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

节点 n24

实现 T2HI-01 型内倾斜抽样：按两阶段型均值漂移方向 exp(±γ·投影) 加权重抽 mix 细胞，代理上目标组微升却被 shape_scale 抵消、净分不越噪，按止损以 γ=0（与父逐位一致）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 23148fe95d: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 +29 −28、solution/run.py +174 −14

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex d4535c2..78beea6 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,50 +1,51 @@-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-01 型内倾斜抽样：按两阶段型均值漂移方向 exp(±γ·投影) 加权重抽 mix 细胞，代理上目标组微升却被 shape_scale 抵消、净分不越噪，按止损以 γ=0（与父逐位一致）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-01**（型内亚群组成时间插值：倾斜 mix 抽样），按 PLAN 实现于 `run.py`： -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. `_type_tilt_weights(stage_a, stage_b, gamma)`：对每个细胞型，若两括号阶段该型各 ≥3 个细胞，取表达矩阵（视图内 500 基因），算型均值差 `d_type = mean_hi − mean_lo`（单位化 `d_hat`）；每细胞投影 `s_i = (X_i − 型总均值)·d_hat`；权重 `w_lo = exp(−γ·s)`（下括号）、`w_hi = exp(+γ·s)`（上括号），减去侧内最大值做数值稳定。缺失/退化/单侧型权重全为 1（均匀抽样）。**不修改任何表达值**，只决定哪些真实输入细胞进入 mix。+2. `_wtake`：逐位复制 `sample.stratified_choice` 的分型配额逻辑，仅把型内 `rng.choice(idx, k, replace=False)` 换成带 `p=w[idx]/sum` 的加权抽样（配额、类型顺序不变）。+3. `_interpolate_mix_tilted`：逐位复制 `methods.interpolate`（coord=mix, expr=carry）的对齐/RMS 管线（`align_pair` procrustes 保 z、`log_interp` target_rms、`scale_to_rms`、`_jitter`、`_pack_expr`），仅把 `mix_indices` 换成 `_wtake` 加权抽样；返回源行索引 `ia, ib` 以便下游标签精确对应。抽中细胞的表达与坐标照常进入型内 kNN 坐标平滑（k=20, strength=1.5, max_frac=0.45, k_adaptive）等父19全部后处理，逻辑逐位不改。+4. 单输入阶段退路：`interp_bracket` 返回 `b=None`，走父逻辑（分层抽末阶段），γ 不参与、无新行为。+5. 关闭对照：`--gamma 0`（**默认值** `GAMMA=0.0`）走原 `interpolate` 分支，与父19逐位一致。  ## 对照结果（mechanism_off_control） -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。+γ=0（默认）输出与父节点19在同一视图 seed 0 上的输出比较：**X 与 spatial_3D 均 `np.array_equal = True`**（`preds/default_s0.h5ad` vs `preds/g0.h5ad`）。A 半查分四组分（cell_state 65.93 / expression_change 63.83 / local_spatial 61.70 / shape_scale 52.68）与父19 METHOD.md 记录的关闭对照值逐项相同，交叉验证 γ=0 未引入副作用。默认参数即关闭态。 -## 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（proxy 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% |+| γ | tilt_n_types（生效型） | tilt_n_skipped（退化型） | lo 侧平均投影偏移 | hi 侧平均投影偏移 |+|---:|---:|---:|---:|---:|+| 0.3 | 5 | 28 | −2.87 | +1.95 |+| 0.7 | 5 | 28 | −4.77 | +3.70 | -方差随 alpha 单调下降、幅度与 alpha 成正比 → 低通滤波确实运行。+投影偏移随 γ 单调增大，方向符合设计（下括号细胞被拉向漂移起点=负、上括号被拉向终点=正）→ 权重确实起作用。仅 5 个两阶段共有型（与 align 的 `n_shared_types=5` 一致）能算 d_type，其余 28 个单侧/小样本型退化为均匀抽样，因此倾斜只作用于少数细胞，效果受限。 -## 机制检验：证伪（vec-score，A 半，seed 0）+## 机制检验：证伪（vec-score，A 半，seed 0，共用 3/20 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 γ=0（=父19）** | **61.03** | 65.93 | 63.83 | 61.70 | 52.68 |+| γ=0.3 | 60.99 (−0.05) | 66.26 (+0.33) | 63.77 (−0.06) | 61.59 (−0.11) | 52.34 (−0.34) |+| γ=0.7 | 61.00 (−0.03) | 66.30 (+0.37) | 64.20 (+0.37) | 61.72 (+0.02) | 51.81 (−0.87) | -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**。+四组分变化符合 PLAN 预期模式：**目标组 cell_state（+0.33/+0.37）与 expression_change（γ=0.7 时 +0.37）确实向正方向移动**（说明型内亚群组成倾斜对表达分布有可测影响），但幅度均 <0.4，远小于 T2 噪声（~1 分）；同时被抽中细胞集合改变导致坐标点集变化，**shape_scale 单调下降（−0.34/−0.87）抵消了表达侧增益**，local_spatial 基本不动。