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

节点 n23

实现PLAN T2HI-01：表达混合靶点从空间1-NN单细胞改为同型a侧k近邻均值（门控仍用1-NN解耦），实测k=3/5与γ联动扫描全部无净增益（≤+0.09，噪声内），提交态取k=1（输出与节点21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 f6ec89af86: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 5e9b420bfb。改动的文件：solution/METHOD.md +32 −47、solution/run.py +58 −4

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 3d03d4f..8d397d4 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,59 +1,44 @@-实现PLAN T2HI-04结构性修复：把型内b→a的1-NN贪心换成容量约束最优指派（LAP），实测local_spatial零响应、shape/expression小幅变差，提交态默认关闭（输出与节点19逐位一致）。+实现PLAN T2HI-01：表达混合靶点从空间1-NN单细胞改为同型a侧k近邻均值（门控仍用1-NN解耦），实测k=3/5与γ联动扫描全部无净增益（≤+0.09，噪声内），提交态取k=1（输出与节点21逐位一致）。 -## 方法（family T2HI-04，improve 自节点 19）+## 方法（family T2HI-01，improve 自节点 21） -底座与节点 19 完全一致：双 bracket 组成插值 → Procrustes 对齐 → 统一 log 插值 RMS → 型内 NN 坐标融合（α=1.0）→ chg_l2 分位数门控表达混合（γ=2.8, q=0.8）→ jitter → RMS → PCA canon。表达侧未改动。+底座与节点 21 完全一致：双 bracket 组成插值 → Procrustes 对齐 → log 插值 RMS → 型内 NN 坐标融合（α=1.0，cap=0 即原 1-NN 贪心）→ chg_l2 分位数门控表达混合（γ=2.8, q=0.8, global）→ jitter → RMS → PCA canon。坐标路径零改动。 -新增（`_capacity_assign`，`run.py`）：每个共有型内，b 侧细胞到 a 侧细胞的配对由「无约束 1-NN 贪心」改为**容量约束指派**——每个 a 细胞最多承接 `capacity` 个 b 细胞。两种模式：+新增（`T2HI_EXPR_K`，默认 1）： -- `T2HI_CAP=c`：固定容量。指派用 a 侧复制 c 份后的**最优 LAP**（`scipy.optimize.linear_sum_assignment`，最小化总距离；行列式规模 n_b×(n_a·c) ≤ 6e7 时启用），超限则退回 kNN 贪心两轮（k=8→64，按距离升序稳定排序）。-- `T2HI_CAP_KAPPA=κ`：逐型容量 `cap=ceil(κ·n_b/n_a)`，κ=1 时 n_a·cap ≥ n_b，**保证零未融合**，只把占用摊平。-- `T2HI_CAP=0`（默认，提交态）：cap := n_b，走原 k=1 查询路径，**逐位退化为节点 19**。+- `_blend_within_type` 里，对每个被融合的 b 细胞额外查询同型 a 侧的 k 个空间最近邻（`cKDTree(pa).query(pb, k=min(k, n_a))`，含 `min(k, n_a)` 保护，PLAN 风险 2），记入 `stats["nnk_a"]`（不足 k 时以 -1 填充）。+- 表达混合时，被门控选中的 b 细胞的靶点改为这 k 个近邻的**表达均值** `Xa_tgt`：`xb ← xb + γ·(Xa_tgt − xb)`。+- **门控量 chg_l2 = ||Xa_1nn − Xb|| 仍按原 1-NN 配对计算**（PLAN 步骤 2，遵循节点 21 教训 3：配对/门控与表达靶点解耦），所以 keep 集合与 k=1 完全相同。+- k=1 时走原代码路径，为机制关闭对照。 -未拿到槽位的 b 细胞保留 Procrustes 坐标（不融合），也不进入表达混合（`nn_b/nn_a` 只含已指派对）。+## 机制生效证据（PLAN mechanism_evidence 四项，proxy seed 0） -## 机制生效证据（PLAN mechanism_evidence 五项，proxy seed 0）+1. **门控集不变**：k=1/3/5 下 cells_kept 均为 455/2273，per-type kept/total 逐项相同（NCC 149/341、Peri 9/621、V-CM 22/814、aPHM 76/239、pPHM 199/258）；chg_l2 kept mean/std/min/max 逐位相同（123.561/3.203/119.100/133.314）。+2. **混合后型内表达方差**（`within_type_var` after，k=1 为 3011.4）：k=3 → 2136.3（比值 0.71），k=5 → 1941.0（0.64）。