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

节点 n13

型内NN空间融合后同步表达β混合（T2HI-01）：被融合b细胞表达向其a侧同型最近邻做(1−β)X_b+βX_a线性混合；proxy全β网格净分不高于β=0对照（expr_change/local_spatial升被cell_state等量降抵消），提交默认β=0（输出与父节点12逐位一致），阴性结果完整记录。

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 e006a839b9: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 af89ea07a6。改动的文件：solution/METHOD.md +26 −44、solution/nn_fuse.py +59 −7、solution/run.py +5 −2

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 7f3f9f0..ee4f24f 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,59 +1,41 @@-# mix+空间分层上移植型内近邻坐标融合（T2HI-04）：关闭已证无效的形状插值；Procrustes 对齐后，每个共有型的 b 侧细胞用 cKDTree 向其 a 侧同型最近邻做 3D 位移（α=1.0），恢复型内局部空间连续性，表达矩阵不动。+# 型内NN空间融合后同步表达β混合（T2HI-01）：被融合b细胞表达向其a侧同型最近邻做(1−β)X_b+βX_a线性混合；proxy全β网格净分不高于β=0对照（expr_change/local_spatial升被cell_state等量降抵消），提交默认β=0（输出与父节点12逐位一致），阴性结果完整记录。 -## 方法+## 方法（PLAN T2HI-01 的实现） -父节点 9 pipeline，SHAPE_INTERP 置 0（父节点已证类型级 xy 形状插值无效），保留 SPATIAL_STRATIFY=1（每共有型 xy k-means 分 bin、bin 内按 (1−t,t) 抽两阶段真实细胞，表达和坐标一起走，align=procrustes，scale_damp=1）。新增 `solution/nn_fuse.py`：选完细胞、放到位之后、jitter/缩放之前，对每个两阶段共有型（各 ≥ NN_MIN_TYPE_CELLS=5 细胞），用 `scipy.spatial.cKDTree` 在该型 a 侧全部对齐+缩放坐标上建树，把每个被选中的 b 侧同型细胞位移 α·(最近 a 侧同型邻居 − 自身位置)，**3D 含 z**。非共有型细胞不动，表达矩阵不动（X 与对照逐位一致）。之后照常走父节点的 _jitter + scale_to_rms。+父节点 12 pipeline（mix + 空间分层抽样 + procrustes 对齐 + 型内 NN 坐标融合 α=1.0）不动。在 `nn_fuse.py` 的 `fuse_nn` 内，cKDTree query 返回的最近邻索引被复用于表达混合：对每个被空间融合的 b 侧输出细胞，`X_b ← (1−β)·X_b + β·X_a_nn`（同一邻居，逐细胞、位置依赖、型内），另加可选 `EXPR_BLEND_VARFIX=1`：混合后把融合子集内每基因 std 恢复到混合前（保留均值位移，clip≥0）。非共有型、a 侧细胞、坐标均不动。单输入阶段（b is None）退路与父节点相同。 -- 开关：`NN_FUSE=0` 或 `NN_FUSE_ALPHA=0` 为关闭对照（已验证与 SHAPE_INTERP=0 的父节点输出**逐位一致**，X 和坐标均相同）。-- 参数：`NN_FUSE_ALPHA`（默认 1.0）、`NN_FUSE_NDIM`（默认 3；2=仅 xy，z 不动）。-- 单输入阶段（b is None）退路与父节点相同（分层抽最后输入，无融合）。-- 位移是逐细胞、位置依赖的：同型不同细胞获得不同方向/幅度的位移（型内每轴位移 std 62–102），不是常数平移，也不是刚体变换。+- 开关：`EXPR_BLEND_BETA`（**提交默认 0.0 = 关闭**）、`EXPR_BLEND_VARFIX`（默认 0）。+- β=0 时融合/混合代码全被 guard 跳过，输出 X 与坐标和父节点 12 **逐位一致**（`X/data` 非零值 array_equal、`spatial_3D` array_equal，已验证）；vec-check ok。 -## α 网格（proxy，seed0，A 半）+## β 网格（proxy，seed0，A 半，共 7 次查分） -| α | 榜分 | local_spatial | shape_scale |-|---|---:|---:|---:|-| 0（=父，SHAPE_INTERP=0） | 59.80 | 54.13* | 53.76* |-| 0.5 | 59.49 | 54.06 | 53.65 |-| 0.75 | 59.85 | 55.37 | 53.78 |-| **1.0（提交）** | **60.07** | **56.26** | **53.78** |-| 1.25 | 60.04 | 56.01 | 53.91 |-| 1.5 | 59.82 | 54.79 | 54.23 |-| 1.0，仅 xy（NDIM=2） | 59.73 | 54.91 | 53.75 |+| 配置 | 榜分 | expr_change | cell_state | local_spatial | shape_scale |+|---|---:|---:|---:|---:|---:|+| β=0（对照=父12） | **60.07** | 64.07 | **66.17** | 56.26 | 53.78 |+| β=0.1 | 60.02 | 64.47 | 65.63 | 56.21 | 53.78 |+| β=0.2 | 59.95 | 64.50 | 65.27 | 56.26 | 53.78 |+| β=0.3 | 59.93 | 64.53 | 64.99 | 56.40 | 53.78 |+| β=0.5 | 59.97 | 64.55 | 64.68 | 56.88 | 53.78 |+| β=0.3+varfix | 60.02 | 64.52 | 65.17 | 56.59 | 53.78 |+| β=0.5+varfix | 60.10 | 64.80 | 64.67 | 57.14 | 53.78 | -*父节点 9 表中数字；本节点 α=0 对照与其逐位一致。