净 board 两档均低于关闭对照（−0.03~−0.05）。精确命中 PLAN 主止损判据（两档榜分均不高于对照 +1 分）。++按 PLAN：方向虽对但增益远低于噪声且被 shape_scale 抵消，不再花查分细调 {0.15, 1.0}（γ↓→两方向都缩小趋近对照，γ↑→shape_scale 掉得更多，无净增益区间）。**提交关闭态 γ=0**。  ## 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19逐位一致（`np.array_equal` 验证 X 与 spatial_3D 均 True；A 半四组分逐项相同）。查分共 3 次（额度 20）。`vec-check` 通过；seed 0 两次运行 X/coords 逐位一致（确定性）；`EXECUTION.json` 为 `{"gpu": false}`（纯 CPU）。运行时间 ~2 s，内存 <0.5 GB。  ## 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。仅使用 PLAN 给定的通用先验：同一细胞型在两发育阶段的型内表达均值差 `d_type` 反映该型的发育漂移方向（谱系/成熟连续），据此把 mix 抽样沿该方向倾斜以插值型内亚群组成。所有统计量（d_type、投影、配额）均从视图内两括号阶段的表达与标签现场计算，无硬编码阶段统计量；全部时间为 manifest 相对时间，视图平移不变；不做坐标旋转以外的假设。  ## 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）。-- B 半与 final 视图（关闭态与父逐位一致，迁移性等同父节点17）。+- γ ∈ {0.15, 1.0}（PLAN 止损后不再细调：净榜分在两档已单调低于对照，无越噪增益区间）。+- 放宽 tilt_n_types 门槛（<3 细胞型也倾斜）：仅 5 个共有型可算 d_type，是本 board 括号（E8.25↔E9.5 只剩 5 个同名型）的固有限制，非参数问题。+- 单独抑制 shape_scale 下降（如倾斜后再做尺度校正）：父节点已证伪 RMS 恢复/径向尺度会把尺度推离参考，叠加倾斜不改变该结论。+- B 半与 final 视图（关闭态与父逐位一致，迁移性等同父节点19）。diff --git a/solution/run.py b/solution/run.pyindex a073596..88e5186 100644--- a/solution/run.py+++ b/solution/run.py@@ -53,12 +53,14 @@ import numpy as np from scipy.spatial import cKDTree  from src.task2_spatial.frame import align_pair, log_interp, rms_radius, scale_to_rms-from src.task2_spatial.methods import interpolate+from src.task2_spatial.methods import _jitter, _limits, _pack_expr, interpolate from src.task2_spatial.sample import mix_indices, take+from src.task2_spatial.transport import as_dense 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} K = 20+GAMMA = 0.0  # family T2HI-01: within-type tilt of the mix draw along the two-stage type-mean drift; 0 = off (control, bit-identical to parent) 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)@@ -195,6 +197,154 @@ def _expr_smooth(expr: np.ndarray, coords: np.ndarray, labels: np.ndarray, k: in     return Xn.astype(np.float32), ev  +def _type_tilt_weights(stage_a, stage_b, gamma: float):+    """Family T2HI-01: per-cell sampling weights tilting the mix draw along the+    within-type two-stage expression drift direction.++    For each type with >= 3 cells on both sides: d_type = mean_hi - mean_lo+    (unit-normalised); s_i = (X_i - pooled type mean) . d_hat; weights+    w_lo = exp(-gamma*s), w_hi = exp(+gamma*s) (stabilised by subtracting the+    side max). Types missing on one side, with < 3 cells, or with a degenerate+    d keep weight 1 (uniform draw). No expression value is modified: the weights+    only choose WHICH real input cells enter the mix.+    Returns (w_a, w_b, evidence).