靶点范数 tgt_norm 44.13 → 38.47（k=3，tgt/1-NN=0.872）→ 37.06（k=5，0.840）：k 近邻均值确实去噪并缩小了过冲步长。+3. **四组分变化**见下表：expression_change k=3 −0.0 至 +0.4（γ 联动），cell_state −0.26（k=3 γ2.8，触发 PLAN 风险 1 的 <−1 阈值之前但方向为负），local_spatial/shape_scale 不动（坐标未改）。+4. **获益最大的型**：无。k-NN 均值缩小步长等价于降低有效 γ，与节点 18「γ 越大越好（1.2→2.8 单调升）」方向相反；稀疏型假设未兑现——aPHM（n_b/n_a=1.25）在 k=3/5 下无独立正向信号（组内 keep 数少，被全局 q=0.8 门主导）。 -每型 n_b/n_a 实测（PLAN 风险 1 的反面：绝大多数型 n_b ≫ n_a，机制**有大量操作空间**）：NCC 0.76、Peri 9.29、V-CM 4.97、aPHM 1.25、pPHM 4.31；均值 4.11。共有型 a 侧合计 7115、b 侧 17338。+## 机制关闭对照与查分（A半 proxy，seed 0；节点正式分用 B半） -| 配置 | 型内 unique 坐标（融合前→后） | occ_max 均值 | a 细胞被用比例 | 未融合 | nn_dist_after | mean_disp |-|---|---|---:|---:|---:|---:|---:|-| cap=0（off，=节点19） | 3467.6 → **124.6** | — | — | 0 | 0.0 | 200.6 |-| cap=1 | 3467.6 → 3467.6 | 1.0 | 0.951 | 11062 (63.8%) | 124.6 | 148.5 |-| cap=2 | 3467.6 → 2709.6 | 2.0 | 0.847 | 8480 (48.9%) | 87.1 | 251.9 |-| cap=3 | 3467.6 → 2171.4 | 3.0 | 0.800 | 6263 (36.1%) | 59.6 | 299.2 |-| κ=1.0（cap_mean 4.60） | 3467.6 → **1167.2** | 4.6 | 0.887 | **0** | — | — |+off 对照 `T2HI_EXPR_K=1`（默认）：与节点 21 输出走完全相同代码路径（`nnk_a` 不参与），实测默认运行与显式 k=1 运行 X 与坐标 np.array_equal；seed 0 重跑逐位一致（确定性验证）。A半分数 61.346 = 节点 21 的 61.346（复现）。 -即：机制确实消除了坐标坍缩（unique 位置 124.6 → 1167.2，κ=1 时零未融合；cap=1 时全部分开）。+| 配置 | A半榜分 | expr_change | cell_state | local | shape |+|---|---:|---:|---:|---:|---:|+| k=1, γ=2.8（off，提交态） | **61.346** | 67.82 | 66.13 | 57.81 | 53.62 |+| k=3, γ=2.8 | 61.36 | 67.82 | 65.87 | 57.81 | 53.62 |+| k=5, γ=2.8 | 61.27 | 67.86 | 65.89 | 57.70 | 53.62 |+| k=3, γ=3.2 | 61.38 | 68.22 | 65.87 | 57.80 | 53.62 |+| k=3, γ=3.6 | 61.34 | 68.06 | 65.81 | 57.88 | 53.62 |+| k=1, γ=3.2 | 61.44 | 68.16 | 66.08 | 57.89 | 53.62 |+| k=1, γ=3.6 | 61.37 | 67.87 | 66.03 | 57.96 | 53.62 |+| k=1, γ=4.0 | 61.34 | 67.75 | 65.97 | 58.03 | 53.62 |+| k=1, γ=2.5 | （k=3 γ=2.5：61.21） | 67.59 | 65.98 | 57.65 | 53.62 | -## 机制关闭对照与查分（A半，seed 0；节点正式分用 B半）+**结论：机制被证伪。** k=3 vs k=1 差 +0.01（<0.5，PLAN 风险 3 判无效）；γ 联动补偿（k-NN 均值把步长缩到 0.87×，用更大 γ 补回）最好也只有 k=3 γ3.2 = +0.03。去噪方向本身无效：1-NN 单细胞靶点的「噪声」不是 expression_change 的瓶颈，k 近邻均值把过冲步长缩小反而抵消增益（与节点 18 γ 单调性一致）。k=1 γ=3.2 的 +0.09 亦在 seed 噪声内（seed 1 下 γ=2.8 本身即 61.55，波动 ±0.2），且 B 半不一定复现，不改默认。按 PLAN 决策规则提交 k=1（=父节点行为，逐位一致，零风险）。 -off 对照 `T2HI_CAP=0`：与节点 19 输出 **np.array_equal 验证 X 与坐标逐位一致**，分数复现 61.346（=节点19 的 61.346），四组分 expr 67.82 / cell_state 66.13 / shape 53.62 / local 57.81。