cell_state/expression_change 全部配置相同（66.17/64.07，X 未动）。α=1.0 与节点 10 在另一分支验证的值一致；3D 融合优于仅 xy（z 也参与配对恢复局部连续性）。+## 机制生效证据（PLAN 要求的 4 项） -## 3 种子确认（α=1.0，A 半）--| seed | 榜分 | local_spatial | shape_scale |-|---|---:|---:|---:|-| 0 | 60.07 | 56.26 | 53.78 |-| 1 | 59.75 | 56.07 | 53.20 |-| 2 | 59.74 | 55.76 | 53.44 |-| 均值 | **59.85** | **56.03** | **53.47** |--vs 父节点 9 rank3 = 59.17（local_spatial 53.97）：+0.68，local_spatial +2.06（远超 T2 噪声 ~1 分，3 种子一致）；shape_scale −0.43（噪声内）。与节点 10（非分层底座 + 同机制，rank3 60.13）方向一致。--## 机制生效证据（proxy E8.25_late+E9.5→E8.75，t=0.4，seed0，α=1.0）--- 融合细胞数 2273 / 17616 = **12.9% 输出细胞**（占被选 b 侧细胞 7046 的 32.3%；略低于 PLAN 的 15% 门槛，因为 proxy 共有型仅 5 个，非共有型的 b 细胞按设计不动）。-- 5 个共有型全部通过 ≥5 阈值：NCC 341、Peri 621、V-CM 814、aPHM 239、pPHM 258 个 b 细胞被融合。-- 融合前 b→a 同型最近邻平均距离 200.1（各型 102–405）；融合后全局平均最近邻距离从 14.25（对照）降到 12.86（−9.8%），型内局部空间连续性恢复。-- 位移向量型内每轴 std 62.5–101.9 > 0：逐细胞位置依赖位移，非常数位移。-- 四组分响应：local_spatial 54.1→56.3（机制目标组，+2.1~2.3）；shape_scale 53.8→53.8（持平）；cell_state / expression_change 与对照逐位一致（X 未动）。-- occupancy 变化可见未崩塌（occupancy_dice 0.837 记录于查分 metrics；输出 RMS 346.3 与对照相同，缩放步骤在融合后统一执行）。+1. **cosine 相似度**：被融合 b 细胞与其 a 侧邻居的表达 cos 从 0.379 升到 0.593（β=0.2，stderr 诊断 `cos_before/cos_after`）——混合确实按位置逐细胞改变了表达。+2. **型内方差**：不加 varfix 时融合子集每基因 std 按 ~(1−β)+β·ρ 收缩；varfix 变体把它恢复到混合前（mmd_u 0.0349→0.0341 @β=0.5），但 cell_state 只回收约 1/3，说明 cell_state 损失来自分布形状（mmd）而非逐基因方差。+3. **四组分**：expression_change 单调升（64.07→64.80，de_score 0.337→0.370）；local_spatial 升（56.26→57.14，neighborhood_mmd 0.0746→0.0720，表达-空间对应一致化确实改善局部邻域）；cell_state 近似线性降（66.17→64.67）；shape_scale 恒等（坐标未动，符合设计）。+4. **响应曲线**：expression_change 对 β 单调（非 PLAN 预期的非单调），但在 β≥0.1 后饱和；净榜分对 β 平坦且全部 ≤ 对照 + 0.03（噪声 ~1 分内）。  ## 对照结果（mechanism_off_control） -NN_FUSE_ALPHA=0 输出与 NN_FUSE=0（=SHAPE_INTERP=0 父节点路径）逐位一致（X 稀疏非零差 0、坐标 array_equal），已在代码改动前后各验证一次。α=1.0 比 α=0 对照（seed0 59.80）高 0.27 分、local_spatial 高 2.13 分——机制在 local_spatial 上生效超过噪声，榜分增益小于组增益因 shape_scale 微降抵消一部分。+β=0（默认）输出与父节点 12 逐位一致（X 非零值与坐标 array_equal，preds/default.h5ad vs preds/b0.h5ad 验证）；β>0 时仅表达变化、坐标逐位不变（b0 vs b02 coords array_equal 验证）。结论：**假设被证伪**——表达向空间邻居混合的 expr_change(+0.4~0.7) 与 local_spatial(+0.6~0.9) 增益，被 cell_state(−0.5~−1.5) 等量抵消，7 个配置无一在噪声外超过 β=0。PLAN 风险 1、2 同时兑现。按 PLAN 的停止规则（cell_state 降 >1 即停、β=0.1 净降即放弃），提交保持 β=0。  ## 验证过 / 未验证 -- 验证过：proxy 上 α∈{0,0.5,0.75,1.0,1.25,1.5}、3D vs xy、3 种子；off 对照逐位一致；vec-check 通过；seed 确定性（同 seed 重跑输出相同，rng 均来自 `np.random.default_rng(seed)`，cKDTree 查询确定）。-- 未验证：final 括号（E8.25+E8.75→E8.5，31 个共有型、覆盖率高得多，融合细胞占比会远高于 12.9%，效果预期更大但本节点无法测）；α 在 final 上的最优值可能不同（proxy 峰值 1.0 与节点 10 独立分支一致，取 1.0 不另调）。-- 生物学知识来源：仅方法卡/父节点的坐标系约定（z 为离散切片轴、procrustes 保 z、各阶段自己的帧），未引入新的外部先验。+- 验证过：β=0 逐位一致 + vec-check ok；β∈{0.1,0.2,0.3,0.5}×{plain,varfix} 网格（seed0，A 半，7 次查分）；运行 ~2-5s、内存不变。