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

节点 n15

外部MOSTA E9.5型均值表达再锚定（T2HI-07）：实现NN融合后b细胞→参考同型真实均值的γ重锚（含varfix），标签门诊断失败（严格共有型0、可靠映射仅NCC 1型/覆盖率15%），按PLAN第1步放弃网格，提交γ=0默认（输出与父节点13逐位一致）。

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 4e45f90ea9: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 e006a839b9。改动的文件：solution/METHOD.md +22 −25、solution/expr_reanchor.py +172 −0、solution/nn_fuse.py +19 −2、solution/run.py +12 −2

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex ee4f24f..2da5e4e 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,41 +1,38 @@-# 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。+# 外部MOSTA E9.5型均值表达再锚定（T2HI-07）：实现NN融合后b细胞→参考同型真实均值的γ重锚（含varfix），标签门诊断失败（严格共有型0、可靠映射仅NCC 1型/覆盖率15%），按PLAN第1步放弃网格，提交γ=0默认（输出与父节点13逐位一致）。 -## 方法（PLAN T2HI-01 的实现）+## 方法（PLAN T2HI-07 的实现） -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。+父节点 13 pipeline（mix + 空间分层 + procrustes 对齐 + 型内 NN 坐标融合 α=1.0，EXPR_BLEND_BETA=0）不动。新增 `expr_reanchor.py` 并接入 `nn_fuse.py`/`run.py`： -- 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。+1. **参考加载**（`load_reference`）：遍历 `manifest["external"]`，读挂载的外部 h5ad（本视图为 mosta_e95_v0，5913 细胞×496 基因）；表达按契约重算为 log1p(CP10k)（原存储每细胞总量仅 ~250，非 CP10k），按 `genes.txt` 对齐，按参考标签算每基因均值 M_ref。外部细胞本身绝不输出。+2. **重锚**（`apply_reanchor`）：对每个"两 bracket 共有且参考中存在"的型，被 NN 融合的 b 侧输出行做 `X_new=(1−γ)X_b+γ·M_ref(type,gene)`，仅锚定参考覆盖的基因列，逐细胞、型级锚点、不跨型；可选 VARFIX 把子集每基因 std 恢复到重锚前（clip≥0）。+3. **接线**：`EXPR_REANCHOR_GAMMA`（提交默认 0.0=关闭）、`EXPR_REANCHOR_VARFIX`（默认 0）、`REANCHOR_DIAG=1` 打印门诊断。单输入阶段（b is None）退路与父相同；external 为空/缺失时 ref_means={} 优雅跳过。 -## β 网格（proxy，seed0，A 半，共 7 次查分）+## 标签门诊断（PLAN 第 1 步 / 风险 1，判定：不达标） -| 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 |+参考标签词汇（12 个）：AGM, Brain, Branchial arch, Cavity, Connective tissue, Dermomyotome, Heart, Liver, Mesenchyme, Neural crest, Notochord, Sclerotome。bracket 共有型（5 个）：NCC, Peri, V-CM, aPHM, pPHM。 -## 机制生效证据（PLAN 要求的 4 项）+- **严格同名交集 = 0 型**（<3，门失败）。harness 自己的官方映射表也没能把这些标签映射到官方词汇（保留原名），因为它们是**解剖区域标签**而非细胞类型：'Heart' 区域混含心肌/心内膜/心外膜等，'Branchial arch' 混含外胚层/内皮/间充质，用区域均值当 V-CM 或 aPHM 的型级锚点不满足机制前提（"真实同型均值"），属于编造标签同一性。+- 唯一可靠的通用谱系映射是 **Neural crest → NCC**（NCC=neural crest cells，标准发育生物学命名）。运行时门诊断（stderr json `reanchor_gate`）：anchor_types=["NCC"]，n_anchorable/n_fused = 341/2273 = **15.0% 覆盖率 < 30%**，1 型 < 3 型，两条标准都失败。+- 若强行加 'Heart'→V-CM、'Branchial arch'→aPHM 才能凑到 61% 覆盖率，但这违反门规则的初衷（风险 1），未采用。 -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）。+**按 PLAN 第 1 步："若与官方共有型 <3 或覆盖率 <30%，直接放弃本方向、提交与父逐位一致的默认"。** 因此未跑 γ 网格、未花查分额度在 γ>0 配置上，提交 γ=0。  ## 对照结果（mechanism_off_control） -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。+- γ=0（默认，外部文件甚至不被读取除非 REANCHOR_DIAG）：输出与父节点 13 提交版**逐位一致**——`X.data/indices/indptr` 与 `spatial_3D` 均 array_equal（preds/gamma0.h5ad vs 改码前用父代码生成的 preds/parent_default.h5ad）。+- vec-check ok；A 半查分 1 次（n15_reanchor_gamma0_control）：60.07，四组分 64.07/66.17/53.78/56.26，与节点 13 同一输出的 A 半控制值完全一致 → 接线无副作用（+0.00）。+- 机制本身可用性验证（仅本地诊断、不查分、不提交）：γ=1.0 时 reanchor_n=341（NCC 融合细胞全部被作用），表达与参考 NCC 均值的 cosine 0.359→0.993，型内 std_ratio=0.031——γ=1 几乎塌缩到型均值，印证 PLAN 风险 2（分布形状塌缩会重罚 cell_state，节点 13 教训：mmd 类惩罚靠二阶统计量修补无效）。