+## 未验证 / 下一步 -| 配置 | 榜分 | expression_change | cell_state | local_spatial | shape_scale | 关键 metric |-|---|---:|---:|---:|---:|---:|---|-| off（cap=0，提交态） | **61.346** | 67.82 | 66.13 | 57.81 | 53.62 | neighborhood_mmd 0.07001, occ_dice 0.8285, d2_shape 0.03545, variogram 0.02829 |-| cap=1 | 59.785 | 64.99 | 66.05 | 54.69 | 53.41 | nb_mmd 0.07942↑, occ_dice 0.8398↑, d2_shape 0.03952↑, de_score 0.3696↓ |-| κ=1.0（零未融合） | 61.063 | 67.19 | 66.07 | **57.83** | 53.17 | nb_mmd 0.06997, occ_dice 0.8364↑, d2_shape 0.03960↑ |-| mutual=1（a 侧也向 b 位移，附带试验） | 61.364 | 67.82 | 66.13 | 57.94 | 53.57 | nb_mmd 0.06966, d2_shape 0.03581 |--四组分变化（κ=1 vs off）：local_spatial **+0.02（噪声内）**、shape_scale −0.45、expression_change −0.63、cell_state −0.06。cap=1 vs off：local_spatial **−3.12**、expression −2.83。--**结论：PLAN 的机制假设被证伪。** 坐标坍缩（124.6 unique）不是 local_spatial 的瓶颈——把它彻底消除（κ=1，零未融合、unique×9.4）后 neighborhood_mmd 只从 0.07001 → 0.06997、local_spatial 57.81 → 57.83（+0.02 ≪ 噪声 2）。反而 occupancy_dice 上升（0.8285→0.8364）而 d2_shape 明显变差（0.03545→0.03960），两者相抵后 shape_scale 净降 0.45；表达侧因为配对变了、chg_l2 门控选中的细胞集不同而掉 0.63。cap=1 更差：64% 的 b 细胞退回 Procrustes 位置，neighborhood_mmd 恶化到 0.07942——**与节点 18「α_low<1 单调降分」同一方向：融合越彻底越好，任何削弱型内融合的改动都降分**。--按 PLAN 风险 2/3（capacity=1 降分则试 2；提升 <0.5 判无效）：cap=1/2/3 与 κ=1 全部 ≤ off，故提交态取 `T2HI_CAP=0`，即节点 19 的行为，改动分数中性偏保守。--## 下一步（数据支持的）--1. local_spatial 的唯一正向信号是「更彻底的融合」：mutual=1（a 侧也向最近 b 位移）给出 local 57.94 / nb_mmd 0.06966，净 +0.02，仍在噪声内。若要继续攻该组分，应扫 mutual 的 α_a（a 侧位移系数）与「b→a 的 k-NN 质心融合」而不是配对拓扑。-2. shape_scale 的 d2_shape 与 occupancy_dice 对坐标重分配的反应**方向相反**，说明它不是单一可优化目标；scale_log_ratio 恒为 0.4669（RMS 由 bracket log 插值决定，proxy 上够不到真值），该组分基本是 mix 家族的结构性天花板，建议停止投入（与节点 11–19 一致）。-3. expression_change 对「哪些 b 细胞被融合」高度敏感（cap=1 时 de_score 0.4457→0.3696）：门控量 chg_l2 依赖配对，配对一变选中集就变。若以后改配对，应把表达门控的 d 固定在原 1-NN 配对上以解耦。--## 验证过 / 未验证--- 已验证：off 与节点 19 逐位一致（X + 坐标）；off 分数复现 61.346；seed 1 两次运行逐位一致（确定性）；vec-check `ok`；cap/κ 全部诊断量；~2–21 s（cap=3 最慢 21 s，off 1.6 s）、峰值 <0.75 GB，远低于 limits（28 GB / 30 min）。-- 未验证：B半正式分（提交态输出与节点 19 逐位相同，预期 ≈61.79）；真实括号（31 共有型、n_b/n_a 比值分布不同）上容量约束的效果——proxy 上机制方向已明确为负，未再花额度；κ<1 与 κ>1 的细网格（κ=1 已是零未融合的边界，κ>1 只会退回无约束）。--## 知识来源--未使用任何保留阶段/保留基因型信息、文献数值或外部数据（`external/`、`prior/` 未读）。所有统计量（型内 n_b/n_a、kNN、指派、分位数、RMS、PCA 轴）均由当次视图输入现场计算，不依赖视图路径或绝对时间（只用时间差 t），满足视图无关要求。生物学知识仅沿用父节点：细胞类型标签（输入 obs 自带）用于型内配对。+- 未验证：k-NN 靶点在真实 bracket（E8.25+E9.5→E8.75，31 个共有型、b 侧更密）上的行为——proxy 只有 5 个共有型且 a 侧稀疏（10570 抽样后），真实任务上 k 近邻的构成会不同；但 proxy 上方向为负，不值得消耗真实查分。+- 表达侧「改靶点构造」两条路（节点 20 逐细胞 β、本节点 k-NN 均值）都已证明在噪声内：expression_change ~68 可能是该门控混合结构在 proxy 上的平台。