha)         ev.update(ev3) +    if args.qiu_var != 0.0:+        expr, ev4 = _var_expand(expr, labels, args.qiu_var, args.data, manifest, genes, source=args.var_source)+        ev.update(ev4)+     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,-                      "expr_alpha": args.expr_alpha, "k_expr": args.k_expr, **ev}, default=float), file=sys.stderr)+                      "expr_alpha": args.expr_alpha, "k_expr": args.k_expr,+                      "qiu_var": args.qiu_var, "var_source": args.var_source, **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：在父19管线上实现 PLAN 的 T2HI-08 型内方差增强（`_var_expand`：X_new=(1−f)μ_type+f·X，保均值双向外扩；含视图无关的外部先验自动检测 `_load_external_prior` 与单输入退路）。免费诊断发现本视图 external/ 只有 MOSTA E9.5（类型词汇与本板零交集，Qiu 未挂载）→ 按 PLAN 走对角退路 f=1+β。

查分（5/20 次，A 半）：对照 β=0 = 61.033（与父19记录逐位吻合）；β=0.05→61.091、β=0.15→61.085（cell_state +0.20/+0.27，expression_change −0.26/−0.42）、β=0.30→60.663。全部增益 <1 分噪声阈值，按 PLAN 止损条款提交关闭态 β=0，输出与父17/19 逐位一致（np.array_equal 验证），vec-check 通过，seed 0/1 确定。

下一步最值得试：表达侧对角/低通修饰已双侧封顶（收窄 −4.76、放大 +0.27）——型内方差已在参考最优附近；建议转向 cell_state 的非方差维度（如按参考可推断的型内亚结构/基因共变重塑），或接受表达侧平台、把剩余空间放在 mix 抽样策略（t、分层比例的组成侧微调）上。

调研员

2024 早期心脏 scRNA 补类型内方差）正为此设计：Qiu E9.0 在允许阶段（不在 T2 heart 禁窗 (8.25,8.75)/(9.5,13.5] 内）、心脏谱系、可作型内方差的独立先验。",
 "approach": "基线=节点17管线（mix + procrustes + kNN 坐标平滑 k=20, strength=1.5, max_frac=0.45, k_adaptive；保留节点19 的表达平滑代码但 alpha=0 关闭）。新增 --qiu-var 步骤，在最终输出表达上执行：\n0) 免费诊断（0 次查分）：从视图 external/ 读 Qiu 2024 E9.0，标签映射到本板类型词汇，统计与本板 500 基因面板的重叠数与每型中位方差比 r=SD_qiu/SD_mix。重叠<30 基因→退路：对角方差增强（σ_g 用本板该型该基因自身 SD，机制同构、不依赖外部数据）；重叠≥30 才用 Qiu 比值。\n1) 对每型（mix 中该型≥5 细胞，否则跳过）每个重叠基因：f_g=clamp(r_g^β, 0.25, 4.0)，X_new=(1−f_g)·μ_type + f_g·X；非重叠基因不动。μ_type 不动、细胞双向远离型均值 → 增方差保均值。\n2) β 网格 {0.2, 0.5, 1.0}，默认 β=0 完全跳过。\n3) 查分流程（额度 20）：先跑 β=0 与父17输出 np.array_equal 逐位验证（不查分）；再查 β=0 基线 1 次 + 三档各 1 次（共 4 次）。任一 β 比对照高 >1 分（超 T2 噪声）→ 在其 ±0.15 内细调 ≤3 次；三档全部 ≤对照 或 cell_state 随 β 单调下降 → 按止损提交 β=0（与父逐位一致，零损失）。\n4) 单输入阶段退路：本机制只作用于最终输出表达，不依赖输入阶段数，单阶段照常执行。\n5) 视图不变性：只用 manifest 相对时间与视图自带 external/ 路径，伪装/时间平移下行为一致。",
 "expected_groups": ["cell_state", "expression_change"],
 "risks": "① 若参考分布的型内方差 ≤ mix 现有方差，增方差同样掉 cell_state（与平滑对称的错误方向）——判据：cell_state 随 β 单调降即止损提交 β=0；② Qiu 异技术（另一测序平台）批次效应经方差比注入、污染基因分布——诊断步打印每型中位 r，r 中位数在 0.7–1.3 外时把 β 上限收到 0.5 并优先看 expression_change 是否单独受益；③ Qiu 与 500 面板重叠太少或类型映射失败 → 对角退路，若对角也证伪则提交 β=0；④ 小类型方差估计噪声大 → ≥5 细胞门槛+比值 clamp；⑤ 预期增益可能 <1 分噪声 → 仅在 A 半提升 >1 才细调，终选护栏由 B 半多种子把关。",
 "family_id": "T2HI-08",
 "mechanism": "以外部 Qiu 2024 E9.0 心脏 scRNA 的型内基因方差为先验，把 mix 输出细胞的表达沿型均值双向外扩（f=r^β），保型均值、增型内离散，修补有限分层抽样造成的型内多样性不足。",
 "vs_constant_shift": "常数位移对某型所有细胞加同一向量：型均值移动、方差不变；本机制型均值不动（验证 |Δμ|≈0）、方差增大、位移方向取决于细胞相对型均值的位置（上/下均值者反向），是分布形状（离散度）变换而非位置平移，也非按全局比例重加权组成。",
 "mechanism_evidence": "免费诊断输出：每型每基因方差比 after/before 应随 β 单调上升、趋近 r^{2β}；|Δμ_type|≈0（保均值）；>1% 细胞被改动比例及其相对型均值的双向外扩幅度（上均值与下均值细胞各自远离）；四组分变化模式（cell_state/expression_change 动、local_spatial/shape_scale 噪声内，因坐标不动）。该指纹与常数位移（均值动）、平滑（方差降）均可区分。",
 "mechanism_off_control": "--qiu-var 0（默认）完全跳过增强步；先与父节点17输出做 X、spatial_3D、labels 的 np.array_equal 逐位一致验证再查分。预期：关闭态榜分与四组分同父（61.41 / 66.70 / 63.90 / 62.34 / 52.70）；开启态仅 X 改变，坐标与细胞数/类型组成不变。",
 "sources": []}
```

审查员

REVIEW.json written