坐标逐位不变（符合设计，只动表达）。  ## 验证过 / 未验证 -- 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。+- 验证过：γ=0 逐位一致 + vec-check ok + A 半控制 60.07（1 次查分，余 19）；γ=1 机制生效诊断（341 细胞、cosine、std 塌缩、坐标不动）；运行 ~2s、内存与父相当；external 为空时的优雅退路（代码路径，final 视图 external 组成可能不同）。+- 未验证：任何 γ>0 的榜分（门失败，按 PLAN 停止，不花额度）；varfix 变体的榜分；final 视图（final 的 external 若同为区域标签词汇，门同样失败、γ=0 逐位一致退路生效，不会崩）。++## 生物学知识来源++- NCC = neural crest cells 的命名同一性（通用谱系知识，标准发育生物学命名法）；除此未使用任何文献/数据库/记忆中的阶段特异性信息。区域标签未做任何到细胞类型的推断映射。  ## 对树的意义 -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）。+T2HI-07 方向的瓶颈不是实现而是**外部参考的标签词汇与官方 T2 心脏词汇在细胞类型粒度上不相交**（区域级 vs 型级）。后续节点若再想用 external/mosta_e95_v0，可行路径是标签无关的对齐（如表达空间 OT/最近邻把参考细胞投到官方型上再算锚点），但那引入"参考细胞是否同型"的新假设，且 γ=1 诊断显示型均值锚点本身有塌缩风险；表达侧改动仍受节点 13 教训约束（cell_state/mmd 对非真实流形谱惩罚苛刻）。坐标底座（α=1.0 NN 融合）保持不动，是当前全部净增益的来源。diff --git a/solution/expr_reanchor.py b/solution/expr_reanchor.pynew file mode 100644index 0000000..4c6d5f2--- /dev/null+++ b/solution/expr_reanchor.py@@ -0,0 +1,172 @@+"""External-reference type-mean expression re-anchoring (T2HI-07).++Mechanism (PLAN): NN coordinate fusion moves b-side cells next to a-side+neighbours but keeps their b-stage expression profile (expression/geometry+mismatch). For every fused b-side cell whose type is shared by both+brackets AND present in an external reference (manifest["external"],+e.g. MOSTA E9.5), pull its expression toward the reference's real+same-type per-gene mean: X_new = (1-gamma)*X_b + gamma*M_ref(type, gene).+The anchor is a real measured profile of the same cell type, so no+interpolated spectrum between the two bracket manifolds is created+(node-13 lesson). Optional VARFIX restores per-gene std of the anchored+subset to its pre-anchor value (clip >= 0).++Reference handling (contract-compliant):+- expression recomputed to log1p(CP10k) from the stored log values;+- genes aligned to the panel; genes missing from the reference are NOT+  anchored (kept as X_b);+- external cells are never emitted, only per-type means are used.++Label gate (PLAN step 1 / risk 1): the reference vocabulary must overlap+the official bracket-shared vocabulary. Only conservative cell-type+identities from general lineage knowledge are mapped+("Neural crest" -> "NCC"); anatomical REGION labels ("Heart",+"Branchial arch", "Brain", ...) mix multiple cell types and are NOT+mapped (the harness's own label mapping also left them unmapped).+If shared reference types < MIN_SHARED_TYPES or anchored coverage of the+fused b cells < MIN_COVERAGE, the mechanism must stay off (gamma=0).+"""++from __future__ import annotations++import os+from pathlib import Path++import numpy as np++MIN_SHARED_TYPES = 3+MIN_COVERAGE = 0.30++# Reference label -> official T2 heart vocabulary. Only unambiguous+# cell-type identities (general lineage knowledge: NCC = neural crest+# cells). Region labels are deliberately absent (see module docstring).+REF_LABEL_TO_OFFICIAL = {+    "Neural crest": "NCC",+}+++def _to_log1p_cp10k(X: np.ndarray) -> np.ndarray:+    counts = np.expm1(X, dtype=np.float64)+    np.clip(counts, 0.0, None, out=counts)+    tot = counts.sum(1, keepdims=True)+    tot[tot <= 0] = 1.0+    return np.log1p(counts / tot * 1e4).astype(np.float32)+++def load_reference(view: str, manifest: dict, genes: list[str]) -> tuple[dict[str, np.ndarray], dict]:+    """Per-official-type gene means (panel order) from mounted external data.