+- 未验证：β>0 的多种子（无配置超噪声，不值得花额度）；final 视图（31 共有型、融合覆盖率更高，β 混合的作用细胞更多，cell_state 损失可能同比放大，方向结论预期不变）；k>1 邻居均值混合（同属均值压缩，预期同样伤 cell_state）。+- 生物学知识来源：无新增外部知识；仅用 view 内输入数据。external/mosta 未使用。 -## 下一步+## 对树的意义 -- 表达侧改进（cell_state 66.2 / expression_change 64.1 之外无杠杆；local_spatial 已 56）：如 external/mosta_e95_v0 引导的密度加权或型内表达平滑。-- 节点 10（非分层底座，rank3 60.13）与本节点（分层底座，均值 59.85）可比较：分层抽样本身对 local_spatial 无增益（54.0 vs 54.1），融合才是有效部件；后续 improve 可直接在任一底座上叠表达侧机制。+表达侧"向空间邻居混合"与坐标侧 NN 融合不同：坐标融合恢复局部连续性是纯增益（节点 10/12 各 +2.6/+2.9），表达混合在 E8.75 参考分布下是零和（评分器的 cell_state/mmd 对"不在真实流形上的中间表达谱"惩罚与 DE 方向增益等量）。下一步最值得试的是 external/mosta_e95_v0 引导的表达侧改动（节点 12 next_suggestions），或在 final 括号上直接复用当前 α=1.0 底座（31 共有型 vs proxy 5 个，融合覆盖率 12.9%→更高，local_spatial 增益可能放大）。diff --git a/solution/nn_fuse.py b/solution/nn_fuse.pyindex 0d2bae1..bbe9388 100644--- a/solution/nn_fuse.py+++ b/solution/nn_fuse.py@@ -27,16 +27,29 @@ NN_MIN_TYPE_CELLS = 5  def fuse_nn(coords: np.ndarray, labels_pick: np.ndarray, from_a: np.ndarray,             labels_a: np.ndarray, labels_b: np.ndarray,-            ca: np.ndarray, cb: np.ndarray, alpha: float, fuse_ndim: int = 3) -> dict:-    """In-place displacement of picked b-side cells toward same-type a-side NNs."""-    diag = {"types": {}, "n_fused": 0, "disp_std_mean": 0.0, "nn_dist_before_mean": 0.0}+            ca: np.ndarray, cb: np.ndarray, alpha: float, fuse_ndim: int = 3,+            expr: np.ndarray | None = None, expr_a: np.ndarray | None = None,+            ia: np.ndarray | None = None, beta: float = 0.0, varfix: bool = False) -> dict:+    """In-place displacement of picked b-side cells toward same-type a-side NNs.++    If beta > 0 and expr/expr_a/ia are given, the expression of each fused+    b-side output row is blended in place toward the expression of its+    a-side nearest neighbour (the same neighbour used for the coordinate+    displacement): X_b <- (1-beta)*X_b + beta*X_a_nn.+    """+    diag = {"types": {}, "n_fused": 0, "disp_std_mean": 0.0, "nn_dist_before_mean": 0.0,+            "cos_before": 0.0, "cos_after": 0.0}     if alpha == 0.0:         return diag     labels_a = np.asarray(labels_a).astype(str)     labels_b = np.asarray(labels_b).astype(str)     counts_a = {k: int(v) for k, v in zip(*np.unique(labels_a, return_counts=True))}     counts_b = {k: int(v) for k, v in zip(*np.unique(labels_b, return_counts=True))}-    disp_stds, nn_dists = [], []+    blend = beta > 0.0 and expr is not None and expr_a is not None and ia is not None+    # map original a-side row index -> output row index (b-side output offset = ia.size)+    a_out_row = -np.ones(len(labels_a), dtype=np.int64)+    a_out_row[np.asarray(ia, dtype=int)] = np.arange(len(ia), dtype=np.int64)+    disp_stds, nn_dists, cos_b, cos_a = [], [], [], []     for lab in sorted(set(counts_a) & set(counts_b)):         if counts_a[lab] < NN_MIN_TYPE_CELLS or