下一步若继续攻 expression，应改**混合的函数形式**（如对 keep 细胞做 a/b 表达的非线性重标定、或在 log 域混合），而不是继续调步长/靶点。+- local_spatial 唯一残余正向信号仍是 mutual 融合的 α_a 扫描（节点 21 next_suggestions 1），本节点未触碰坐标路径。+- 知识来源：无外部生物知识；全部为对已有底座的结构改动。diff --git a/solution/run.py b/solution/run.pyindex d0fa7a2..c476320 100644--- a/solution/run.py+++ b/solution/run.py@@ -170,6 +170,7 @@ def _blend_within_type(     rng: np.random.Generator | None = None,     capacity: int = 0,     cap_kappa: float = 0.0,+    expr_k: int = 1, ) -> tuple[np.ndarray, np.ndarray, dict]:     """Per-type NN coordinate fusion (family T2HI-04 blend) + optional     within-type calibrated dispersion (T2HI_DISP).@@ -198,6 +199,7 @@ def _blend_within_type(     }     nn_b_list: list[np.ndarray] = []     nn_a_list: list[np.ndarray] = []+    nnk_a_list: list[np.ndarray] = []     for lab in common:         idx_a = np.flatnonzero(la == lab)         idx_b = np.flatnonzero(lb == lab)@@ -229,6 +231,17 @@ def _blend_within_type(         sel_b = idx_b[placed]         nn_b_list.append(sel_b)         nn_a_list.append(idx_a[j[placed]])+        if expr_k > 1:+            n_pl = int(placed.sum())+            if n_pl:+                kq = int(min(expr_k, n_a_t))+                _, jk = cKDTree(pa[:, sl]).query(pb[placed][:, sl], k=kq)+                jk = np.asarray(jk, dtype=np.int64).reshape(n_pl, kq)+                pad = np.full((n_pl, expr_k), -1, dtype=np.int64)+                pad[:, :kq] = jk+                nnk_a_list.append(np.where(pad >= 0, idx_a[np.clip(pad, 0, None)], -1))+            else:+                nnk_a_list.append(np.empty((0, expr_k), dtype=np.int64))         disp_b = np.zeros_like(pb)         disp_b[placed] = 0.0         disp_b[placed, sl] = alpha * (pa[j[placed]][:, sl] - pb[placed][:, sl])@@ -270,6 +283,7 @@ def _blend_within_type(     stats["unfused_frac"] = float(stats["unfused"]) / max(stats["cells_fused"], 1)     stats["nn_b"] = np.concatenate(nn_b_list) if nn_b_list else np.empty(0, dtype=int)     stats["nn_a"] = np.concatenate(nn_a_list) if nn_a_list else np.empty(0, dtype=int)+    stats["nnk_a"] = np.concatenate(nnk_a_list) if nnk_a_list else np.empty((0, 0), dtype=int)     return out_a, out_b, stats  @@ -422,6 +436,12 @@ def main() -> None:     # each a-side cell may host at most T2HI_CAP b-side cells (0 = off, i.e.     # the original unconstrained 1-NN greedy of node 19). T2HI_CAP_KAPPA > 0     # sets a per-type capacity of ceil(kappa * n_b / n_a) instead.