++    Returns ({}, diag) when no usable external entry exists (views may+    mount empty external/). Deterministic; no cells are returned.+    """+    diag = {"ref_labels": [], "n_ref_cells": 0, "ref_types_mapped": [], "gene_cov": 0.0}+    means: dict[str, np.ndarray] = {}+    entries = manifest.get("external") or []+    gidx = {g: i for i, g in enumerate(genes)}+    for entry in entries:+        path = Path(view) / entry.get("path", "")+        if not path.exists():+            continue+        try:+            import anndata as ad++            ref = ad.read_h5ad(path)+        except Exception as exc:  # pragma: no cover - defensive+            diag["error"] = f"{type(exc).__name__}: {exc}"+            continue+        if "celltype" not in ref.obs.columns:+            continue+        labels = np.asarray(ref.obs["celltype"]).astype(str)+        diag["ref_labels"] = sorted(set(labels.tolist()))+        diag["n_ref_cells"] = int(ref.n_obs)+        X = ref.X.toarray() if hasattr(ref.X, "toarray") else np.asarray(ref.X)+        X = _to_log1p_cp10k(np.asarray(X, dtype=np.float32))+        cols = np.array([gidx.get(g, -1) for g in ref.var_names], dtype=np.int64)+        have = cols >= 0+        diag["gene_cov"] = float(have.mean())+        panel = np.zeros((ref.n_obs, len(genes)), dtype=np.float32)+        panel[:, cols[have]] = X[:, have]+        for lab in sorted(set(labels.tolist())):+            off = REF_LABEL_TO_OFFICIAL.get(lab, lab)+            m = labels == lab+            means[off] = panel[m].mean(0)+        diag["ref_types_mapped"] = sorted(+            REF_LABEL_TO_OFFICIAL.get(l, l) for l in set(labels.tolist())+        )+        break+    return means, diag+++def reanchor_diag(labels_pick: np.ndarray, from_a: np.ndarray, fused_rows: np.ndarray,+                  shared_types: set, ref_means: dict) -> dict:+    """Gate diagnostics: how many fused b cells a reference anchor could act on."""+    ref_types = set(ref_means)+    anchor_types = sorted(shared_types & ref_types)+    n_fused = int(fused_rows.size)+    if n_fused:+        labs = np.asarray(labels_pick).astype(str)[fused_rows]+        n_anchor = int(np.isin(labs, anchor_types).sum())+    else:+        n_anchor = 0+    return {+        "shared_types": sorted(shared_types),+        "ref_anchored_types": anchor_types,+        "n_shared_ref_types": len(anchor_types),+        "n_fused": n_fused,+        "n_anchored": n_anchor,+        "frac_anchored": float(n_anchor / n_fused) if n_fused else 0.0,+        "gate_pass": bool(len(anchor_types) >= MIN_SHARED_TYPES+                          and (n_anchor / n_fused if n_fused else 0.0) >= MIN_COVERAGE),+    }+++def apply_reanchor(expr: np.ndarray, fused_rows_by_type: dict, ref_means: dict,+                   gamma: float, varfix: bool) -> dict:+    """In-place X_new = (1-gamma)*X_b + gamma*M_ref(type) for fused b rows.