counts_b[lab] < NN_MIN_TYPE_CELLS:             continue@@ -44,7 +57,8 @@ def fuse_nn(coords: np.ndarray, labels_pick: np.ndarray, from_a: np.ndarray,         rows_b = rows[~from_a[rows]]         if rows_b.size == 0:             continue-        xa = ca[labels_a == lab].astype(np.float64)+        mask_a = labels_a == lab+        xa = ca[mask_a].astype(np.float64)         tree = cKDTree(xa[:, :fuse_ndim])         pos = coords[rows_b].astype(np.float64)         dist, idx = tree.query(pos[:, :fuse_ndim], k=1)@@ -60,14 +74,45 @@ def fuse_nn(coords: np.ndarray, labels_pick: np.ndarray, from_a: np.ndarray,         }         disp_stds.append(float(np.std(disp, axis=0).mean()))         nn_dists.append(float(np.mean(dist)))+        if blend:+            orig_a_idx = np.flatnonzero(mask_a)[idx]+            nb_out = a_out_row[orig_a_idx]+            have = nb_out >= 0+            if have.any():+                # neighbour expression: prefer the picked copy (identical row+                # content), fall back to the original stage-a matrix+                Xnb = np.empty((rows_b.size, expr.shape[1]), dtype=np.float32)+                Xnb[have] = expr[nb_out[have]]+                if (~have).any():+                    Xnb[~have] = expr_a[orig_a_idx[~have]]+                Xb = expr[rows_b]+                cos_b.append(_cos_mean(Xb, Xnb))+                Xnew = (1.0 - beta) * Xb + beta * Xnb+                if varfix:+                    mu0, sd0 = Xb.mean(0), Xb.std(0)+                    mu1, sd1 = Xnew.mean(0), Xnew.std(0)+                    Xnew = mu1 + (Xnew - mu1) * (sd0 / (sd1 + 1e-9))+                    np.clip(Xnew, 0.0, None, out=Xnew)+                expr[rows_b] = Xnew+                cos_a.append(_cos_mean(expr[rows_b], Xnb))     if disp_stds:         diag["disp_std_mean"] = float(np.mean(disp_stds))         diag["nn_dist_before_mean"] = float(np.mean(nn_dists))+    if cos_b:+        diag["cos_before"] = float(np.mean(cos_b))+        diag["cos_after"] = float(np.mean(cos_a))     return diag  +def _cos_mean(X: np.ndarray, Y: np.ndarray) -> float:+    num = (X * Y).sum(1)+    den = np.linalg.norm(X, axis=1) * np.linalg.norm(Y, axis=1) + 1e-12+    return float(np.mean(num / den))++ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,-                     cells_per_bin: int = 100, ndim: int = 2, alpha: float = 1.0, fuse_ndim: int = 3):+                     cells_per_bin: int = 100, ndim: int = 2, alpha: float = 1.0, fuse_ndim: int = 3,+                     beta: float = 0.0, varfix: bool = False):     t = float(t)     damp = float(params.get("scale_damp", 1.0))     align = str(params.get("align", "procrustes"))@@ -98,7 +143,11 @@ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,         np.asarray(stage_b.labels).astype(str)[ib],     ])     from_a = np.concatenate([np.ones(ia.size, bool), np.zeros(ib.size, bool)])-    