+    # k-NN expression target (family T2HI-01): with T2HI_EXPR_K = k > 1 the+    # blend target of each fused b cell becomes the mean expression of its k+    # nearest same-type a-side neighbours instead of the single 1-NN. The+    # chg_l2 gate keeps using the original 1-NN pair (decoupled, node-21+    # lesson 3). k = 1 is the mechanism-off control (= node 21 output).+    expr_k = int(os.environ.get("T2HI_EXPR_K", "1"))     cap_fixed = int(os.environ.get("T2HI_CAP", "0"))     cap_kappa = float(os.environ.get("T2HI_CAP_KAPPA", "0.0"))     disp_beta = float(os.environ.get("T2HI_BETA", "0.5"))@@ -437,7 +457,7 @@ def main() -> None:         blend_min = int(os.environ.get("T2HI_BLEND_MIN", "5"))         ca_s, cb_s, blend_info = _blend_within_type(             ca[ia], cb[ib], a.labels[ia], b.labels[ib], common, blend_alpha, blend_min, "3d",-            False, disp_beta, rng_disp, cap_fixed, cap_kappa,+            False, disp_beta, rng_disp, cap_fixed, cap_kappa, expr_k,         )         ca = ca.astype(np.float64, copy=True)         cb = cb.astype(np.float64, copy=True)@@ -450,7 +470,7 @@ def main() -> None:         cb_pre = cb.copy()         ca, cb, blend_info = _blend_within_type(             ca, cb, a.labels, b.labels, common, blend_alpha, blend_min, blend_axes, blend_mutual,-            disp_beta, rng_disp, cap_fixed, cap_kappa,+            disp_beta, rng_disp, cap_fixed, cap_kappa, expr_k,         )     if blend_info is not None:         blend_min = int(os.environ.get("T2HI_BLEND_MIN", "5"))@@ -504,7 +524,38 @@ def main() -> None:             else:                 keep = np.ones(d.shape, dtype=bool)             blended = Xb_f.copy()-            blended[keep] = Xb_f[keep] + gamma * diff[keep]+            nnk_a = blend_info.get("nnk_a")+            if expr_k > 1 and nnk_a is not None and np.size(nnk_a):+                # k-NN expression target: the blend target of each kept b cell+                # is the mean expression of its k nearest same-type a-side+                # neighbours; the chg_l2 gate (d) stays on the original 1-NN+                # pair, so the kept set is identical to the k=1 run.