++    Only genes covered by the reference are anchored. gamma == 0 is a+    no-op (guard, mechanism-off control).+    """+    diag = {"n_anchored": 0, "cos_before": 0.0, "cos_after": 0.0,+            "std_ratio_mean": 1.0}+    if gamma <= 0.0 or not fused_rows_by_type:+        return diag+    cos_b, cos_a, std_ratios = [], [], []+    for lab, rows in sorted(fused_rows_by_type.items()):+        m = ref_means.get(lab)+        if m is None or rows.size == 0:+            continue+        cover = m > 0+        if not cover.any():+            continue+        Xb = expr[rows]+        cos_b.append(_cos_to(Xb, m))+        Xnew = Xb.copy()+        Xnew[:, cover] = (1.0 - gamma) * Xb[:, cover] + gamma * m[cover]+        if varfix:+            sd0 = Xb.std(0)+            sd1 = Xnew.std(0)+            ok = sd1 > 1e-9+            Xnew = Xnew.copy()+            Xnew[:, ok] = Xnew[:, ok] * (sd0[ok] / sd1[ok])+            np.clip(Xnew, 0.0, None, out=Xnew)+        expr[rows] = Xnew+        cos_a.append(_cos_to(expr[rows], m))+        s1 = expr[rows].std(0)+        good = sd0_ref = Xb.std(0)+        both = (good > 1e-9) & (s1 > 1e-9)+        if both.any():+            std_ratios.append(float(np.mean(s1[both] / good[both])))+        diag["n_anchored"] += int(rows.size)+    if cos_b:+        diag["cos_before"] = float(np.mean(cos_b))+        diag["cos_after"] = float(np.mean(cos_a))+    if std_ratios:+        diag["std_ratio_mean"] = float(np.mean(std_ratios))+    return diag+++def _cos_to(X: np.ndarray, v: np.ndarray) -> float:+    num = X @ v+    den = np.linalg.norm(X, axis=1) * (np.linalg.norm(v) + 1e-12) + 1e-12+    return float(np.mean(num / den))diff --git a/solution/nn_fuse.py b/solution/nn_fuse.pyindex bbe9388..dd1fdaf 100644--- a/solution/nn_fuse.py+++ b/solution/nn_fuse.py@@ -20,6 +20,7 @@ from src.task2_spatial.frame import align_pair, log_interp, rms_radius, scale_to from src.task2_spatial.methods import _jitter, _limits, _pack_expr from src.task2_spatial.transport import as_dense +from expr_reanchor import apply_reanchor from spatial_mix import spatial_mix_indices  NN_MIN_TYPE_CELLS = 5@@ -38,7 +39,7 @@ def fuse_nn(coords: np.ndarray, labels_pick: np.ndarray, from_a: np.ndarray,     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}+            "cos_before": 0.0, "cos_after": 0.0, "fused_rows_by_type": {}}     if alpha == 0.0:         return diag     labels_a = np.asarray(labels_a).astype(str)@@ -66,6 +67,7 @@ def fuse_nn(coords: np.ndarray, labels_pick: np.ndarray, from_a: np.ndarray,         disp[:, :fuse_ndim] = alpha * (xa[idx][:, :fuse_ndim] - pos[:, :fuse_ndim])         coords[rows_b] = pos + disp         diag["n_fused"] += int(rows_b.size)+        diag["fused_rows_by_type"][lab] = rows_b         diag["types"][lab] = {             "n_b": int(rows_b.size),             "nn_dist": float(np.mean(dist)),@@ -112,7 +114,8 @@ def _cos_mean(X: np.ndarray, Y: np.ndarray) -> float:  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,-                     beta: float = 0.0, varfix: bool = False):+                     beta: float = 0.0, varfix: bool = False,+                     ref_means: dict | None = None, gamma: float = 0.0, rvarfix: bool = False):     t = float(t)     damp = float(params.get("scale_damp", 1.0))     align = str(params.get("align", "procrustes"))@@ -148,6 +151,15 @@ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,                    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))+    fused_rows_by_type = diag.pop("fused_rows_by_type", {})+    ref_means = ref_means or {}+    gate = {"ref_types": sorted(ref_means), "fused_types": sorted(fused_rows_by_type),+            "anchor_types": sorted(set(fused_rows_by_type) & set(ref_means)),+            "n_anchorable": int(sum(fused_rows_by_type[l].size+                                    for l in set(fused_rows_by_type) & set(ref_means))),+            "n_fused": int(diag["n_fused"])}+    gate["frac_anchorable"] = float(gate["n_anchorable"] / gate["n_fused"]) if gate["n_fused"] else 0.0+    ra = apply_reanchor(expr, fused_rows_by_type, ref_means, float(gamma), bool(rvarfix))     coords = _jitter(coords, rng)     coords = scale_to_rms(coords, target_rms)     info.update(@@ -166,5 +178,10 @@ def interpolate_fuse(stage_a, stage_b, t: float, params: dict,         cos_before=diag["cos_before"],         cos_after=diag["cos_after"],         fuse_types=diag["types"],+        reanchor_gamma=float(gamma), reanchor_varfix=bool(rvarfix),+        reanchor_n=int(ra["n_anchored"]),+        reanchor_cos_before=ra["cos_before"], reanchor_cos_after=ra["cos_after"],+        reanchor_std_ratio=ra["std_ratio_mean"],+        reanchor_gate=gate,     )     return expr, coords.astype(np.float32), infodiff --git a/solution/run.py b/solution/run.pyindex 0218580..5c59c19 100644--- a/solution/run.py+++ b/solution/run.py@@ -31,6 +31,7 @@ from src.task2_spatial.methods import interpolate from src.task2_spatial.sample import take from src.task2_spatial.view_io import board_params, interp_bracket, load_manifest, panel_genes, read_stage, write_t2 +from expr_reanchor import load_reference from nn_fuse import interpolate_fuse from shape_interp import interpolate_shape from spatial_mix import interpolate_spatial@@ -47,6 +48,8 @@ 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"+EXPR_REANCHOR_GAMMA = float(os.environ.get("EXPR_REANCHOR_GAMMA", "0.0"))+EXPR_REANCHOR_VARFIX = os.environ.get("EXPR_REANCHOR_VARFIX", "0") != "0"   def main() -> None:@@ -74,15 +77,22 @@ def main() -> None:                                                cells_per_bin=CELLS_PER_BIN, ndim=BIN_NDIM,                                                blend=SHAPE_BLEND, shift_clamp=SHAPE_SHIFT_CLAMP)     elif NN_FUSE and SPATIAL_STRATIFY:+        ref_means, ref_diag = ({}, {})+        if EXPR_REANCHOR_GAMMA > 0 or os.environ.get("REANCHOR_DIAG"):+            ref_means, ref_diag = load_reference(args.data, manifest, genes)         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,-                                              beta=EXPR_BLEND_BETA, varfix=EXPR_BLEND_VARFIX)+                                              beta=EXPR_BLEND_BETA, varfix=EXPR_BLEND_VARFIX,+                                              ref_means=ref_means, gamma=EXPR_REANCHOR_GAMMA,+                                              