diag = fuse_nn(coords, labels_pick, from_a, stage_a.labels, stage_b.labels, ca, cb, float(alpha), fuse_ndim=int(fuse_ndim))+    diag = fuse_nn(coords, labels_pick, from_a, stage_a.labels, stage_b.labels, ca, cb, float(alpha),+                   fuse_ndim=int(fuse_ndim),+                   expr=expr if beta > 0 else None,+                   expr_a=as_dense(stage_a.X) if beta > 0 else None,+                   ia=ia, beta=float(beta), varfix=bool(varfix))     coords = _jitter(coords, rng)     coords = scale_to_rms(coords, target_rms)     info.update(@@ -113,6 +162,9 @@ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,         frac_fused=float(diag["n_fused"] / max(expr.shape[0], 1)),         disp_std_mean=diag["disp_std_mean"],         nn_dist_before_mean=diag["nn_dist_before_mean"],+        expr_blend_beta=float(beta),+        cos_before=diag["cos_before"],+        cos_after=diag["cos_after"],         fuse_types=diag["types"],     )     return expr, coords.astype(np.float32), infodiff --git a/solution/run.py b/solution/run.pyindex 60068a7..0218580 100644--- a/solution/run.py+++ b/solution/run.py@@ -45,6 +45,8 @@ SHAPE_SHIFT_CLAMP = float(os.environ.get("SHAPE_SHIFT_CLAMP", "0.08")) NN_FUSE = os.environ.get("NN_FUSE", "1") != "0" NN_FUSE_ALPHA = float(os.environ.get("NN_FUSE_ALPHA", "1.0")) NN_FUSE_NDIM = int(os.environ.get("NN_FUSE_NDIM", "3"))+EXPR_BLEND_BETA = float(os.environ.get("EXPR_BLEND_BETA", "0.0"))+EXPR_BLEND_VARFIX = os.environ.get("EXPR_BLEND_VARFIX", "0") != "0"   def main() -> None:@@ -74,12 +76,13 @@ def main() -> None:     elif NN_FUSE and SPATIAL_STRATIFY:         expr, coords, info = interpolate_fuse(stage_a, stage_b, t, params,                                               cells_per_bin=CELLS_PER_BIN, ndim=BIN_NDIM,-                                              alpha=NN_FUSE_ALPHA, fuse_ndim=NN_FUSE_NDIM)+                                              alpha=NN_FUSE_ALPHA, fuse_ndim=NN_FUSE_NDIM,+                                              beta=EXPR_BLEND_BETA, varfix=EXPR_BLEND_VARFIX)     elif SPATIAL_STRATIFY:         expr, coords, info = interpolate_spatial(stage_a, stage_b, t, params, cells_per_bin=CELLS_PER_BIN, ndim=BIN_NDIM)     else:         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", "n_from_a", "n_from_b", "n_remap", "frac_remap", "n_clamped", "nn_alpha", "n_fused", "frac_fused", "disp_std_mean", "nn_dist_before_mean")}+    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", "n_remap", "frac_remap", "n_clamped", "nn_alpha", "n_fused", "frac_fused", "disp_std_mean", "nn_dist_before_mean", "expr_blend_beta", "cos_before", "cos_after")}     print(json.dumps({"bracket": [a["stage"], b["stage"]], **keep}, default=float), file=sys.stderr)     if os.environ.get("SHAPE_DIAG"):         print(json.dumps(info.get("shape_types", {}), default=float), file=sys.stderr)