+                nnk = np.asarray(nnk_a)+                if blend_ref == "sampled":+                    nnk = np.where(nnk >= 0, ia[np.clip(nnk, 0, None)], -1)+                rows = np.flatnonzero(keep)+                nk = nnk[sel][keep]+                tgt = np.zeros((rows.size, Xb_f.shape[1]), dtype=np.float64)+                cnt = np.zeros(rows.size, dtype=np.float64)+                for jj in range(nk.shape[1]):+                    col = nk[:, jj]+                    m = col >= 0+                    if m.any():+                        tgt[m] += as_dense(a.X, col[m]).astype(np.float64)+                        cnt[m] += 1.0+                tgt /= np.maximum(cnt, 1.0)[:, None]+                diff_t = tgt - Xb_f[rows]+                blended[rows] = Xb_f[rows] + gamma * diff_t+                tgt_norm = float(np.linalg.norm(diff_t, axis=1).mean()) if rows.size else 0.0+                tgt_over_nn = (+                    float(np.linalg.norm(diff_t, axis=1).sum()+                          / max(np.linalg.norm(diff[keep], axis=1).sum(), 1e-12))+                    if rows.size else 0.0+                )+            else:+                blended[keep] = Xb_f[keep] + gamma * diff[keep]+                tgt_norm = float(np.linalg.norm(diff[keep], axis=1).mean()) if keep.any() else 0.0+                tgt_over_nn = 1.0             xb[pos[nn_b[sel]]] = blended.astype(np.float32)              # chg_l2-gated coordinate displacement (family T2HI-04 mechanism):@@ -556,6 +607,7 @@ def main() -> None:             chg = gamma * d             exprnn_info = {                 "gamma": gamma, "gate_q": gate_q, "gate_mode": gate_mode,+                "expr_k": expr_k, "tgt_norm": tgt_norm, "tgt_over_nn": tgt_over_nn,                 "cells_mixed": int(sel.sum()), "cells_kept": int(keep.sum()),                 "chg_mean": float(chg[keep].mean()) if keep.any() else 0.0,                 "chg_std": float(chg[keep].std()) if keep.any() else 0.0,@@ -617,7 +669,9 @@ def main() -> None:                   f"b_a_nn_after_disp={blend_info['disp_nn_after']:.1f}", flush=True)     if exprnn_info is not None:         print(f"[exprnn] gamma={exprnn_info['gamma']:.2f} gate_q={exprnn_info['gate_q']:.2f}"-              f"({exprnn_info['gate_mode']}) cells_fused={exprnn_info['cells_mixed']} "+              f"({exprnn_info['gate_mode']}) expr_k={exprnn_info['expr_k']} "+              f"tgt_norm={exprnn_info['tgt_norm']:.3f} tgt_over_nn={exprnn_info['tgt_over_nn']:.3f} "+              f"cells_fused={exprnn_info['cells_mixed']} "               f"cells_kept={exprnn_info['cells_kept']} "               f"chg_l2 kept mean={exprnn_info['chg_mean']:.3f} std={exprnn_info['chg_std']:.3f} "               f"min={exprnn_info['chg_min']:.3f} max={exprnn_info['chg_max']:.3f} "