+    """+    la = np.asarray(stage_a.labels).astype(str)+    lb = np.asarray(stage_b.labels).astype(str)+    wa = np.ones(la.size, dtype=np.float64)+    wb = np.ones(lb.size, dtype=np.float64)+    n_tilted = 0+    n_skipped = 0+    shift_a = []+    shift_b = []+    for lab in np.unique(la):+        ia = np.flatnonzero(la == lab)+        ib = np.flatnonzero(lb == lab)+        if ia.size < 3 or ib.size < 3:+            n_skipped += 1+            continue+        Xa = as_dense(stage_a.X, ia).astype(np.float64)+        Xb = as_dense(stage_b.X, ib).astype(np.float64)+        d = Xb.mean(axis=0) - Xa.mean(axis=0)+        nd = float(np.linalg.norm(d))+        if nd < 1e-9:+            n_skipped += 1+            continue+        dhat = d / nd+        pooled = np.concatenate([Xa, Xb], axis=0).mean(axis=0)+        sa = (Xa - pooled) @ dhat+        sb = (Xb - pooled) @ dhat+        ta = np.exp(-gamma * (sa - sa.max()))+        tb = np.exp(gamma * (sb - sb.max()))+        wa[ia] = ta+        wb[ib] = tb+        n_tilted += 1+        # expected projection shift of the drawn cells vs uniform (evidence)+        shift_a.append(float((ta * sa).sum() / ta.sum() - sa.mean()))+        shift_b.append(float((tb * sb).sum() / tb.sum() - sb.mean()))+    ev = {+        "tilt_n_types": int(n_tilted),+        "tilt_n_skipped_types": int(n_skipped),+        "tilt_mean_proj_shift_lo": float(np.mean(shift_a)) if shift_a else 0.0,+        "tilt_mean_proj_shift_hi": float(np.mean(shift_b)) if shift_b else 0.0,+    }+    return wa, wb, ev+++def _wtake(labels: np.ndarray, n: int, rng: np.random.Generator, w: np.ndarray) -> np.ndarray:+    """stratified_choice replica with within-type weighted draws (same allocation)."""+    labels = np.asarray(labels).astype(str)+    n = int(min(max(n, 1), len(labels)))+    if n >= len(labels):+        return np.arange(len(labels))+    types, counts = np.unique(labels, return_counts=True)+    raw = counts / counts.sum() * n+    alloc = np.floor(raw).astype(int)+    rem = int(n - alloc.sum())+    order = np.argsort(-(raw - alloc))+    for i in range(rem):+        alloc[order[i % len(order)]] += 1+    alloc = np.minimum(alloc, counts)+    deficit = int(n - alloc.sum())+    if deficit > 0:+        spare = counts - alloc+        for i in np.argsort(-spare):+            k = int(min(deficit, spare[i]))+            alloc[i] += k+            deficit -= k+            if deficit == 0:+                break+    picks = []+    for lab, k in zip(types, alloc):+        if k <= 0:+            continue+        idx = np.flatnonzero(labels == lab)+        p = w[idx]+        s = float(p.sum())+        if not np.isfinite(s) or s <= 0:+            picks.append(rng.choice(idx, int(k), replace=False))+        else:+            picks.append(rng.choice(idx, int(k), replace=False, p=p / s))+    return np.concatenate(picks)+++def _interpolate_mix_tilted(stage_a, stage_b, t: float, params: dict, wa: np.ndarray, wb: np.ndarray):+    """Replica of methods.interpolate (coord=mix, expr=carry) with weighted within-type draws.++    Returns (expr, coords, info, ia, ib) so downstream labels come from the exact+    drawn source rows. Alignment / RMS logic is copied unchanged.