rvarfix=EXPR_REANCHOR_VARFIX)+        if ref_diag:+            info["ref_diag"] = ref_diag     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", "expr_blend_beta", "cos_before", "cos_after")}+    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", "reanchor_gamma", "reanchor_n", "reanchor_cos_before", "reanchor_cos_after", "reanchor_std_ratio", "reanchor_gate", "ref_diag")}     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-07 实现了外部 MOSTA E9.5 型均值表达再锚定（`expr_reanchor.py`，γ/varfix/门诊断全部接线，external 缺失时优雅退化）。第 1 步标签门诊断失败：参考标签是解剖区域词汇，与官方 5 个共有型严格交集为 0；唯一可靠谱系映射 Neural crest→NCC 只覆盖 341/2273=15% 融合细胞（<30%、1 型<3）。按 PLAN 硬停止规则放弃 γ 网格，提交 γ=0 默认。

**查分结果**：1 次（余 19）。γ=0 控制 A 半 60.07（64.07/66.17/53.78/56.26），与父节点 13 同一输出的控制值完全一致；输出与父逐位一致（X 与坐标 array_equal），vec-check ok，运行 ~2s。机制可用性本地验证：γ=1 锚定 341 个 NCC 细胞、cosine 0.36→0.99，但型内 std 塌缩到 3%，印证风险 2。

**下一步最值得试**：(1) 标签无关的参考对齐（表达空间最近邻/OT 把 MOSTA 细胞投到官方型上再算锚点），绕开区域级词汇问题，但需防型均值塌缩——建议 γ≤0.3 且以 cell_state 降>1 为硬停；(2) 表达侧已两次证伪（节点 13 混合、本节点门失败），剩余增益更可能在把 α=1.0 NN 融合底座拿到 final 括号验证（31 共有型，融合覆盖率远高于 12.9%）；(3) shape_scale 54.5 仍是最弱组分，但节点 11 弥散、节点 9 形状插值均无效，需要新的坐标分布机制而非再调参。

调研员

ame": "外部MOSTA E9.5型均值表达再锚定（NN坐标融合后，b细胞→真实目标流形）",
 "motivation": "父节点13（=父12，60.66）四组分中 shape_scale 54.49、local_spatial 56.83 最弱，但节点11（各向同性弥散）与节点13（表达β混合）已分别证明这两组的常见改法无效；节点13 ANALYSIS 明确下一步是用 external/mosta_e95_v0 引导的表达侧调整。节点13 证伪的是'在两阶段真实谱之间插值出中间表达谱'（cell_state mmd 惩罚与 DE 增益等量抵消），而把 b 侧细胞表达替换/拉向外部 E9.5 参考的同型真实均值不产生插值谱，是未被试过且与教训兼容的方向。",
 "approach": "步骤：1) 读 external/mosta_e95_v0（manifest/基因面板/标签与视图同格式），按型算每基因均值与 std；先只做标签诊断（若与官方共有型 <3 或覆盖率 <30%，直接放弃本方向、提交与父逐位一致的默认）。2) 在 nn_fuse.py 融合后新增 expr_reanchor：对每个两阶段共有型且参考中也存在的型，b 侧被融合细胞做 X_new=(1−γ)X_b+γM_ref(type,gene)，逐细胞、型级锚点、不跨型。3) 可选 VARFIX：重锚后把该子集每基因 std 恢复到重锚前（clip≥0），防止均值拉动压缩型内方差。4) 参数网格：γ=0（对照）, 0.5, 1.0，各含/不含 varfix，共 5 次 vec-score（A 半、seed0）；若最佳净增益 ≤1 分（噪声内）再加 1–2 个中间 γ 或停止，总查分 ≤8。5) 硬停止规则：cell_state 较对照降 >1 分即停（节点13 验证有效）。6) 单输入阶段（b is None）退路：跳过重锚，与现有 fallback 一致。7) 提交规则：仅当某配置净榜分超对照 >1 分且 cell_state 不降时才提交该配置，否则提交 γ=0（与父逐位一致）。",
 "expected_groups": ["expression_change", "cell_state", "local_spatial"],
 "risks": "1) MOSTA 标签词汇与官方不一致或共有型太少→机制无细胞可作用；Engineer 第一步先打印标签交集与覆盖率，不达标立即停。2) 向型均值收缩仍会压缩型内分布形状，cell_state/mmd 可能再罚（节点13 varfix 只回收 1/3 损失的教训）→用 VARFIX 变体对照，若 cell_state 降 >1 即停。3) b 侧表达本身可能已比外部参考更接近目标（参考是另一数据集）→若 γ>0 使 expression_change 反降，说明参考锚点劣于原表达，放弃。4) 净增益可能 <1 分噪声→用 A 半多次查分（不同 γ）看组分单调性，不只看总分。",
 "family_id": "T2HI-07",
 "mechanism": "NN 坐标融合把 b 侧细胞移到 a 侧邻居旁但表达仍是 b 阶段谱，表达-几何对应失配；用外部 MOSTA E9.5 同型真实均值做锚点，按 γ 把这些细胞的表达拉回目标阶段的真实表达流形（含方差恢复选项），不产生两真实谱之间的插值谱。",
 "vs_constant_shift": "节点6 的型常数位移用括号内型均值差作为全体细胞同一位移向量，无细胞差异、无外部锚点，结果从 48.68 崩到 51.02；本方案锚点来自外部参考的型内真实均值，只作用于被空间融合、表达-几何失配的 b 侧共有型细胞，位移是逐细胞相对自身表达的收缩且钳在型内方差包络内，目标是替换到真实流形而非沿型间方向平移。",
 "mechanism_evidence": "诊断输出：被重锚细胞数与覆盖率（n_anchored/frac_anchored）、重锚前后表达与参考型均值的 cosine（应升）、型内每基因 std 变化（不加 varfix 应收缩、加后恢复）、四组分各自变化。关键证据是 cell_state 与 expression_change 同向改善（节点13 是此消彼长的零和），且 local_spatial 不降。",
 "mechanism_off_control": "γ=0（默认）时重锚代码被 guard 全跳过，输出 X 与坐标应与父节点13 提交版逐位一致（X 非零值与 spatial_3D array_equal 验证），榜分四组分 +0.00；若 γ=0 与父不一致说明接线有副作用，需修复后再网格。",
 "sources": []}
```

审查员

REVIEW.json written