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. Summary:

**做了什么**：按 PLAN 实现 T2HI-01 k-NN 表达靶点机制（`T2HI_EXPR_K`）——被融合 b 细胞的表达混合靶点从空间 1-NN 单细胞改为同型 a 侧 k 近邻均值，chg_l2 门控固定在原 1-NN 配对上（解耦，遵循节点 21 教训 3），含 `min(k, n_a)` 保护。

**查分结果**（A半 proxy，9 次查询）：机制生效证据齐全（keep 集 455 逐位不变、tgt_norm 44.1→38.5、型内方差 ×0.71），但 k=3 vs k=1 仅 +0.01，k=5 −0.08，γ 联动补偿（k3γ3.2 +0.03、k1γ3.2 +0.09）全部在噪声内——**机制被证伪**：1-NN 靶点噪声不是 expression_change 瓶颈，k 近邻均值缩小过冲步长反而抵消增益。按 PLAN 决策规则提交 k=1 默认（与节点 21 输出逐位一致，确定性已验证，vec-check 通过，运行 ~2s）。

**下一步建议**：表达侧「调步长/换靶点」两条路（节点 20、23）均已到平台（~68）；应改混合的函数形式（log 域混合或非线性重标定），或转攻 local_spatial 的 mutual α_a 扫描（唯一残余正向信号）。

调研员

{
  "name": "k-NN表达靶点替代1-NN：混合目标从单最近邻改为同型k近邻均值",
  "motivation": "父节点21（=节点19）expression_change 67.90是四组中响应最活跃的组分（节点14→20累计+4.0），但当前混合靶点是单个空间1-NN的表达——在稀疏型（如aPHM n_b/n_a=1.25）中1-NN可能不是最佳表达参照。节点21 ANALYSIS明确建议'在保持原1-NN坐标配对不变的前提下只调表达侧'。节点20的逐细胞自适应β（+1.22 expression）方向正确但幅度在噪声边缘，说明需要改变靶点构造而非仅调系数。",
  "approach": "步骤：1) 在 _blend_within_type 中，坐标融合仍用空间1-NN（cKDTree query k=1），但表达混合靶点改为同型a侧k-NN均值：对每个被融合b细胞，取其同型a侧k个最近邻（cKDTree query k=k_expr），xa_target = mean(a侧k近邻表达)。2) 门控量chg_l2仍按原1-NN计算（||xa_1nn - xb||），保持门控选中集不变（解耦坐标配对与表达靶点，遵循节点21教训3）。3) 混合公式不变：xb ← xb + γ*(xa_target - xb)，γ=2.8，q=0.8。4) 参数扫描：k_expr ∈ {1, 3, 5}（k=1即当前行为，为off对照）；若k=3有效，再试γ ∈ {2.5, 2.8, 3.2}。5) 单输入阶段退路：t=0时copy_last，不触发混合，与现有fallback一致。6) vec-score快筛：先跑k=3 vs k=1的A半对比，差>1分再扫γ；否则直接提交k=1（=父节点）。时间预算：实现~10min，3次查分~3min，余量充足。",
  "expected_groups": ["expression_change", "cell_state"],
  "risks": "1) 型内表达异质性高时，k-NN均值可能模糊亚群信号，导致cell_state下降——Engineer应在k=3查分时同时看cell_state，若降>1则停止。2) 稀疏型（aPHM n_a仅~700）k=5可能超出型内细胞数——需min(k, n_a)保护。3) 预期提升可能<1分（噪声）——若k=3与k=1差<0.5，判无效，提交k=1（=父节点，零风险）。尽早发现：第一次vec-score即可判断方向。",
  "family_id": "T2HI-01",
  "mechanism": "将被融合b细胞的表达混合靶点从空间1-NN的单细胞表达替换为同型a侧k近邻（k=3）的均值表达，降低稀疏型中单最近邻的噪声敏感度，使过冲方向更稳健。",
  "vs_constant_shift": "混合靶点是逐细胞、依赖局部空间邻域的（每个b细胞的k-NN集合不同），混合量随chg_l2门控逐细胞开关，不是对整型施加同一向量；γ>1的过冲使输出超出a侧均值，不是简单回归均值。",
  "mechanism_evidence": "Engineer应报告：(1) k=3时实际被混合的细胞数与k=1是否一致（门控集不变）；(2) 混合后型内表达方差（per-type std）k=3 vs k=1的比值；(3) expression_change和cell_state四组分各自变化；(4) 若k=3有效，列出获益最大的型（按型内n_a/n_b比排序验证稀疏型获益更多的假设）。",
  "mechanism_off_control": "T2HI_EXPR_K=1（默认）时，k-NN均值退化为1-NN本身，输出与父节点逐位一致（可用np.array_equal验证）。预期k=1分数=61.346（A半proxy），k≠1时expression_change应有±1方向变化。",
  "sources": []
}

审查员

REVIEW.json written