+    """+    t = float(t)+    damp = float(params.get("scale_damp", 1.0))+    align = str(params.get("align", "procrustes"))+    rng = np.random.default_rng(int(params.get("seed", 0)))+    aligned_a, aligned_b, info = align_pair(stage_a.coords, stage_b.coords, stage_a.labels, stage_b.labels, align)+    rms_a = rms_radius(stage_a.coords)+    rms_b = rms_radius(stage_b.coords)+    target_rms = log_interp(rms_a, rms_b, t, damp)+    ca = scale_to_rms(aligned_a, target_rms)+    cb = scale_to_rms(aligned_b, target_rms)+    n = _limits(params, stage_a.n, stage_b.n, t, "interp")+    n_b = int(np.clip(int(round(t * n)), 0, n))+    n_a = n - n_b+    if n_a == 0:+        ia = np.array([], dtype=int)+        ib = _wtake(stage_b.labels, n_b, rng, wb)+    elif n_b == 0:+        ia = _wtake(stage_a.labels, n_a, rng, wa)+        ib = np.array([], dtype=int)+    else:+        ia = _wtake(stage_a.labels, n_a, rng, wa)+        ib = _wtake(stage_b.labels, n_b, rng, wb)+    expr_parts = []+    coord_parts = []+    if ia.size:+        expr_parts.append(as_dense(stage_a.X, ia))+        coord_parts.append(np.asarray(ca[ia], dtype=np.float64))+    if ib.size:+        expr_parts.append(as_dense(stage_b.X, ib))+        coord_parts.append(np.asarray(cb[ib], dtype=np.float64))+    expr = _pack_expr(expr_parts)+    coords = _jitter(np.vstack(coord_parts), rng)+    coords = scale_to_rms(coords, target_rms)+    info.update(+        t=t,+        n=int(expr.shape[0]),+        rms_a=rms_a,+        rms_b=rms_b,+        target_rms=target_rms,+        out_rms=rms_radius(coords),+        coord="mix",+        expr="carry",+        blend="convex",+        scale_damp=damp,+        nearer=("b" if t >= 0.5 else "a"),+        n_from_a=int(ia.size),+        n_from_b=int(ib.size),+    )+    return expr, coords.astype(np.float32), info, ia, ib++ 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 +425,7 @@ 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("--gamma", type=float, default=GAMMA)     args = parser.parse_args()      manifest = load_manifest(args.data)@@ -295,25 +446,34 @@ def main() -> None:     stage_a = read_stage(args.data, a, genes)     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)      ev = {}-    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-        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")+    if args.gamma != 0.0:+        wa, wb, tev = _type_tilt_weights(stage_a, stage_b, args.gamma)+        ev.update(tev)+        expr, coords, info, ia, ib = _interpolate_mix_tilted(stage_a, stage_b, t, params, wa, wb)         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])+    else:+        expr, coords, info = interpolate(stage_a, stage_b, t, params)+        need_labels = args.strength != 0.0 or args.expr_alpha != 0.0+        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+            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")+            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"))+        coords, ev_sm = _knn_smooth(coords, labels, args.k, args.strength, args.max_frac,+                                    adaptive=(args.k_adaptive == "on"))+        ev.update(ev_sm)         if args.rescale_damp != 0.0 or args.aniso == "on":             coords, ev2 = _rms_restore(coords, float(info["target_rms"]), args.rescale_damp,                                        args.aniso == "on", args.aniso_damp, stage_a, stage_b, t,@@ -331,7 +491,7 @@ def main() -> None:     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, "gamma": args.gamma, **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. Final state committed in `solution/`.