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

**做了什么**：按 PLAN（T2HI-01）在节点 12 的型内 NN 坐标融合里新增表达 β 混合——被融合的 b 细胞表达向其 a 侧同型最近邻做 (1−β)X_b+βX_a 混合（逐细胞、位置依赖），另加方差回充变体（varfix）。β=0 为关闭对照，已验证与父节点输出逐位一致。

**查分结果**（7 次，proxy seed0 A 半）：β∈{0.1,0.2,0.3,0.5}×{plain,varfix} 全部 ≤ 对照+0.03（噪声内）。机制确实生效（cos 0.379→0.593；expression_change 64.07→64.80、local_spatial 56.26→57.14），但 cell_state 66.17→64.67 等量下降，净分为零和——假设被证伪。**提交默认 β=0**（保住父节点 60.66 的性能），METHOD.md 完整记录阴性结果与网格。

**下一步最值得试**：表达侧"向邻居混合"这条路已封死；建议转向 external/mosta_e95_v0 引导的表达改动（节点 12 的建议），或直接把当前 α=1.0 底座放到 final 括号（31 共有型 vs proxy 5 个，融合覆盖率高得多，local_spatial 增益可能放大）。

调研员

{
  "name": "型内NN空间融合后同步表达混合（b细胞向a侧最近邻表达β混合）",
  "motivation": "父节点12的local_spatial已达56.83（+2.86），但expression_change停在64.37、cell_state 66.95自mix基线以来未动（X逐位未改）。shape_scale 54.49最弱但坐标侧三假设已耗尽（ANALYSIS明确不建议再投坐标形变）。k027指出表达与几何不应独立生成——当前管线坐标做了型内NN融合，表达却完全不动，表达-空间对应断裂。expression_change 64.37是唯一有明确杠杆且未试过的方向。",
  "approach": "在nn_fuse.py的空间融合步骤中，已为每个b细胞找到a侧同型最近邻索引（cKDTree query返回）。新增表达混合：对被融合的b细胞，X_b_new = (1−β)·X_b + β·X_a_neighbor，β∈{0, 0.1, 0.2, 0.3, 0.5}网格，用vec-score在proxy上快筛。β=0为关闭对照（输出与父节点逐位一致）。仅作用于共有型中被空间融合的b细胞（同n_fused集合），非共有型和a侧细胞X不动。基因维度不变、稀疏性可能略降（β混合后原零位可能变非零），若写盘格式要求稀疏则对|X|<1e-6截断为0。单输入阶段退路：b is None时不融合、不混合，与父节点相同。实现约15行改动（在interpolate_fuse内，query返回的邻居索引直接用于X混合）。30分钟内可完成网格+3种子确认。",
  "expected_groups": ["expression_change"],
  "risks": "1) β混合可能降低细胞间表达离散度，反而伤害cell_state（型内变异被压缩）——Engineer应同时监控cell_state，若降>1分则停止；2) 表达混合可能让expression_change也降（如果评分器期望保留完整的两阶段表达差异而非中间态）——β=0.1先试，若降则放弃；3) 稀疏→稠密转换的内存/格式问题——先检查write_t2是否接受稠密矩阵。",
  "family_id": "T2HI-01",
  "mechanism": "被空间融合的b细胞，其表达向同一a侧同型最近邻做β比例线性混合，使表达-空间对应一致（坐标靠近a侧，表达也适度靠近），逐细胞、位置依赖、型内进行。",
  "vs_constant_shift": "常数位移是每型加同一个向量t·(mean_b−mean_a)，所有同型细胞获得相同表达调整。本方案中每个b细胞混合的是其空间最近邻（不同细胞→不同邻居→不同调整方向和幅度），且仅限被空间融合的b细胞子集，调整量取决于该细胞与特定邻居的表达差，不是型级统计量。",
  "mechanism_evidence": "Engineer应记录：1) 混合前后被融合b细胞的表达cosine相似度变化（应升高）；2) 型内表达方差变化（应略降但不崩塌）；3) 四组分各自变化——预期expression_change升、cell_state持平或微降、local_spatial/shape_scale不变（坐标未动）；4) 不同β下expression_change的响应曲线应非单调（存在最优β>0）。",
  "mechanism_off_control": "EXPR_BLEND_BETA=0（或NN_FUSE=0）时跳过表达混合步骤，输出X与父节点逐位一致（array_equal），坐标也一致（空间融合不受影响）。预期差别：β=0时四组分与父节点完全相同；β>0时仅expression_change和可能的cell_state变化，local_spatial/shape_scale不变。"
}

审查员

REVIEW.json written