**做了什么**：在父19管线的 mix 抽样步实现 PLAN 的 T2HI-01 型内倾斜抽样（`_type_tilt_weights` + `_wtake` + `_interpolate_mix_tilted`）：按两括号阶段每个共有型的表达均值差方向 d_type，对每细胞投影 s_i，用 exp(∓γ·s) 加权下/上括号侧的型内抽样，只换被抽中的真实细胞、不改任何表达值或坐标变换。单输入退路不变。

**查分结果（proxy A半，seed0，用 3/20 次）**：
- γ=0（对照）board 61.03，四组分与父19记录逐项相同 → 确认 γ=0 与父逐位一致（`np.array_equal` X/coords 均 True）。
- γ=0.3 board 60.99、γ=0.7 board 61.00，均低于对照。
- 机制确实生效：目标组 cell_state（+0.33/+0.37）、expression_change（γ=0.7 +0.37）向正方向移动，投影偏移随 γ 单调增大；但增益 <0.4 远低于噪声，且被 shape_scale 单调下降（−0.34/−0.87，因抽中细胞坐标集改变）抵消，净分为负。命中 PLAN 主止损判据 → 提交关闭态 γ=0（默认），与父19逐位一致。

**下一步最值得试**：本 board 括号 E8.25↔E9.5 只剩 5 个共有型，型内倾斜只作用于少数细胞，天花板很低；表达侧三条路线（趋势位移、kNN 平滑、方差外扩、亚群倾斜）均已证伪，坐标侧也平台化。建议换家族——例如利用 view 里挂载的 MOSTA E9.5 外部空间数据做型内坐标/表达先验（尚未被任何节点使用），或直接接受父17/19 平台、把预算留给其它 board。

调研员

闭）的 mix 抽样步骤内加入型内倾斜权重，步骤：(1) 对每个细胞型，取两括号阶段该型细胞的表达矩阵（仅用视图内数据，500 基因），分别标准化到零均值；(2) 算两阶段型均值差向量 d_type（500 维），若该型在一侧细胞数<3 则 d_type=0（该型退化为均匀抽样）；(3) 对每个细胞算投影分数 s_i = (X_i − 型总均值)·d_type / (||d_type||+1e-9)；(4) 带权抽样：下括号阶段该型细胞的抽样权重 w_lo,i = exp(−γ·s_i)，上括号 w_hi,i = exp(+γ·s_i)，归一化后作为 np.random.choice 的 p；γ 为倾斜强度，初值网格 {0.3, 0.7}，若方向对再试 {0.15, 1.0}；γ=0 时所有权重=1，退化为父管线（关闭对照）；(5) 抽中细胞的表达与坐标照常进入后续 procrustes 对齐、log-RMS 缩放、kNN 坐标平滑，逻辑逐位不改。单输入阶段退路：无两阶段差异可算，d_type 全为 0，权重全为 1，管线退化为父逻辑（分层抽末阶段），无新行为。vec-score 快速筛选：先验证 γ=0 输出与父19 逐位一致（np.array_equal，0 次查分），再各查 γ=0.3 和 γ=0.7 一次分（2 次查分）定方向；若两档榜分均不高于关闭对照 1 分以上（T2 噪声约 1 分）即提交关闭态；若某档升>1 分，再花 ≤2 次查分细调。总查分预算 ≤6 次。所有时间用相对 manifest 的时间，视图平移不变；不做任何坐标旋转、不硬编码任何阶段统计量。",
  "expected_groups": ["cell_state", "expression_change"],
  "risks": "① 评分器的 cell_state 若只比较逐基因边际分布而非亚群比例，则型内重抽样不动边际分布，预期中性（增益<噪声）——Engineer 用两档 γ 快速定向即可发现，止损提交关闭态。② 权重改变了被抽中的细胞集合，坐标点集随之变化，可能扰动 local_spatial（父17 在 62.34 已较高）——缓解：这是换真实细胞而非移动坐标，且 kNN 平滑逻辑不变；若 local_spatial 掉>1.5 而表达组升<1，止损。③ d_type 方向可能噪声主导（小样本型）——已设<3 细胞退化为均匀；若大样本型也无效，说明型内分布两阶段差异太小，机制无信号，止损。④ 30 分钟时限：实现<50 行、无新依赖、父管线仅 1.6 s，风险低；若超时，优先保证关闭态逐位一致提交。",
  "family_id": "T2HI-01",
  "mechanism": "在 mix 抽样阶段，按两输入阶段型内表达均值差方向对每个细胞投影，用 exp(±γ·投影) 做倾斜抽样，使型内亚群组成按时间分数 t 在两阶段分布间插值；不改变任何被抽中细胞的表达值或坐标变换逻辑。",
  "vs_constant_shift": "常数位移/全局组成重加权是对所有细胞加同一向量或按型乘同一系数；本机制按每个细胞在型内两阶段漂移方向上的投影赋不同权重（细胞级、方向有信息、型特异性），且只作用于抽样选择而不修改表达值——输出中每个细胞的表达仍是某个真实输入细胞的原始表达，不存在人工位移。",
  "mechanism_evidence": "Engineer 记录并比较：(1) γ>0 时被抽中细胞的投影分数分布相对 γ=0 是否按预期偏移（下括号细胞平均投影应下降、上括号上升，用两阶段各型的均值偏移量衡量）；(2) 型内亚群比例变化：对每型用型内前 3 个主成分做简单二分聚类，比较 γ=0 与 γ>0 时两阶段细胞占比是否向目标时间 t 移动；(3) 四组分各自变化：预期 cell_state 与 expression_change 动、local_spatial 与 shape_scale 基本不动（若 local_spatial 动则说明坐标点集变化过大，需报告）。机制未生效的判据：投影分数分布在 γ>0 与 γ=0 间无可分辨偏移（说明权重没起作用）。",
  "mechanism_off_control": "γ=0（默认）时所有抽样权重=1，抽样退化为父管线的均匀分层抽样，表达、坐标、细胞数、类型组成逐位不变。Engineer 用 γ=0 输出与父19 输出做 np.array_equal 验证（X 与 spatial_3D 均须 True），不消耗查分；若不等则说明实现有副作用，先修复再测。预期差别：γ>0 时抽中细胞集合改变（表达矩阵行集合不同），但每行仍是某真实输入细胞的原始表达；γ=0 时与父逐位一致。"
}
```

审查员

REVIEW.json written